что такое kvi корзина
Как ритейлеру определить KVI-позиции в ассортименте
Чтобы привлечь больше покупателей и увеличить прибыль, ритейлеры должны постоянно совершенствовать стратегию ценообразования. KVI-позиции (категории и товары) являются важной частью оптимальной ценовой стратегии и помогают ритейлерам привлекать чувствительных к ценам покупателей и наращивать маржинальность.
Ценовая Стратегия
Согласно свежему опросу PwC, 44% ответивших еженедельно совершали покупки в оффлайн-магазинах в 2018 году, то есть на 4% больше, чем в 2015 году. Кроме этого, только 21% опрошенных отметили, что в основном покупают онлайн.
Тем не менее, хотя оффлайн-ритейл еще удерживает позиции, покупатели все больше используют цифровые инструменты, чтобы найти самое выгодное предложение в смысле цены, времени доставки и инструментов оплаты.
Ожидается, что рынок онлайн-ритейла продолжит расти и достигнет 17,5% от мирового объема розничных продаж к 2021 году. Так как ритейл все больше оцифровывается, бизнесы могут воспользоваться появляющимися трендами в управлении KVI-позициями:
Как определить KVI-позиции
Правильные KVI-позиции, подкрепленные другими элементами сбаланированного ценообразования, увеличивают вовлеченность и лояльность покупателей, а значит, прибыль.
Как KVI-позиции помогают увеличивать прибыль?
Прежде всего, ритейлеры должны составить список наиболее привлекательных для покупателей категорий и товаров KVI и адаптировать их по ценовой зоне и географии. После этого, они должны выставить цены для выбранных товаров на основе цен конкурентов и текущих целей бизнеса, включая целевую долю рынка и прибыль, а также эластичности цены.
KVI-позиции, помимо отличающейся цены, требуют отдельного подхода к размещению на полке, а также к маркетинговым и промо активностям.
Покупатель запоминает цены на такие товары и сравнивает их при посещении разных интернет-магазинов. Если цены на эти товары не превышают допустимый уровень психологического восприятия, то покупатель считает, что и стоимость других товаров оптимальна. Поэтому цены на KVI-позиции (товары-индикаторы) так много значат для продаж магазина.
Чтобы поддерживать стратегию ценообразования оптимальной, ритейлеры должны обновлять цены на KVI-позиции максимально часто.
Мониторинг цен на KVI-позиции
Как управлять KVI-позициями
Как ритейлеры решают, какие товары включать в список KVI-позиций? Как правило, учитываются следующие факторы:
Есть четыре типа KVI-позиций:
Компания McKinsey предлагает несколько способов трансформации процесса отбора товаров и групп товаров KVIs:
Гибкое управление KVI-позициями, основанное на данных, позволяет ритейлерам быстро реагировать на изменения рынка и удовлетворять потребности покупателей раньше конкурентов, что, в свою очередь, значительно увеличивает прибыль.
Выводы
KVI-позиции — очень кажный элемент оптимальной ценовой стратегии, так как они являются ключевыми товарами, на которые ритейлер выставляет цену. Компании все чаще используют решения для сбора данных и оптимизации цены, в то время, как покупатели все больше покупают и собирают информацию о покупках онлайн.
Поэтому ритейлеры должны использовать любую возможность, которую могут предоставить технологии, чтобы сделать свои предложения для KVI-позиций максимально гибкими и персонализированными.
Как машинное обучение помогает розничным сетям оптимизировать цены
Алгоритмы работы машинного обучения не создают новых процессов, они оптимизируют существующие. Как соединить человеческий опыт и современные технологии воедино на примере проектов по оптимизации ценообразования, рассказывает руководитель направления «Оптимизация ценообразования» ГК «Корус Консалтинг» Сергей Воробьев.
Помимо этого, ценообразование способно влиять на продажи постоянным покупателям, привлекать их и удерживать именно в вашей сети.
