Kategoria: Blog

Ustalenie prawidłowej ceny produktu czy usługi jest jednym z największych, a jednocześnie najważniejszych wyzwań detalisty na konkurencyjnym rynku. Zbyt niska cena zmniejsza przychody a w konsekwencji zysk. Z kolei cena zbyt wysoka ogranicza popyt i również powoduje zmniejszenie przychodów. Wprawdzie jednostkowy zysk na sprzedaży jest wyższy, ale może nie skompensować strat związanych ze zmniejszeniem wolumenu.

Ustalenie optymalnej ceny produktu – od czego zacząć?

Trudności związane z ustaleniem optymalnej ceny towarów wynikają z liczby i złożoności czynników, które mają na nią wpływ. Są to między innymi ceny produktów komplementarnych i substytucyjnych. Do listy można dopisać także promocje, reklamy, aktywność i ofertę konkurencji, sytuację ekonomiczną klientów, ich gusta i preferencje, koszty zakupu towarów, kwestie związane z logistyką. Dodatkowe wyzwania wiążą się z produktami, na których popyt ma charakter sezonowy i wynika np. z uwarunkowań pogodowych. Klasycznym przykładem takiego asortymentu są lody, na które popyt związany jest ściśle z temperaturą powietrza. Inne tego typu produkty, które można wymienić to okulary przeciwsłoneczne, narty, napoje chłodzące, kurtki zimowe, stroje kąpielowe, usługi hotelowe, przeloty turystyczne.

Paradoks ceny

W przypadku tego rodzaju produktów często mamy do czynienia z paradoksem ceny. Klasyczna ekonomiczna teoria popytu i podaży mówi, że im wyższa cena, tym mniejszy popyt na towar lub usługę. Zazwyczaj tak jest. Jednak w przypadku produktów wybitnie sezonowych zależność ta może ulec zachwianiu. Często się przecież zdarza, że najwyższe ceny notowane są w szczycie sezonu na dany produkt. A więc wtedy, gdy i sprzedaż jest najwyższa. Sprzedawcy wiedząc, że konsumenci właśnie w tym okresie najbardziej potrzebują produktu i są najbardziej skłonni do zakupów, wykorzystują to, podnosząc ceny. Sytuację tego rodzaju ilustruje wykres poniżej. Widać delikatną, ale wyraźną pozytywną relację między ceną (oś pozioma) a sprzedawanym wolumenem (oś pionowa).

Patrząc tylko na ten wykres, będący w istocie prostym modelem cena-popyt, można byłoby wyciągnąć naiwny wniosek, że podnoszenie cen powoduje wzrost sprzedaży. Jak wiadomo nie jest to prawda (za wyjątkiem bardzo wąskiej i specyficznej grupy dóbr luksusowych). Podnosząc ceny lodów w okresie od października do marca, nie uda nam się zwiększyć ich sprzedaży.

Zależność obserwowana na wykresie jest efektem splotu dwóch czynników. Po pierwsze jest to wpływ ceny i temperatury powietrza na sprzedaż, a po drugie wpływ temperatury (sezonu) na cenę. Ten ostatni wiąże się właśnie z decyzjami sprzedawcy o dostosowaniu ceny do podwyższonego popytu.

Czy istnieje idealne narzędzie do estymacji ceny?

Rozwiązanie zagadki rzeczywistego wpływu ceny na sprzedaż wymaga więc nieco bardziej złożonego podejścia niż analiza korelacji między ceną a popytem (której przykład ilustrował poprzedni wykres). Idealnym narzędziem do estymacji tego rodzaju efektów są losowe eksperymenty (np. testy A/B). W teorii można sobie wyobrazić, że detalista będzie losowo zmieniał ceny tak, aby przetestować różne warianty i połączenia – co zaowocuje np. podwyższeniem ceny lodów w grudniu, czy jej drastyczną obniżką w wyjątkowo upalnym czerwcu. W praktyce jednak jest to trudno wykonalne, a jeżeli już to na niewielką skalę i w ograniczonym czasie. Jest to bowiem bardzo kosztowny eksperyment.

