Владимир Мараков
+7 915 970 1080
vladimirmarakov@gmail.com
+7 915 970 1080
vladimirmarakov@gmail.com
Андрей Шмотьев
+7 909 941 0000
andrei@shmotev.com
+7 909 941 0000
andrei@shmotev.com
Адрес: г. Москва, ул. Долгоруковская, дом 7, офис 454
СИСТЕМА АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ПОВЕДЕНИЯ ПОКУПАТЕЛЯ
ДЛЯ
УМЕНЬШЕНИЯ ТОВАРНОГО ОСТАТКА И УВЕЛИЧЕНИЯ ОБЩЕЙ МАРЖИНАЛЬНОСТИ
Легендарный американский коммерсант, изобретший ценники и открывший первый универсам, Джон Ванамейкер как-то сказал:
Половину денег на рекламу я трачу впустую,
беда в том, что я не знаю которую.
Спустя сто лет ситуация наконец-то стала меняться. Интернет сделал возможным получать точную и подробную информацию обо всех действиях потенциального покупателя. Анализ поведения в соцсетях, статистика поисковых запросов, карты распределения внимания и прочие онлайн-инструменты дают маркетологам объективные данные для управления бизнес-процессами.
К сожалению, новейшие технологии очень медленно проникают из интернета в физическую реальность. В офлайн-торговле мы всё еще используем устаревшие и необъективные механизмы сбора и анализа данных, такие как опросы, анкетирование, фокус- группы и т. п. Достаточно сказать, что методу фокус- групп, например, в следующем году исполнится 75 лет. Но главная проблема таких методов — это
НЕТОЧНОСТЬ
и
НЕОБЕКТИВНОСТЬ
и
НЕОБЕКТИВНОСТЬ
Ведь они основаны на личных оценках, а человеку свойственно ошибаться.
Какие же технологии должны прийти на смену старым методам? Прежде всего необходимо исключить субъективный фактор. Это обеспечивают
инструментальные системы сбора информации.
Благодаря им мы можем отследить перемещение каждого покупателя в магазине, определить, сколько времени он провел в том или ином отделе, как
он обращался с каждой единицей товара. Просто повертел в руках, примерил, примерил и купил —
все эти действия можно зафиксировать с абсолютной точностью.
он обращался с каждой единицей товара. Просто повертел в руках, примерил, примерил и купил —
все эти действия можно зафиксировать с абсолютной точностью.
Ритейл-гиганты Amazon, Walmart и Inditex поставили цель к 2021 году
промаркировать весь товар RFID-метками
для визуализации системы поставок, улучшения качества обслуживания клиентов и расширения возможностей получения прибыли
Представляем вашему вниманию революционную систему анализа и прогнозирования поведения покупателя —
Набрав достаточно статистики, мы можем с большой вероятностью предсказать дальнейшую судьбу той или иной линейки товара. Самое главное —
мы можем анализировать не только продажи, но и непроданные товары,
что невозможно сделать путем опросов.
Каждый образец товара получает уникальную радиочастотную метку.
Специальные датчики отслеживают все перемещения такой метки с высокой точностью и скоростью (1000 меток в секунду, до 100 км/ч каждая).
Информация от всех датчиков накапливается в базе данных на сервере.
Самообучающаяся нейросеть постоянно сопоставляет данные датчиков и статистику по продажам.
В результате уже через месяц работы
Специальные датчики отслеживают все перемещения такой метки с высокой точностью и скоростью (1000 меток в секунду, до 100 км/ч каждая).
Информация от всех датчиков накапливается в базе данных на сервере.
Самообучающаяся нейросеть постоянно сопоставляет данные датчиков и статистику по продажам.
В результате уже через месяц работы
система может прогнозировать товарные остатки с вероятностью 80 %,
Как это работает?
и эта точность растет по мере накопления статистики.
Рассмотрим работу нашей системы на примере торговли обувью. Статистические замеры проводились в 2017–2018 годах в восьми магазинах, продающих такие бренды, как Ecco, Chester, TJ Collection, Carnaby. Это позволило нам выделить признаки образования товарного остатка на ранних стадиях.
Основной эксперимент проводился в трех магазинах другой сети, расположенных в шаговой доступности от Белорусского, Павелецкого, Курского и Савеловского вокзалов. В течение нескольких лет эти магазины имели примерно одинаковую статистику продаж. Всего в каждом магазине закупалось
по 7000 пар обуви, около 1500 пар было выставлено в торговом зале. В этих магазинах была развернута система AFTETIX, и еще один магазин использовался как контрольный.