Для достижения высоких результатов зачастую недостаточно ресурсов компании, времени, а ведь нужно «поспевать» за рынком и требованиями покупателя. И тут на помощь ритейлерам приходит машинное обучение. Давайте посмотрим на задачи, которые можно выполнить при помощи ML.
Автор: ako photography/shutterstock
Автоматическое выявление товаров KVI
Товары группы KVI (Key Value Indicator) – товары из потребительской корзины. Их доля в ассортименте магазина составляет, как правило, около 15%, но может варьироваться в зависимости от разных факторов. Покупатель запоминает цены на такие товары и сравнивает их с другими магазинами. Если психологический порог не превышен, потребитель считает, что весь остальной ассортимент тоже не выше этого уровня. Поэтому так важно уделять повышенное внимание группе KVI и регулярно анализировать смену товарных предпочтений населения.
В большинстве случаев ритейлеры определяют товары KVI по упрощенной схеме. Например, к ним относят топовые позиции продаж в категории или те, что формируют наибольшую долю выручки в категории или сети. Такой подход во многих случаях ошибочен.
Во-первых, не каждый ходовой товар выступает в качестве KVI. «Топ продаж» – это продукт, который отсутствует или присутствует в минимальном количестве у конкурентов. Его оптимальная цена определяется на основе себестоимости и спроса. Допустим, сеть продает кокосовое молоко, его доля в сегменте на рынке занимает 3%. При этом 2% – только у определенной торговой сети. Товар будет продаваться очень хорошо, но не потому, что кокосовое молоко сильно востребовано, а из-за того, что потребители находят товар только у одного ритейлера.
Во-вторых, товары, которые не находятся в числе первых среди покупок населения, могут быть KVI. Продукция, приобретенная в небольшом количестве, может быстро продаваться, но из-за небольшого количества не попасть в топовые. К ней относится, например, дорогой телевизор: его покупают редко, к приобретению готовятся заранее, сравнивая цены по всему рынку. Это товар, который не обусловлен показателями продаж: его стоимость мониторят, поэтому розничные компании выравнивают ее под конкурентов.
Чтобы правильно определять товары KVI, нужно учитывать следующие показатели:
Пенетрация (доля продукции в общем объеме закупок);
Уровень дистрибуции товара;
Илл. 1. Определение KVI для товаров ритейлера
Анализ полученных данных проводится по всему списку товаров ассортимента, для каждого из которых используются исторические данные: продажи, количество товара и др. При расчете алгоритм принимает во внимание ограничения по количеству групп, которые могут содержать товары, не формирующие ценовое восприятие покупателя. По сути, это все товары, которые не находятся в группе KVI.
Учитываются веса бизнес-показателей, которые могут колебаться в зависимости от целей компании. Например, у ритейлера может быть цель максимизировать прибыль, а увеличение выручки для него не так приоритетно. Товары, попавшие в расчет, получают отметку, которая показывает, относится ли товар к группе KVI.
В этом случае ML используется при определении факторов для выявления KVI на основании метрики future importance. Алгоритм перебирает показатели со всеми возможными весами и отбирает релевантные и значимые для целей конкретной сети.
Илл. 2. Расчет отметки для выявления товара KVI
Следующий шаг – регулярный мониторинг цен перечня товаров-индикаторов у конкурентов. Это важно, потому что любое изменение – показатель перемен ценовой политики компании в целом. Например, установка цен на уровне с основным конкурентом. Это помогает поддерживать нужное ценовое восприятие со стороны покупателей.
Кластеризация магазинов на тест и контроль
При установлении цены на новый товар или ее изменении в одном магазине важно правильное прогнозирование реакции реакцию покупателя в другой торговой точке сети. Представьте, как уменьшится лояльность ваших покупателей, если они будут видеть различные цены на одни и те же товары в нескольких магазинах.
Для этого можно запустить пилотный проект оптимизации ценообразования на тестовой группе магазинов. Поскольку методология измерения результатов пилотирования должна быть точной и наглядной, контрольная группа торговых точек должна быть максимально похожей на тестовую. Проводя регулярные замеры пилота, мы можем своевременно отслеживать динамику изменения продаж и управлять бизнес-стратегиями и ограничениями, настраиваемыми в системе ценообразования. Это позволит добиться достижимого результата за весь тестовый период.