Sprzedaż produktów po nieoptymalnej cenie powoduje drenaż przychodów. Dodatkowo częste i nieprzewidywalne zmiany cen mogą negatywnie wpływać na doświadczenie konsumentów i skłaniać ich do przechodzenia do konkurencji. Praktycznym rozwiązaniem jest więc wykorzystanie danych, które już mamy i które nie pochodzą z eksperymentu do estymacji wpływu interesującego nas czynnika (w tym wypadku ceny) na istotny dla nas rezultat (w tym wypadku sprzedaż). Jest to możliwe, choć trzeba zaznaczyć, że nie jest to zadanie trywialne i wymaga rozbudowanego aparatu matematycznego. W dzisiejszym artykule nie będę się jednak skupiał na matematycznych, statystycznych i filozoficznych niuansach związanych z analizą przyczynowości. Zamiast tego pokażę możliwe do uzyskania wyniki tego rodzaju analizy i ich praktyczne efekty.

Sezonowość a cena produktu

Rozwiązanie wymaga na początku nałożenia na dane „modelu” odzwierciedlającego nasze rozumienie sposobu funkcjonowania systemu, który chcemy analizować. Potrzebny jest przy tym zarówno zdrowy rozsądek, jak i wiedza ekspercka. Nasze założenia możemy opisać przy pomocy grafu, jak na ilustracji poniżej.

Przede wszystkim, jak widać, ustalamy założenia, co do kierunku oddziaływania poszczególnych zmiennych. Cena zmienia się pod wpływem temperatury (a dokładniej przez działania detalisty wynikającego z jego wiedzy odnośnie  wpływu temperatury na zachowania konsumentów). Detalista zmieniając cenę, nie jest zaś w stanie zmienić temperatury  powietrza – myślę, że nie jest to kontrowersyjne założenie – stąd strzałka skierowana jest tylko w jedną stronę. Temperatura ma także bezpośredni wpływ na sprzedaż (kiedy jest ciepło więcej ludzi ma ochotę na lody). Dodatkowo uwzględniamy, że wpływ na cenę i na sprzedaż mogą mieć także inne czynniki, które pozostają poza naszą obserwacją. Jest to oczywiście bardzo uproszczony model i z łatwością można go rozbudować o kolejne czynniki wpływające na cenę lub sprzedaż.

Estymacja faktycznego wpływu ceny na sprzedaż

Na podstawie tak sformułowanego modelu oraz danych historycznych o cenie, wolumenie i temperaturze, przy pomocy zaawansowanych metod analitycznych, możliwa jest estymacja faktycznego wpływu ceny na sprzedaż. Innymi słowy możemy oszacować, w jakim stopniu zmiana ceny jest przyczyną zmiany wolumenu sprzedaży. Stąd już tylko krok do wykorzystania tej wiedzy w praktyce i optymalizacji ceny.

Poniższy przykład pokazuje proces poszukiwania optymalnej ceny lodów w miesiącu wrześniu przy prognozowanej średniej temperaturze dobowej 14,2 st. C. Możemy podobne wykresy wygenerować dla dowolnej wartości temperatury, co ma akurat w tym przypadku duże znaczenie. Inna będzie bowiem optymalna cena, gdy wrzesień będzie wyjątkowo ciepły, a inna gdy będą padały rekordy chłodu.

Wrzesień jest miesiącem przejściowym pomiędzy szczytem sezonu a okresem jesienno-zimowym. Do tej pory detalista tradycyjnie utrzymywał jeszcze we wrześniu dość wysokie ceny produktu. Na osi poziomej wykresu pokazujemy zmianę ceny w stosunku do ceny bazowej – oznacza ją linia 0 w okolicy środka wykresu. Niebieska krzywa pokazuje jak zmieniają się przychody ze sprzedaży w zależności od przyjętej ceny. Przesuwając się na prawo od linii 0 (czyli podwyższając cenę) obserwujemy spadek przychodów. Wyższa cena negatywnie wpływa na popyt, a większy przychód jednostkowy nie kompensuje spadku wolemu. Przesuwając się w lewo od linii 0, obserwujemy wzrost przychodów, chociaż tylko do pewnego punktu. Za nim, zwiększony wolumen sprzedaży, przestaje kompensować spadek ceny. Ten  punkt oznacza punkt optymalnej ceny – oznaczony pionową linią przerywaną. Model sugeruje, że optymalna cena jest o 80 groszy niższa od dotychczasowej ceny bazowej.

