В регулярном ценообразование (ЦО) в ретейле на одной чаше весов — ценовое восприятие сети покупателями, на другой — доходность. В поисках баланса ретейлеры повышают цены, проседая по доходности, и понижают их, наращивая трафик.
Обычно выбор товаров и решение об изменении цен основываются на экспертном мнении. Куда реже — на аналитике. Это делает компромисс между доходностью и ценовым восприятием особенно сложным.
Можно ли назначить цены так, чтобы одновременно выиграть в доходности и при этом не утратить привлекательность в глазах покупателей и не потерять трафик? Этого можно достичь, переходя от «экспертной» системы ЦО к системе, основанной на data science.
От хаотичности к централизации
Система ЦО во многих розничных сетях практически полностью опирается на экспертизу категорийного менеджера. Категорийный менеджер ориентируется на выполнение своих персональных целей и целей своей категории и корректирует цены, но это не всегда согласуется с бизнес-задачами всей сети.
Типичная ситуация: руководство сети приняло решение наращивать трафик. У руководителя категории “хлеб” с трафиком все в порядке, но плохо с маржой, и он слегка поднимает цены на товары. Тем временем его коллега из категории “шоколад” делает обратное: в его категории падают продажи, и он начинает снижать цены. Продажи начинают расти, но падает маржа.
Стратегия сети плохо каскадируется на конкретных людей и категории, что даже хуже, у покупателя не складывается целостного ценового восприятия сети. Хлеб дороже, чем в других магазинах, а шоколад дешевле. Это дорогой или дешевый магазин?
«Фундамент любого проекта по оптимизации ЦО — переход от хаотичного ЦО на уровне категорий к централизованному процессу с единым центром компетенций. График мониторинга цен, ЦО по категориям, порядок согласования корректировок со стороны категорийных менеджеров требуют четкого регламента. И уже на эту основу можно нанизывать полезные инструменты от аналитики базового уровня до продвинутой аналитики на основе алгоритмов машинного обучения», – комментирует Денис Емельянцев, партнер McKinsey & Company.
Купить или не купить?
Как человек принимает решение о том, купить или не купить какой-то товар?
Казалось бы, чем выше цена товара, тем меньше покупают, и наоборот. Это ценовая эластичность спроса. Многие «коробочные» ИТ-решения в сегменте ЦО строят свои рекомендации на базе исторической оценки эластичности. Наш опыт показывает: такой анализ скорее приведёт к некорректным рекомендациям, чем поможет улучшить ЦО.
«Эластичность — это важно. Но ключевая проблема использования подхода – режим «розовых очков». Ценовая эластичность отражает поведение потребителя в идеализированной ситуации, когда магазин стоит в чистом поле. Без конкурентов, изменений погоды, экономических кризисов и прочих внешних факторов. Тогда продажи товара, действительно, будут меняться вслед за изменением цены.
В реальности редкие изменения собственной цены на товар сопровождаются гораздо более сильным внешним влиянием — изменение цен у конкурентов, промоакции, маркетинговые активности, сезонные колебания, пересмотр ассортимента и так далее. Попытка выявить, как же «то единственное» изменение регулярной цены на 3% полгода назад повлияло на продажи товара — не лучший путь к повышению эффективности ЦО», — прокомментировал Илья Дуров, руководитель проектов McKinsey & Company.
Среди факторов, влияющих на спрос, есть один, превосходящий по значимости даже абсолютный уровень цены -- соотношение цены товара у ретейлера и его конкурентов. Согласно множеству исследований, отправляясь за покупками, люди часто посещают до 3 магазинов и сравнивают цены.
Тогда даже небольшое изменение цены может сыграть решающую роль. По данным Nielsen, в одной из категорий молочных продуктов в магазинах, где разница в ценах с основным конкурентом одного из производителей была на 5% меньше, продажи были на 75% выше средних.
Ключевое значение имеет знание цен на рынке и понимание, как покупатели реагируют на их изменение. Как обеспечить наличие качественной и своевременной информации о ситуации на рынке?
Мониторинг рынка: исправление ошибок
Чтобы понять, на какие цены ориентироваться при разработке ценовой стратегии, просто собрать данные из разных источников первичного мониторинга рынка недостаточно: где-то из-за ошибок людей, которые делали замеры; где-то из-за сбора промоцен вместо регулярных и так далее.
С точки зрения data science, подобные отклонения в ценах — это “шумы” в данных, к которым алгоритмы машинного обучения могут быть неустойчивы. Идентификация аномалий и удаление таких аномалий — обязательный этап в разработке любой модели.
«Мы обычно выделяем 5 способов борьбы с аномалиями:
1. На основе статистики
После анализа всех данных из них исключаются показатели, превышающие средние более чем вдвое.
2. На основе кластеризации
Точки в рядах разделяются на кластеры при помощи алгоритмов. Если один из кластеров оказывается очень маленьким, это признак того, что мы имеем дело с аномалией.
3. На основе распределения данных
Если мы смотрим на цену во времени, она может равняться 100 р +/- 10. Мы предзадаем функциональную формулу этого распределения. Точки, выбивающиеся из распределения -- аномалии.