Чтобы понимать сопоставимость двух магазинов, нужно посмотреть на следующие критерии:
Средний чек в торговой точке;
Доля выручки категорий.
Динамика изменений перечисленных показателей в магазинах должна быть максимально схожа на протяжении длительного периода.
В рамках созданных критериев можно сделать предположение, что алгоритм должен сводиться к задаче кластеризации временных рядов, то есть к разделению данных на отдельные кластеры таким образом, чтобы различия между объектами внутри групп были минимальными, а между самими группами – максимальными.
Чтобы выделить в полученной информации ясные закономерности, нужно сконструировать хорошую функцию близости. Если представить, что временной ряд – это сигнал, изменяющийся во времени, то алгоритмы для анализа и распознавания речевых сигналов хорошо справляются с задачей нахождения максимально близких друг другу магазинов.
Здесь можно использовать ML, а конкретно – алгоритм динамической трансформации временно́й шкалы (dynamic time warping, DTW). Он позволяет найти оптимальное соответствие между временными последовательностями. Для определения тестовых или контрольных магазинов мы берем какой-нибудь показатель сети, например, средние чеки двух магазинов, и сравниваем их величины. У каждой пары получается взвешенная величина. ML позволяет выявить самую близкую пару двух магазинов, чтобы потом объединить их в единую пилотную зону или провести в них тесты.
Когда вы обнаружите явные закономерности и выделите магазины в группы, то сможете создать единую ценовую среду для этих точек и определить портрет целевого покупателя. В таком подходе к клиенту ценообразование будущего – когда сеть знает «своего» потребителя. При этом она может влиять и наращивать объем и содержание ценовой корзины, увеличивать трафик и, как следствие, объем продаж.
Даже не самые сложные модели машинного обучения способны помочь бизнесу оптимизировать многие процессы, достичь роста основных финансовых показателей, снизить расходы. Но не стоит внедрять машинное обучение, потому что это популярно. Для чистоты результатов, на базе которых строятся описанные выше методологии, требуется валидность данных. Прежде чем запускать ML, убедитесь в необходимости затрачиваемых мощностей и оцените возможный эффект.
Какие метрики помогут выбрать KVI-товары?
KVI-товары определяют ценовой имидж магазина и влияют на восприятие потребителем всего торгового предложения. Если покупатель видит отличные цены на товары-индикаторы, то решает, что и цены на другие товары подходящие.
Из 10 тысяч позиций ассортимента у вас может быть всего 300 KVI-товаров. Управление ценами на эти товары позволит привлекать покупателей. Вы можете предлагать суперцены на iPhone, но продавать еще дополнительные аксессуары и на них зарабатывать. В данном случае смартфоны iPhone — это KVI-позиции, а аксессуары к ним — это товары Back Basket.
KVI-анализ проводится на основе внутренних данных и внешних источников. Внутренняя информация покажет наиболее популярные товары в магазине на данный момент. С помощью внешнего анализа можно понять, какие из позиций ассортимента также являются KVI, но пока что не востребованы покупателями.
Итак, для того, чтобы выбрать KVI-товары, нужно определить:
1. Какие товары пользуются спросом на вашем сайте
В этом случае нужно замерить, какие позиции чаще всего продаются в вашем магазине. Здесь нам поможет статистика продаж. По ней можно определить наиболее популярные покупки.
Также необходимо учитывать полную статистику сайта, чтобы определить товары-трафикогенераторы. Нужно найти страницы с максимальным количеством просмотров, страницы входа, проанализировать брошенные корзины. Если 30% пользователей переходят на ваш сайт со страницы конкретного товара, то он определенно популярен.
При выборе KVI-товаров можно ориентироваться на показатели выручки, прибыли и товарооборота по каждой позиции. При этом обратите внимание на следующие моменты:
Верный подход — проанализировать ваш ассортимент одновременно на основе 3-5 показателей. Затем проверить полученный список на предмет логики, чтобы исключить ненужные позиции.