Zastosowanie się do rekomendacji i obniżenie ceny powoduje wzrost obrotów o nieco ponad 26% w stosunku do scenariusza bazowego. Obrazuje to poniższy wykres.

Przedstawiona w artykule metoda daje olbrzymie możliwości, wykorzystując najnowsze osiągniecia badawcze w dziedzinie sztucznej inteligencji i analizie przyczynowej.  W praktyce oczywiście dla większej dokładności model powinien uwzględnić także dodatkowe czynniki takie jak ceny innych produktów, ceny u konkurencji, reklamy, ulotki, gazetki, oferty, promocje, czynniki makroekonomiczne. Pełne rozwiązanie daje także o wiele bardziej dogłębny wgląd w sytuację. Symulacja wpływu decyzji cenowych na wolumen i przychody ze sprzedaży pomaga podejmować lepsze decyzje. Te z kolei przekładają się na wymierne efekty finansowe i mogą dać istotną przewagę konkurencyjną.

Pozyskanie nowego klienta jest droższe niż utrzymanie dotychczasowego

To nie tylko powtarzany często marketingowy truizm. Badania cytowane w Harvard Business Review dowodzą, że koszt pozyskania nowego klienta może być od 5 do nawet 25 razy wyższy niż w stosunku do kosztu utrzymania klienta w zależności od branży. A poprawa wskaźnika retencji o zaledwie 5% może przełożyć się nawet na 25-procentowy wzrost zysków. Jak więc walczyć z utratą klientów i podwyższać retencję? W jaki sposób analiza danych może nam w tym pomóc?

Odchodzenie klientów (ang. churn lub attrition) jest zjawiskiem nieuniknionym i niemożliwe jest jego całkowite wyeliminowanie. Część klientów bez względu na podejmowane wobec nich działania odchodzi. Przykładowo dlatego, że przeprowadza się poza obszar działania firmy lub przestaje być grupą docelową i nie potrzebuje już dłużej naszego produktu. Pozostała część jednak rezygnuje, wybierając ofertę konkurencji. Tym odejściom można by było zapobiec. Gdyby zostały podjęte działania. Właściwe działania, we właściwym momencie. Kluczem do tego są:

Rozwiązaniem obu problemów może być antychurnowy model predykcyjny zbudowany przy pomocy uczenia maszynowego. Model taki zdolny jest do przewidywania ryzyka utraty konkretnego klienta. Identyfikuje przy tym najważniejsze czynniki związane ze wzrostem tego ryzyka tak w wymiarze ogólnym dla całej bazy klientów, jak i indywidualnym dla pojedynczego klienta w jego specyficznej sytuacji. Tego rodzaju modele predykcyjne mogą wykorzystywać dowolną definicję „churn” i znajdują zastosowanie zarówno w biznesach, gdzie odejście klienta jest wyraźnie zaznaczone w czasie (np. wygaśnięcie/wypowiedzenie umowy), jak i takich, gdzie klient po prostu przestaje powracać i dokonywać kolejnych zakupów.

Najważniejsze czynniki determinujące odejście klienta

Jak już wspomnieliśmy model predykcyjny pomaga zidentyfikować najważniejsze czynniki wpływające na zagrożenie odejściem klienta. Wykresy poniżej pochodzą z rzeczywistego modelu predykcyjnego zbudowanego na bazie jednego z kontrahentów Data Science Logic. Zmienione zostały jedynie niektóre nazwy zmiennych (w tym nazwy kategorii produktowych). Warto podkreślić, że jest to branża cechująca się relatywnie niską częstotliwością zakupów (przeciętnie kilka razy w roku) i dużą rotacją klientów.

