Есть ли место для data science в стратегии развития фешен-ретейлера?

Изучаем опыт масштабирования с учетом углубленной аналитики

Cчитается, что модный бизнес — это скорее искусство, чем математика. Дизайн — процесс творческий, и многие решения в модной отрасли принимаются интуитивно. Часто такой подход выходит за стены дизайн-лабораторий и распространяется на коммерческие процессы. Среди них — открытие магазинов.

Пока алгоритмы были теорией

Еще десять лет назад собиралось куда меньше данных, чем сегодня. А компьютерные мощности, которые позволяют обрабатывать гигабайты информации за считаные секунды, были менее доступны. И если торговая сеть планировала экспансию, сопутствующая аналитика, как правило, базировалась на демографических выкладках и простой бизнес-логике.

Если город богатый и в нем много жителей — значит, магазинов должно быть много. Если город бедный и людей мало — магазинов тоже нужно мало. В среднем такой подход хорошо отражает реальность. И раньше подобный анализ использовался повсеместно.

Но за последние несколько лет инструменты работы с большими массивами данных стали доступными. И вопрос «А можно ли делать это эффективнее?» не обошел стороной задачи развития торговых сетей.

Базовая аналитика обретает глубину

Чем же помогает углубленная аналитика? Показатели магазина — выручка и маржинальность — плохо объясняются одним лишь размером города и доходами жителей. Типичная погрешность при прогнозировании выручки в таком подходе – 40–60%. А при прогнозировании прибыли – 100–150%.

Например, два магазина в Алматы могут отличаться по продажам в 2–2,5 раза. Тем временем магазин в небольшом городе может опережать по объему прибыли оба алматинских.

Подобные парадоксы нельзя объяснить только демографией — они уходят в плоскость других факторов. Например:

· Существует два мира магазинов: в ТЦ и на улице. Уличный магазин на Тимирязева и магазин того же бренда в «Есентай молл» будут работать совершенно по разным моделям.

· Уровень конкуренции в городах серьезно разнится. Например, где-то уже открылось несколько магазинов другой сети, а где-то конкурентов пока нет.

· Города различаются по арендным и зарплатным ставкам. Спрос и предложение на рынке недвижимости вместе с форматом доступных площадей диктуют стоимость аренды. А уровень дохода в городе в разной пропорции может влиять на платежеспособность трафика и затраты на персонал.

·  Важно влияние площади и формата магазина. Открыв в одном и том же городе три маленьких или три больших магазина, мы ожидаемо получим разные результаты.

Кроме того, на прибыль влияют «точечные» факторы. Например:

· Какие именно сети и магазины есть в торговом центре. Некоторые забирают часть продаж, а другие, наоборот, становятся «магнитами» для клиентов. В глазах покупателя они делают визит в ТЦ более насыщенным, но не каннибализируют трафик.

· Опыт и квалификация управляющего магазином. Опытный директор может вывести на прибыльность даже магазин в неудачной локации. Это нужно учитывать.

· Расстояние до ближайшего магазина сети. Ситуации, когда два магазина располагаются менее чем в километре друг от друга — не редкость. И это не может не влиять на продажи.

Учет десятков дополнительных факторов дает анализу совершенно иную глубину.

Разные цели — разные стратегии

Давайте представим, что сеть фешен-ретейла планирует открыть новые локации. С чего нужно начинать? Ключевой вопрос – это цели открытия новых локаций.

Если в фокусе рост выручки и доли рынка, ожидаемым результатом будет наибольшее число новых открытий магазинов и максимально большие площади. При этом такая стратегия приведет к снижению маржинальности и продуктивности сети.

Обратная ситуация — фокус на продуктивность или доходность. Эта цель предполагает существенно меньше открытий (а, возможно, и закрытие некоторых точек) и преобладание небольших и более эффективных форматов магазинов.

Выбор цели радикально влияет на ожидаемый результат, поэтому важно определиться с ней до старта моделирования и расчетов.

Когда нужно доказать эффект, но нельзя провести пилот

В процессе реализации такого упражнения любой бизнес задает себе вопрос «какой финансовый эффект внедренных аналитических решений». Провести пилот затруднительно – в случае открытия магазинов это требует дополнительных затрат времени и средств. Поэтому обычно смотрят ретроспективно: «какая была бы прибыль и выручка сети, если бы выбор локаций происходил на базе аналитики».

На одном из проектов по масштабированию мы применили прогнозные модели к магазинам сети, которые были открыты ранее и закрыты из-за неудовлетворительных финансовых результатов. А также к магазинам, открытие которых было запланировано как раз на даты проекта.

В итоге оказалось, что если бы ретейлер уже работал с инструментами углубленной аналитики, 85% закрывшихся магазинов математические алгоритмы советовали бы не открывать вовсе. А предсказание выручки по новым открытиям попало в цель с точностью выше 90%.