Иногда специалисты советуют исключать из KVI-анализа товары собственной торговой марки, так как они не имеют прямых аналогов у конкурентов. На наш взгляд всё не так однозначно. Товар вашего производства может стать KVI — покупатели будут приходить за ним, а заодно заказывать и другие товары в вашем интернет-магазине. Это произойдет в том случае, если вы предложите оптимальное соотношение “цена-качество” по сравнению с товарами-аналогами других брендов.
Сервис Metacommerce разработал функционал, который позволяет сравнивать товары собственных торговых марок с аналогичными товарами конкурентов.
2. Какие товары популярны в интернете с учетом региональных предпочтений и целевой аудитории
Это поможет увеличить приток новых покупателей, которые пока что не покупают товары на вашем сайте из-за невыгодной цены. Для этого вам нужно проанализировать:
С помощью сервиса Wordstat можно посмотреть статистику поиска и количество поисковых запросов по городам и регионам.
Кейс по выявлению товаров KVI с помощью машинного обучения
Работа по кластеризации товаров в ритейле в основном цифровизирована только в части сбора информации о ценах конкурентов. Сеть из 50 гипермаркетов с собственным интернет-магазином и доставкой пошла дальше и внедрила сервис с алгоритмами машинного обучения для выявления KVI-товаров.
Ольга Артюшкина, руководитель Центра Корпоративных Инноваций в компании «Первый Бит» рассказывает, как это работает.
О кластеризации товаров и зачем это нужно
По данным исследования PwC 75% опрошенных назвали цену ключевым фактором в принятии решения о покупке. Но помнить стоимость всех товаров невозможно. Поэтому ритейлеры ведут постоянную работу по выявлению товаров, по которым покупатели сравнивают уровень цен в магазине. Это и есть кластеризация.
KVI (Key value indicator) – товары-индикаторы, формирующие ценовой имидж магазина. Трафик магазина и возвращаемость клиентов напрямую зависят от цен на KVI. Распространенным примером товара индикатора являются бананы. Вы наверняка слышали, что именно по ним люди сравнивают цены в супермаркетах.
В работе по выделению KVI-товаров и специальному управлению ценой на них есть противоречие. Тяжело не согласиться с тем, что специальное удержание низкой цены на товар широкого потребления может привести к тому, что он станет индикатором даже, если до этого им не был. Поэтому некоторые эксперты считают, что на самом деле KVI нет, и работа в этом направлении бесполезна.
Кроме KVI ещё выделяют товары Back Basket и Long Tail. Back Basket – товары с пониженной чувствительностью к цене и широкими возможностями увеличения их маржинальности. В большинстве случаев к этой группе можно отнести самоклеющиеся бумажные блоки для записей. Помните, сколько они стоят? Наверняка какая-то цена у вас в голове всплыла. Их реальная цена: блок из 25 листов можно купить за 50 рублей по акции, без неё за 105 в супермаркете, а в магазине канцтоваров за 25 рублей.
Long Tail – нишевые товары и товары с длинным циклом между покупками. Ценовая чувствительность у них низкая, а маржинальность высокая. Выделение этой группы произошло после широкого распространения интернет-торговли. Онлайн-покупки позволили покупателям находить уникальные для себя товары. На Амазоне продажа нишевых товаров занимает больше половины от всего оборота. 20% фильмов, которые покупают на Netflix, не выходили в широкий прокат.
Ещё выделяют товары первой цены (ТПЦ) – это социальная продуктовая корзина. В моменты, когда цена на гречку была высокой, некоторые ритейлеры стали продавать её за цену, которая ниже себестоимости. Это позволило привлечь внимание к магазину и показать социальную ориентированность.
Кроме гречки к ТПЦ относятся разные продуктовые наборы, которые отражают стоимость приготовления сезонных блюд: «индекс борща», «индекс окрошки», «индекс оливье» и т.п. Если ритейлер придерживается стратегии ценового лидерства, то работа по отслеживанию и своевременной коррекции цен на эти товары является ключевым элементом успеха.