Wykres na górze pokazuje cechy klientów, które w największym stopniu wyjaśniają prawdopodobieństwo odejścia. Jak widać kluczową zmienną jest liczba dni od ostatniej wizyty z zakupem. Nie jest to zaskakujące. Im dłużej nie było klienta, tym mniejsza szansa, że wróci. Model pozwala jednak precyzyjnie określić, w którym momencie wzrost ryzyka jest największy i kiedy trzeba podjąć zdecydowane działania. Jak widać na dolnym wykresie do około 365 dni ryzyko rośnie liniowo. Po przekroczeniu jednego roku nieaktywności, krzywa ryzyka staje się bardziej stroma. Jest to już ostatni moment na podjęcie kampanii antychurnowej.

Interesująca jest także druga pod względem ważności zmienna – liczba wizyt z zakupem produktu z kategorii „A” w ciągu ostatnich 12-mcy. Produkty te są wyjątkowo dobrze oceniane przez klientów i pozytywnie wpływają na ich satysfakcję i retencję.

Oprócz ogólnych wniosków na temat czynników wpływających na zagrożenie utratą klientów, model pozwala na predykcję prawdopodobieństwa utraty konkretnej osoby i wskazanie konkretnych cech, które w jej przypadku to ryzyko zwiększają lub zmniejszają, co przedstawia wykres poniżej. W jego przypadku ryzyko jest stosunkowo niskie (35,5% w stosunku do bazowych 49,6%). Ryzyko zmniejszają m.in. średnia wartość wizyty oraz liczba wizyt w ciągu ostatniego roku. Klient nie korzysta natomiast z produktów wspomnianej wcześniej kategorii „A”, co podwyższa ryzyko odejścia. Zachęcenie (np. przez odpowiednia kampanię) do wypróbowanie produktów z tej kategorii prawdopodobnie w jeszcze większym stopniu obniżyłoby ryzyko jego odejścia.

Radzenie sobie z migracją klientów jest jednym z najważniejszych wyzwań stojących obecnie przed firmami, zważając na to jak kosztowne może być później pozyskanie nowego klienta. Dzięki modelowaniu antychurn dowiemy się, którzy klienci mogą odejść i dlaczego, jakie są objawy zwiększającego się ryzyka odejścia, a także w jaki sposób najlepiej zapobiec odejściu.

Nawet 80% kampanii promocyjnych nie przynosi zauważalnego wzrostu sprzedaży, bądź  koszt przyznanych rabatów jest wyższy niż marża wygenerowana na dodatkowym obrocie – dowodzi badanie Boston Consulting Group. Z tych pierwszych promocji można zrezygnować bez obaw o spadek sprzedaży. Z tych drugich trzeba koniecznie zrezygnować, gdyż ich efekt finansowy jest ujemny. Tymczasem strategia wielu retailerów opiera się właśnie na promocjach. Odnosi się to do większości branż. A co więcej, dotyczy zarówno kanałów stacjonarnych, jak i  handlu online. Presja konkurencji, walka o udziały w rynku, przyzwyczajenia konsumentów powodują, że roczna liczba ofert często idzie w setki, a nawet tysiące. Przestrzeń do optymalizacji jest więc ogromna.  Jak jednak odróżnić promocje zyskowne od generujących straty? Jak zmierzyć rzeczywisty efekt promocji? Czy da się przewidzieć jej wynik zanim w ogóle wystartuje? W jaki sposób lepiej planować promocje?

Pomiar efektu promocji

Kluczem do sukcesu jest pomiar efektów. Bez wiedzy na temat faktycznych wyników promocji menedżerowie są skazani na strategie typu kopiowanie „sprawdzonego” w poprzednich latach kalendarza, reagowanie na działania konkurencji lub po prostu własną intuicję. W teorii zadanie może wydawać się proste. Wystarczy porównać sprzedaż w okresie promocji z… No właśnie… z czym? Do głowy przychodzą różne możliwości:  może sprzedaż sprzed i po okresie promocji? Może sprzedaż w analogicznym okresie poprzednich lat? Może wyłączyć niektóre punkty sprzedaży z promocji i wykorzystać je jako grupę porównawczą?