по 7000 пар обуви, около 1500 пар было выставлено в торговом зале. В этих магазинах была развернута система AFTETIX, и еще один магазин использовался как контрольный.
В течение первого месяца собиралась статистика
и определялся рейтинг популярности товаров. Исходя из этих данных,мы разбили товар на шесть групп.
и определялся рейтинг популярности товаров. Исходя из этих данных,мы разбили товар на шесть групп.
Первая группа — это товары, на которые почти не обращали внимания,
а шестая группа — товары, к которым проявляли наибольший интерес.
а шестая группа — товары, к которым проявляли наибольший интерес.
Во втором магазине с третьей недели сентября были введены ранжированные скидки на явно отстающий по популярности товар (1–2-я группы), а в декабре — сезонные скидки. Остаток к февралю составил примерно 25 %.
В первом магазине в декабре ввели сезонную скидку, не делая различий между группами. Товарный остаток к февралю составил примерно 37 %, что являлось нормой для данной сети.
В третьем магазине с третьей недели сентября на интерактивных экранах транслироваласьреклама непопулярных товаров(1–2-я группы), причем реклама включалась в тот момент, когда посетитель брал в руки пару обуви. Показывалась дополнительная информация: имя дизайнера, особенности и качество материалов и т. п. Такой подход вызвал рост продаж этих товаров. В декабре также были применены сезонные скидки. Остаток к февралю составил примерно 15 %.Метод, использовавшийся в третьем магазине, позволил резко увеличить продажи. В течение всего эксперимента третий магазин показывал значительный отрыв от первого и второго.
Исключение человеческого фактора (опросы покупателей, мнения продавцов и т. п.) позволило получить намного более точный и быстрый прогноз. Мы сравнили результаты тестов с оценками, полученными при опросе фокус-групп. AFTETIX ранжировал популярность товаров с точностью 89 %, а фокус-группы — 54 %.В отношении товарного остатка точность прогноза AFTETIX составила79 %, фокус-группы — 33 %.
Кроме того, исследование показало, что продавцы
не способны достоверно
оценить интерес покупателя к непроданному товару. Например, при определении товара, к которому посетители не проявляли никакого интереса, продавцы назвали 24 модели, а AFTETIXуказал на 139 моделей. Точность системы AFTETIX в шесть раз превысила точность продавцов.
не способны достоверно
оценить интерес покупателя к непроданному товару. Например, при определении товара, к которому посетители не проявляли никакого интереса, продавцы назвали 24 модели, а AFTETIXуказал на 139 моделей. Точность системы AFTETIX в шесть раз превысила точность продавцов.
Экономическое обоснование
В эксперименте средняя пара обуви стоила 3800 руб.В каждом магазине закупалось порядка 7000 пар обуви.
Средняя цифра снижения товарного остатка составляла 42% или 1540 пар. Таким образом, увеличение выручки составило 5,8 млн руб. на магазин или 830 руб. на пару.
Это результат только снижения товарного остатка, без учёта ранжирования скидок, которое даст дополнительный эффект.
Средняя цифра снижения товарного остатка составляла 42% или 1540 пар. Таким образом, увеличение выручки составило 5,8 млн руб. на магазин или 830 руб. на пару.
Это результат только снижения товарного остатка, без учёта ранжирования скидок, которое даст дополнительный эффект.
Коммерческое предложение
Цена (программно-аппаратный комплекс, включая RFID-метки):
от 100 руб. за пару (в зависимости от количества пар, выставленных в зале). Абонентская плата до 30 000 руб. в месяц за первый магазин.
За каждый следующий магазин абонентская плата снижается на 5 000 руб. до минимума 10 000 руб.:
1 магазин – 30 000 руб.;
2 магазин – 25 000 руб.;
...
5 магазин и все последующие – 10 000 руб. в месяц.
В эту стоимость входит обслуживание системы, обучение персонала, настройка и обучение математического модуля.
от 100 руб. за пару (в зависимости от количества пар, выставленных в зале). Абонентская плата до 30 000 руб. в месяц за первый магазин.
За каждый следующий магазин абонентская плата снижается на 5 000 руб. до минимума 10 000 руб.:
1 магазин – 30 000 руб.;
2 магазин – 25 000 руб.;
...
5 магазин и все последующие – 10 000 руб. в месяц.
В эту стоимость входит обслуживание системы, обучение персонала, настройка и обучение математического модуля.