Для кластеризации товаров по ценовой чувствительности чаще всего прибегают к ABC-анализу. Аналитики или категорийные менеджеры сортируют товары по продажам: в рублях, штуках, валовой прибыли. Может добавляться показатель пенетрации. Некоторые ритейлеры относят к KVI товары-лидеры продаж в своей категории по штукам и транснациональные бренды с низкой маржинальностью.
Чем алгоритмы машинного обучения лучше людей
Кластеризация товаров с помощью машинного обучения происходит на основании анализа данных из всех доступных чеков сразу по всем SKU. Товары анализируются на уровне региона или кластера, магазинов. Человеку не под силу обработать такой объем информации за то же время.
Как алгоритмы машинного обучения выявляют KVI
Упрощая детали можно сказать, что показателем чувствительности к цене для алгоритма является то, насколько хорошо покупатели помнят стоимость товара. KVI-товарами считаются те, которые покупаются почти ежедневно и в определенной продуктовой корзине.
Товар, который периодически встречается в повторяющемся продуктовом наборе с высокой вероятностью относится к группе KVI. На него нужно держать рыночную цену или даже ниже, чтобы сохранять и увеличивать трафик магазина. Back Basket и Long Tail – товары, на которых можно больше зарабатывать за счет увеличения цен.
Как происходит кластеризация
Товары группируются на основании анализа каждого доступного чека и позиций в них. Сервис интегрируется с учетной системой ритейлера или онлайн-кассами и загружает чеки. Важным входным параметром является средняя наполняемость чека, в разных направлениях ритейла она сильно различается. Этот параметр задается специалистом розничной сети. Весь анализ происходит автоматически. Алгоритмы собирают и обрабатывают данные из каждого конкретного чека.
Сервис выявляет пересечения: то, как часто встречаются одни и те же товары. Отдельно выделяется длина последовательности – какое количество одних и тех же товаров повторяется из чека в чек.
В 20 чеках из 10 позиций повторяются три товара: хлеб, молоко и яйца. При сравнении миллионов чеков магазина можно увидеть повторение уже 4 и 6 товарных позиций. Алгоритм считает, что товары, которые повторяются в 6 последовательностях, более чувствительны к изменению цены, чем в 3 и т.д.
Кластеризация с помощью АВС-анализа не позволяет выявить длину последовательности повторения товаров в чеках. Значит при таком способе можно пропустить чувствительные к цене товары.
Привязка ценовой чувствительности товара к количеству повторений позиций в чеке основана на суждении, что ежедневно человек покупает примерно одинаковый набор продуктов и помнит цену на них. Стоимость редко приобретаемых товаров наоборот незначима для покупателей.
Параметры кластеризации
В результате кластеризации с помощью алгоритмов машинного обучения формируется список с классами товаров. Место товара определяется с помощью алгоритма спектральной кластеризации. Так это выглядит в реальном интерфейсе:
Basket weight и Prod weight – показатели повторяемости товаров в чеках. Basket weight – частотность товара среди повторяющихся позиций в чеках. Prod weight – длина последовательности повторяющихся позиций, среди которых встречается товар.
Машинное обучение также учитывает:
● как товар покупается при его наличии – Saleability, где единица означает продажу каждый день;
● прогноз продаж в будущем;
● пенетрация или конверсионность товара (частотность его попадания в чек в сравнении с другими) – Occupancy;
● себестоимость – Cost;
● и другие.
Сравнение сразу всех выявленных параметров позволяет присвоить товару класс: Hard KVI, Soft KVI, Back Basket и Long Tail. Разберем на примере как это работает.
У Чупа-Чупса высокие показатели пенетрации, но его всегда покупают вместе с разными товарами. У него нет четкого прослеживаемого паттерна покупки вместе с какими-то часто повторяющимися наборами. Поэтому он относится к BackBasket так же, как и жевательная резинка.