Jednak popyt na produkty ma często charakter sezonowy i zmienia się niezależnie od promocji. Poprzedni rok mógł być inny ze względu na sytuację makroekonomiczną lub wejście nowego konkurenta na rynek. Dobranie reprezentatywnej grupy porównawczej może być trudne, a dla handlu online wręcz niemożliwe. Dodatkowo promocje nakładają się na siebie. Część z nich intensywnie reklamuje się w mediach, inne tylko przy półce sklepowej. Rzeczywisty świat biznesu jest złożony i nazbyt uproszczone metody analizy mogą doprowadzić do nieprawidłowych wniosków.

Z pomocą przychodzą zaawansowane metody data science. Dzięki nim możliwe jest opracowanie modelu, które weźmie pod uwagę wiele czynników wpływających na efekt promocji. Od objętego nią asortymentu, przez wysokość obniżki, dodatkowe warunki i mechaniki, inne równolegle realizowane kampanie, po pogodę, aktywność reklamową i działania konkurencji. Konieczne jest do tego gromadzenie dokładnych danych o historycznych promocjach i ich cechach charakterystycznych. Odpowiednio przygotowany model pozwala na wyizolowanie wpływu poszczególnych czynników na sprzedaż. Umożliwia to zrozumienie ich oddziaływania, zarówno dla kampanii historycznych, jak i przewidywanie efektu promocji dopiero planowanych.

Wykres poniżej pokazuje możliwą do uzyskania dokładność predykcji modelu. Linia niebieska oznacza rzeczywistą sprzedaż, natomiast linia czerwona sprzedaż prognozowaną przez model. Jak widać obie linie są bardzo blisko siebie. W praktyce nie da się uniknąć pewnych odchyleń, widocznych zwłaszcza w dniach o skrajnie wysokiej lub niskiej sprzedaży. Mimo to model bardzo dobrze identyfikuje trendy i kierunki zmian.

Testowanie promocji przed jej rozpoczęciem

Przygotowany model o odpowiedniej zdolności predykcyjnej pozwala na prognozowanie sprzedaży w zależności od terminu, czasu trwania, zakresu i charakteru promocji. Umożliwia to symulowanie różnych scenariuszy działania i znalezienie odpowiedzi na pytania takie jak:

– czy promocja wygeneruje dodatkową sprzedaż?

– jaki jest najlepszy okres na przeprowadzenie promocji?

– jaki jest optymalny czas trwania promocji?

– jakie wsparcie komunikacyjne warto zapewnić promocji?

– czy biorąc pod uwagę wszystkie efekty promocji opłaca się ją przeprowadzać?

Wykres poniżej przedstawia porównanie sprzedaży przy scenariuszu zakładającym przeprowadzenie promocji (niebieska linia) w porównaniu ze scenariuszem bazowym, w którym zrezygnowano by z promocji w rozważanym okresie (czerwona linia). Widać wyraźnie, że przez większą część trwania promocji niebieska linia jest powyżej czerwonej. Szczególnie duże wzrosty zauważalne są pod koniec okresu promocji, a także na jego początku. Czas promocji był w tym wypadku wyraźnie komunikowany konsumentom stąd kumulacja sprzedaży. W scenariuszu bez promocji sprzedaż rozłożona byłaby bardziej równomiernie z widocznym jedynie okresowym cyklem  tygodniowym. Przeciętny poziom sprzedaży, jak wynika z wykresu, byłby niższy. Wydaje się więc, że promocja ma korzystny wpływ na sprzedaż i powinna być opłacalna. Czy jednak na pewno?

Kompleksowy model promocji

Oceniając efekty promocji, należy spojrzeć nie tylko na wzrost sprzedaży, ale także na inne zjawiska powiązane z promocją. Zjawiska, które nie wystąpiłyby, gdyby promocji nie było. Chodzi przede wszystkim o przesunięcie sprzedaży w czasie (w przykładzie widoczne w okresie tuż przed i tuż po promocji), a także o wpływ promocji danego asortymentu na inne kategorie produktowe. W przypadku kategorii komplementarnych oczekujemy dodatniego oddziaływania na sprzedaż. Jednak w przypadku innych kategorii (na przykład nieobjęte promocją produkty substytucyjne) efekt może być negatywny. To właśnie od wzajemnych relacji pomiędzy tymi różnymi efektami zależy całkowita zyskowność promocji. Konieczne jest więc ich precyzyjne oszacowanie. Umożliwia to zbudowany i przetestowany przy pomocy metod data science model.