Математика для реальности

Но важно помнить, что математика не может учитывать ряд факторов, например, стратегию развития компании. Поэтому сверка со стратегическими приоритетами и операционными ограничениями — этап, который нельзя опустить. И некоторые ограничения универсальны для всей модной розницы.

1. Доля онлайн-продаж продолжит расти. Рынок онлайн-торговли продолжит расти темпами, опережающими рост рынка в целом. Учитывать эту динамику при оценке прибыльности потенциального магазина необходимо. Сегодня магазин прибыльный, но если 7–10% покупателей из него перетечет в онлайн, он может перестать таким быть.

2. Конкуренты тоже будут открывать магазины. Странно предполагать, что расширяться будет только одна сеть, поэтому потенциальные действия конкурентов в городах следует использовать как один из объясняющих факторов при моделировании и изменять его в прогнозах соответствующим образом.

3. Сложности с арендой могут препятствовать открытию. Есть ли в городах, где мы хотим открыться, нужный объем площади? Это принципиальный вопрос, который важно учесть при постановке целей. Ответить на него можно, проанализировав общедоступную информацию и арендные предложения в потенциальных локациях. Часто по результатам такого анализа 10–15% запланированных к открытию магазинов отпадает.

4. Темпы масштабирования не должны противоречить «пропускной способности» бизнеса. Открытие магазинов — это наем людей, проведение тендеров, осмотр торговых площадей, заключение договоров аренды, поиск и контроль подрядчиков по ремонту. Одним словом, целый поток разноплановых задач, который нельзя обработать быстрее, чем позволяют мощности конкретной организации.

5. Важно помнить о комплексном восприятии бренда. Стратегические соображения о том, что важно для клиентов сети, — неотъемлемая часть плана роста. Модель может подсказывать, что маленькие магазины более прибыльны, но исследование клиентов тем временем будет говорить, что они разрушают идентичность бренда, потому что выглядят как склад, некрасиво. Это не скажется на прибыльности сегодня, но отразится на ней в перспективе.

Назад в будущее

Как показывает опыт наших проектов, план развития фешен-сети, который подкреплен углубленной аналитикой, может превосходить экспертный план экспансии по ожидаемому эффекту в разрезе прибыли в 2–3 раза. Это достигается за счет точного прогнозирования и предотвращения каннибализации, а также выявления новых ниш, которые не обнаруживаются при экспертном подходе.

Но аналитические подходы также не стоят на месте – постоянно появляются новые методы или данные, которые позволяют улучшить результат. Сейчас таких направлений два.

Во-первых, это использование внешних данных. Телеком-операторы и банки предлагают свои данные для «профилирования» потенциальных локаций. Разумеется, данные на уровне отдельных клиентов не передаются, но можно посмотреть на «средний профиль». Например, возраст, пол, уровень дохода. И даже более того – посмотреть сколько эти люди в среднем тратят на одежду и сколько приходится на конкретную сеть. Это тренд последних 5 лет, но все еще многие компании не начали этим пользоваться.

Во-вторых, это GenAI, он же генеративный искусственный интеллект. Пока он практически не используется для задач планирования сети. Но ведущие ретейлеры уже проводят эксперименты в данной области. В основном это синтез информации по планируемым локациям. Задача – облегчить принятие решений руководством. В таком случае GenAI может по каждой планируемой точке «рассказать», почему стоит или не стоит принимать решение. В качестве входных данных он будет использовать классические аналитические модели, но сделает выводы более понятными для руководства.

Долгосрочно важно интегрировать методы искусственного интеллекта и бизнес-экспертизу. Аналитические модели строят прогнозы и рекомендации на истории, а дизайнеры ловят дух времени и формируют тренды, вдохновляясь работами предшественников. Будущее никогда не повторяет прошлое в точности, но обращаясь к нему, можно найти как источник творческих идей, так и верные бизнес-решения. Главное — поймать баланс между бизнесом, искусством и математикой.

Авторы:

Денис Емельянцев, партнер McKinsey & Company – руководитель практики коммерческих трансформаций в ретейле, более 20 коммерческих трансформаций в компаниях Европы, Ближнего Востока, США, Латинской Америки

Дулатбек Икбаев, управляющий партнер McKinsey & Company в Центральной Азии, реализовал более 20 цифровых трансформаций в различных секторах.

Дмитрий Устинов, младший партнер McKinsey & Company – эксперт в области цифровых трансформаций и AI, более 15 цифровых трансформаций в В2С-секторе в Европе, США, Латинской Америке

Илья Дуров, руководитель проектов McKinsey & Company – эксперт в области аналитических юз-кейсов в ретейле, более 10 проектов в области ценообразования, промо, оптимизации сети

Алексей Татаренков, team lead команды аналитики данных McKinsey & Company – эксперт в области аналитических юз-кейсов в ретейле, более 10 проектов в области ценообразования, промо, оптимизации сети

При работе с материалами Центра деловой информации Kapital.kz разрешено использование лишь 30% текста с обязательной гиперссылкой на источник. При использовании полного материала необходимо разрешение редакции.
Читать все последние новости ➤