Чупа-Чупс, скорее всего, покупается по дороге на кассу для ребенка, но делается это не в каждый поход в магазин. Жевательная резинка в похожей ситуации – её тоже не покупают при каждом посещении магазина. Значит, цену на эти товары покупатели, скорее всего, хорошо не помнят. Но может быть и обратная ситуация.
Корм для кошек покупают редко, в среднем 6 товаров в день, когда он есть в наличии. В сравнении с бананами это очень низкое число. Но товар почти всегда входит в чеки с повторяющимися наборами. Корм для кошек берут каждый день при его наличии вместе с молоком яйцами и хлебом.
Очевидно, что покупателей, у которых есть кошка, меньше чем остальных. Отсюда и невысокая пенетрация товара в чеки магазина. Но человек, у которого есть кошка покупает корм каждый раз, когда собирает для себя стандартную продуктовую корзину. Значит он помнит и отслеживает цену на все товары этой корзины. Алгоритм видит ценность кошачьего корма и то, почему количество его продаж небольшое, поэтому относит его к Soft KVI.
Сравнение работы машинного обучения с АВС-анализом ассортимента
Машинное обучение не учитывает прибыль размер продаж в рублях, на которую смотрят аналитики. Клиентам всё равно какие объемы продаж у ритейлера. Им важно, чтобы в магазине можно было купить стандартный набор примерно по той же цене, что и вчера.
Корм для кошек из примера выше с высокой вероятностью никогда бы не попал в список KVI при кластеризации с помощью АВС-анализа. Значит магазин терял бы лояльных потребителей и деньги.
Среди покупателей могут быть приверженцы здорового питания, которые часто покупают авокадо, холостяки покупающие сосиски и т.д. У разных магазинов одной сети разные группы потребителей. Машинное обучение позволяет выявлять товары, которые важны конкретным группам покупателей конкретных магазинов: на уровне кластера, формата или региона.
С помощью машинного обучения категорийные менеджеры без труда пересматривают список KVI-товаров раз три месяца и принимают нужные меры по управлению ценами на них.
Что происходит после кластеризации
Для каждой категории можно задать свои правила автоматизированного ценообразования. По товарам Hard и Soft KVI стоит проводить конкурентное ценообразование. Сервис, который используется для кластеризации позволяет автоматически парсить данные конкурентов и выставлять нужную стоимость на них.
Рассмотрим такую работу на примере корма для кошек.
Парсинг показал, что 28 сентября в Ленте товар стоил 16,49 и алгоритм автоматически скорректировали цену в магазинах нашей сети. Если есть гипотеза, что при снижении цены увеличится трафик и количество покупок, в правило ценообразования закладывается цель: выявить максимально возможное уменьшение цены. Правильная работа с KVI приводит к увеличению лояльности покупателя и его возвращению в магазин. Это можно увидеть на примере с кассетами для бритья.
Кассеты Gillette стоили в сети 1299 рублей. В «Магните» и «Ленте» цена на них была меньше. Алгоритм попробовал снизить цену до 1260, затем было увеличение. Рост стоимости позволил увеличить валовую прибыль и объем продаж. По высокой цене удалось продать больше товара, чем за весь год, больше чем в феврале. Одна из причин роста продаж – планомерная работа с KVI, которая позволила привлечь новый поток покупателей.
Пример можно рассмотреть и с другой стороны. Низкая цена на этот же товар в «Ленте» может быть связана с тем, что у них он относится к другой группе. Покупатели могут специально ехать в «Ленту» для покупки именно кассет для бритья, так как они там дешевле. Поэтому стабильно низкую цену на эту позицию в «Ленте» едва ли можно назвать совпадением.
Вывод: использование алгоритмов машинного обучения для определения KVI-товаров позволяет получать точные и актуальные данные быстро и с необходимой периодичностью. Это требует минимальных ресурсов. Задача людей – передавать правильные данные в систему. В результате увеличивается поток клиентов и валовая прибыль.
Ольга Артюшкина,
руководитель Центра Корпоративных Инноваций в компании «Первый Бит».
Для New Retail*.
*При использовании материала ссылка на источник обязательна.