Wykres poniżej wizualizuje dekompozycję – rozbicie łącznego efektu promocji na poszczególne składniki. Sprzedaż bazowa to sprzedaż, która zostałaby zrealizowana, gdyby nie było promocji.  Dodatkowa sprzedaż promo została przy pomocy modelu oszacowana na 5,3 mln. To o tyle więcej sprzedaliśmy produktów promowanych dzięki przeprowadzeniu promocji.

Wzrost kategorii komplementarnych to dodatni wpływ promocji na kategorie współkupowane zazwyczaj z produktami promowanymi. Kanibalizacja to negatywne oddziaływanie promocji na sprzedaż innych kategorii produktowych. W tym przykładzie wynosi 9,7 mln, tym samym niwelując cały pozytywny efekt działań promocyjnych. Dodatkowo należy zwrócić uwagę na efekty związane z przesunięciem sprzedaży w czasie. Przed kampanią (efekt oczekiwania) i po kampanii (efekt kupowania na zapas po niższych cenach) pogarszają wynik akcji o kolejne 1,3 mln.  Po uwzględnieniu wszystkich wspomnianych efektów promocji łączna sprzedaż wyniosła 6,8 mln,a więc o 1,8 mln mniej w porównaniu do scenariusza, w którym promocji by nie przeprowadzono. A zatem rzeczywisty inkrementalny wpływ promocji na sprzedaż jest ujemny, czyli promocja nie była opłacalna.

Podsumowanie

Reasumując, uproszczone podejście do analizy promocji i ograniczanie się do efektu zwiększonej sprzedaży produktów promowanych w okresie jej trwania może prowadzić do nieprawidłowych wniosków i nieoptymalnych decyzji. Jedynie kompleksowa analiza przeprowadzona w oparciu o szeroki zakres danych i przy wykorzystaniu zaawansowanych metod data science może odpowiedzieć na kluczowe z punktu widzenia planowania promocji pytania. Precyzyjne modele promocji pozwalają na dokładne oszacowanie poszczególnych efektów, wierną symulację alternatywnych scenariuszy i optymalizację nie tylko pojedynczych kampanii promocyjnych, ale całego ich kalendarza.

Jednym ze sposobów na efektywne przewidywania zakupu jest modelowanie uplift. Poznaj szczegóły tego rozwiązania!

Kanał stacjonarny w zdecydowanej większość branż odgrywa kluczową rolę. Mimo obserwowanego dynamicznego wzrostu udziału e-commerce, nie zmieni się to w najbliższych latach. Reatilerzy myślą więc o rozwoju sieci sprzedaży. Otwarcie nowego punktu sprzedaży pociąga za sobą zazwyczaj konieczność znacznych inwestycji związanych z budową lub najmem i adaptacją lokalu, rekrutacją pracowników, a także ze zmianami w logistyce sieci. Dodatkowo istotny jest potencjalny negatywny wpływ nowego punktu na już istniejące. Dlatego decyzje o rozwoju sieci sprzedaży wiążą się z dużym ryzykiem. W dzisiejszym artykule pokażemy, w jaki sposób data science w połączeniu z danymi geoprzestrzennymi może pomóc w ograniczeniu tego ryzyka i ułatwić podejmowanie lepszych decyzji.

Kluczowe pytania

W kontekście lokalizacji punktów sprzedaży pytania, na jakie data science może pomóc znaleźć odpowiedź, to m.in.:

1. Czy to dobre miejsce na otwarcie nowego sklepu?
2. Czy nowy sklep nie będzie „kanibalizował” sprzedaży moich istniejących sklepów?
3. Jak dużo sklepów powinienem otworzyć, gdzie powinien je otwierać, jak powinna wyglądać optymalna sieć?
4. Które sklepy powinienem zamknąć? Jaki będzie efekt netto zamknięcia sklepu?
5. Czy istniejący sklep wykorzystuje potencjał swojej lokalizacji?
6. Czy jeśli nie otworzę sklepu w danym miejscu, ale zrobi to konkurencja, to wpłynie to negatywnie na moje istniejące sklepy? Na które? Jak bardzo?