4. На основе прогнозов во временных рядах
Делая прогноз во временных рядах, мы смотрим, как факторы о продуктах и конкурентах объясняют цену. Если в прогнозе остаются большие ошибки, то, скорее всего, речь идет об аномалиях».
Дмитрий Устинов, младший партнер McKinsey & Company
Управление ценовым восприятием
Есть товары, цены на которые покупатели знают очень хорошо. Это ключевые товарные позиции или KVI (key value items). Именно их стоимость сравнивают с ценами в других магазинах, и именно она формирует восприятие уровня цен в общем. Выявление ключевых товарных позиций критично для продаж любой сети.
В матрице среднестатистического магазина порядка 7000 наименований. Получить достаточную выборку ответов по каждому товару с помощью опросов практически невозможно. Экспертиза категорийного менеджмента тоже несет в себе большие погрешности.
Углубленная аналитика позволяет без значительных инвестиций определить перечень KVI с высокой точностью. Так, можно классифицировать покупателей на более и менее чувствительных к ценам и разделить товары в их корзине на те, которые действительно формируют ценовое восприятие, и те, которые почти на него не влияют.
Далее остаётся выбрать оптимальную ценовую стратегию для каждой из групп. Излишне консервативная стратегия может не иметь положительного эффекта на трафик или даже сказаться негативно. Излишне агрессивная — привести к рекурсивным изменениям и ценовым войнам.
Ценовая кластеризация
Крупные ретейлеры управляют сотнями и тысячами магазинов. Во всех ли надо применять единую ценовую стратегию? Или стоит выделить более «дорогие» и «дешевые» магазины? Обычно, для крупных сетей применяют кластеризацию магазинов.
«Среди потенциальных критериев для кластеризации: размеры магазина, региональные особенности, покупательские миссии, окружение магазина и десятки других свойств. Выбрать оптимальные факторы сложно из-за отсутствия внятного критерия качества кластеризации.
Лучше других при формировании ценовых кластеров работают два фактора: платежеспособность трафика в магазине и интенсивность конкуренции в его окружении.
Покупатели, как мы помним, принимают решение о покупке, сравнивая цены в соседних магазинах. Собственные инсайты ретейлеров и общедоступные данные позволяют очень точно отслеживать и динамично актуализировать эту информацию. API известных картографических сервисов дают возможность использовать реальные пешеходные маршруты для оценки интенсивности», – Алексей Татаренков, team lead команды аналитики McKinsey & Company.
Среди других важных факторов – платежеспособность покупателей в географической близости от магазина. Так ретейлер может понять свой потенциал роста.
Варьируя ценовую стратегию между различными кластерами магазинов, можно рационализировать инвестиции маржи в цены: иметь более агрессивную стратегию в магазинах, где это необходимо, компенсируя затраты в точках с меньшим риском оттока. Но всегда ли стоит варьировать цены между кластерами? Точный ответ может дать только обширный набор реальных экспериментов.
Контролируемые эксперименты
Крупные интернет-ретейлеры непрерывно тестируют десятки и сотни гипотез. Какая из иллюстраций «цепляет» взгляд на рекламном баннере? Какой порядок строк меню удобнее для посетителей сайта?
Аналогично, офлайн-ретейлеры могут протестировать, какая комбинация цен удовлетворяет целям стратегии. Такие контролируемые эксперименты называются пилотами.
«Большинство ретейлеров, даже использующих инструменты углубленной аналитики, не прибегают к помощи пилотов. Но лидеры в цифровой трансформации розничного бизнеса находят такую возможность и в офлайн-среде. Главное требование —действительно крупный масштаб», – отмечает Дулатбек Икбаев, управляющий партнер McKinsey & Company в Центральной Азии.
Предположим, некая розничная сеть управляет сотнями магазинов по стране. Варьируя заданным образом ценовую стратегию между группами магазинов со схожими характеристиками, ретейлер может «обучить» свои модели ЦО с учетом многочисленных факторов, о которых говорили в начале статьи.
Выводы
Тонко настроив систему ЦО с помощью углубленной аналитики, можно улучшить ценовое восприятие и ускорить рост сети, не теряя доходность.
ЦО — одна из наиболее чувствительных тем для ретейла. В каждом проекте есть своя специфика, фокус и особый подход. В McKinsey проект – это всегда совместная работа с клиентом и создание продукта с учётом организационного контекста.
Сформированное однажды ценовое восприятие очень сложно поменять, поэтому нельзя уповать только на экспертное мнение. Разочаровавшиеся покупатели, ушедшие в другой магазин, могут либо вообще не вернуться, либо их возвращение очень дорого обойдется ретейлеру.
Авторы: Дулатбек Икбаев, партнер McKinsey & Company; Денис Емельянцев, партнер McKinsey & Company; Дмитрий Устинов, младший партнер McKinsey & Company; Илья Дуров, руководитель проектов McKinsey & Company; Алексей Татаренков, team lead аналитической команды McKinsey & Company