Dzisiaj chciałbym skupić my się na dwóch pierwszych pytaniach i pokazać, w jaki sposób analiza danych pomoże podjąć właściwe decyzje.

Dane, dane, dane…

Na początek warto poświecić chwilę na przyjrzenie się źródłom danym, które wykorzystujemy w analizie. Można podzielić je na dane wewnętrzne i konieczne do pozyskania na zewnątrz. Do kluczowych danych wewnętrznych należą:

– historyczne dane sprzedażowe,

– charakterystyka punktów (powierzchnia, charakter lokalizacji – galeria, samodzielny lokal itd., zakres dostępnego asortymentu),

– lokalna aktywność (promocje, obecność w mediach, ulotki, gazetki, bilboardy),

– dane adresowe punktów.

Dane, które trzeba pozyskać z zewnątrz to przede wszystkim:

– dotyczące populacji, charakterystyki demograficznej (rozkład grup wiekowych, płci), dochodów i siły nabywczej,

– o sieci dróg, ich jakości/klasie i natężeniu ruchu,

– geolokalizacja punktów konkurencji,

– czas dojazdu do punktów własnych i konkurencji różnymi środkami lokomocji (w zależności od charakteru i gęstości sieci sprzedaży istotne mogą być różne sposoby transportu).

– czas dojazdu do punktów własnych i konkurencji różnymi środkami lokomocji (w zależności od charakteru i gęstości sieci sprzedaży istotne mogą być różne sposoby transportu).

Niektóre dane mogą być dostępne tylko na poziomie całej gminy (szczególnie dane z Głównego Urzędu Statystycznego). Jednak tam, gdzie to możliwe należy wykorzystywać dane o jak największej ziarnistości. Istnieją źródła, z których można pozyskać dane dla poszczególnych punktów adresowych (konkretnych bloków).

Przy analizie i prezentacji danych rozsądnym kompromisem pomiędzy szczegółem a ogółem może być tzw. siatka kilometrowa. Mapa jest wtedy dzielona na kwadraty o boku długości 1km. Przykłady takich właśnie map będą pojawiać się w dalszej części artykułu.

Dlaczego dokładne dane geograficzne są istotne

Poniżej zobrazowany został prosty przykład różnic we wnioskach, do jakich można dojść w zależności od danych, jakie są do dyspozycji. Mapa po lewej stronie pokazuje odległość od sklepu (do 20 km). Jest to bardzo prosta do wyliczenia miara. Mogłoby się wydawać, że będzie wystarczającym przybliżeniem czasu dotarcia do sklepu. Niestety, jak widać na mapie po prawej stronie, uwzględnienie samej odległości od sklepu wprowadza nas w błąd. Dopiero pokazanie rzeczywistego czasu dojazdu na mapie pokazuje realny obraz zasięgu sklepu. Można zauważyć, że zasięg sklepu rozciąga się wzdłuż ciągów komunikacyjnych (w tym przykładzie rozchodzących się promieniście). Obszary leżące blisko siebie w rzeczywistości mogą cechować się różnym czasem dojazdu. Zbyt duże uproszczenie i rezygnacja z dokładnych danych geograficznych prowadzi do niepoprawnego oszacowania potencjału sklepu i potencjalnie błędnych decyzji.

W jakim kierunku opłaca się rozwijać sieć?

Przeanalizujemy teraz przykład sieci składającej się aktualnie z 4 sklepów. Na mapie poniżej widać ich zasięg. Z każdego obszaru (kwadratu) obliczony został czas dojazdu do najbliższego sklepu. Kierownictwo rozważa różne scenariusze dalszego rozwoju. Jednym z nich jest uzupełnienie „białych plam” w zasięgu sieci. Taki ruch może być interesujący z co najmniej dwóch względów. Po pierwsze na tym obszarze znajduje się miejscowość o, jak się wydaje, potencjale demograficznym, w której można by zlokalizować nowy punkt sprzedaży. Po drugie nowy sklep utworzony pomiędzy już istniejącymi można idealnie wpasować w istniejący łańcuch logistyczny.

W celu oparcia decyzji o dane zostaje przeprowadzona estymacja potencjału nowego sklepu oraz zasymulowany zostaje jego wpływ na dotychczasową sieć.

Mapa po lewej stronie pokazuje zasięg sklepów przed rozszerzeniem. Obszary zostały przypisane do sklepu o najkrótszym czasie dojazdu. Mapa po prawej stronie ilustruje, w jaki sposób zmieni się zasięg istniejących lokalizacji po poszerzeniu sieci oraz jaki będzie zasięg nowego punktu. Widać wyraźnie, że ogólny zasięg sieci zostanie rozszerzony o nowe obszary. Można też zauważyć, że obszary wszystkich z wyjątkiem jednego z dotychczasowych sklepów zostaną nieco uszczuplone. Do podjęcia decyzji nie wystarczy jednak wzrokowa ocena i analiza mapy. Potrzeba precyzyjnych prognoz. Tylko dokładne liczby pozwolą oszacować opłacalność rozważanej inwestycji.

Model predykcyjny

Z pomocą przychodzi model predykcyjny zbudowany w oparciu o uczenie maszynowe. Wykorzystując szeroki zakres dostępnych danych (sprzedażowych, demograficznych, geograficznych), model pozwala na precyzyjną estymację potencjału nowego sklepu i jego wpływu na istniejące punkty. Wykres poniżej przedstawia wyniki modelowania. Jego lewy słupek (‘Dotychczasowa sieć’) przedstawia poziom bazowy, czyli prognozowany poziom sprzedaży całej sieci, gdyby nowy sklep nie został uruchomiony. Kolejny słupek to estymacja sprzedaży w nowym punkcie. Wynik pokazuje, że zwiększy on potencjał sieci. Jednak w porównaniu z innymi, jego wkład będzie relatywnie niższy.

Nowy punkt zwiększy obroty sieci o około 12%. Kolejne słupki pokazują kanibalizację sprzedaży w dotychczasowych punktach. Tak jak przypuszczaliśmy, podczas analizy map, kanibalizacja dotknie 3 z 4 sklepów. Może się wydawać, że żaden sklep nie ucierpi znacząco – przeciętnie zaledwie o około 6% obrotu. Jednak będzie ona stanowiła aż 54% sprzedaży nowego punktu. Zatem większość obrotu nowego sklepu realizowałaby się kosztem dotychczasowych sklepów, a inkrementalny wpływ nowego punktu na łączne obroty sieci wyniósłby tylko około 5%.

Podsumowanie

Ostateczna decyzja o opłacalności inwestycji w otwarcie sklepu w rozważanym miejscu wymaga zestawienia inkrementalnych obrotów (i marży) z koniecznymi nakładami i kosztami działalności. W związku z tym analizę powinno rozszerzyć się także o prognozę marży. Bez tego mogłoby się okazać, że nowy sklep będzie różnił się od dotychczasowych pod względem typowego koszyka produktów, a co za tym idzie ich marżowości. Z pewnością warto rozważyć inne potencjalne lokalizacje, gdyż uzyskany w nich zwrot z inwestycji mógłby okazać się wyższy. Dodatkowo należałoby wziąć pod uwagę także możliwe działania potencjalnej konkurencji. Najwłaściwszym kierunkiem działania byłoby przeprowadzenie kompleksowej analizy i symulacji obejmującej wiele potencjalnych lokalizacji.

Nowoczesne metody optymalizacyjne, jakie na co dzień wykorzystujemy przy projektach w Data Science Logic, pozwalają na symulację wielu równoległych scenariuszy i znalezienie optymalnego kształtu sieci. Dzięki temu modele są w stanie wskazać, które lokalizacje warto otworzyć, a które należy zamknąć. Ostateczne decyzje zawsze należą do ludzi, jednak precyzyjne dane w połączeniu z odpowiednimi metodami ich analizy mogą pomóc je podjąć.

Chcesz wiedzieć więcej na temat ruchu klientów w sklepach stacjonarnych? Zapoznaj się ze szczegółami projektu dotyczącego godzinowych prognoz ruchu i sprawdź, w jaki sposób pomoże to zwiększyć sprzedaż.