Предсказания оптом и в розницу. Как прогнозируют ваше поведение известные розничные сети

Архив

В декабре 2005 года произошло важное для отечественного ритейла событие. Третья по уровню информатизации розничная сеть "Перекресток" запустила в опытную эксплуатацию систему прогнозирования спроса Goods4Cast от компании Forecsys. Внедрение подобного ПО в крупной сети (оборот "Перекрестка" в 2005 году превысил 1,2 млрд. долларов) говорит о том, что российская розница наконец-то почувствовала потребность в новых ИТ-инструментах и готова платить за них солидные суммы.

В декабре 2005 года произошло важное для отечественного ритейла событие. Третья[Рейтинг CNews Analytics по итогам 2004 года. Первое и второе места занимают "Пятерочка" и "Евросеть" соответственно] по уровню информатизации розничная сеть "Перекресток" запустила в опытную эксплуатацию систему прогнозирования спроса Goods4Cast от компании Forecsys. Внедрение подобного ПО в крупной сети (оборот "Перекрестка" в 2005 году превысил 1,2 млрд. долларов) говорит о том, что российская розница наконец-то почувствовала потребность в новых ИТ-инструментах и готова платить за них солидные суммы.

 

Технологии ритейла

Основную массу отраслевых информационных систем, применяемых розничными сетями, составляют программные продукты, реализующие управление цепочками поставок (Supply Chain Management, SCM) и прочие методики с упором на логистику и работу со складами (Warehouse Management System, WMS). На более высоком управленческом уровне бал правит ERP-классика.

Специализированные ERP-системы для розничной торговли прочно занимают свою нишу на рынке корпоративной автоматизации. Даже в России они используются относительно давно - с 2000 года. Крупные розничные сети отдают предпочтение зарубежным продуктам: в частности, "Копейка" и "Эльдорадо" выбрали SAP for Retail, ГУМ - J. D. Edwards OneWorld, а упоминавшийся выше "Перекресток" внедрил один из модулей Axapta.

Розничные структуры с меньшими потребностями и относительно скромным бюджетом (годовой оборот от 10 до 100 млн. долларов) склоняются к отечественным разработкам - например, решениям от "1С". Бессмертный хит этой компании - "1С:Предприятие" - управляет работой сети фирменных магазинов Adidas, а также деятельностью таких сетей, как "Связной", "Патэрсон" или "Молодая гвардия". У российских систем помимо цены есть и другие достоинства. В первую очередь, "заточенность" на отечественную специфику (наверное, не стоит уточнять, что под этим подразумевается).

Одновременно в розничной торговле то и дело появляются новые тенденции - например, стремление к персонализации (или, если угодно, кастомизации) каждого клиента или стратегическое ценообразование, игнорирование которых чревато существенным снижением конкурентоспособности. В результате на пробу розничным торговцам постоянно выдаются все новые и новые программные продукты, призванные решить возникающие проблемы индустрии. Так, несколько лет назад наблюдался бум продаж CRM-систем для персонализации потребителя (этот подход, впрочем, подозрительно часто оборачивался убытками для тех, кто пытался реализовать его на практике).

А вот идея оптимизации ценообразования по-прежнему вызывает интерес у розничного бизнеса. Напрямую связаны с нею такие перспективные направления в автоматизации розницы, как анализ мёрчендайзинга, а также планирование спроса и заказов. Для реализации этих подходов необходимо решить главную проблему - анализа и прогнозирования потребительского поведения. Наличие знаний о том, какой товар и в каких объемах будет востребован на рынке через заданный период времени, позволяет существенно скорректировать формирование ассортимента, размещение продукции и стимулирование покупок. А оптимизация этих процессов позволит точнее разработать стратегию ценообразования и заодно повысить лояльность клиентов.

Если же подобные мёрчендайзинговые системы интегрировать с ПО, управляющим дистрибьюторским центром и складами, то в довесок розничная сеть получает прозрачность всей цепочки движения товара к потребителю и сокращение складских запасов. Но все эти прелести пока остаются для подавляющего большинства ритейлеров лишь предметом фантазий. Мировая же доля внедрения соответствующего софта в розничных сетях составляла от 1 до 5%. Воплотить мечту в жизнь в новом году, похоже, решили в "Перекрестке", и есть основания полагать, что подобные мероприятия в ближайшем будущем проведут и конкуренты этой сети.

Такой "цивилизованный" подход к розничным продажам в России находится на начальной стадии развития: до последнего времени отечественные предприятия ритейла, даже крупные, обходились без автоматизированного прогнозирования спроса. Менеджеры составляли планы продаж, заключали договоры на поставку товаров, заполняли склады и ждали, пока потребители все раскупят. Главной задачей продавцы считали не сокращение издержек для уже существующих точек сбыта, а рост сетей - например, за счет регионов.

Но постепенно служители Меркурия поняли, что прикидывать спрос "на глазок" чревато избыточными запасами, внеплановыми распродажами, дефицитом. Ассортимент супер/гипермаркетов исчисляется десятками тысяч наименований, и осуществлять "ручное" планирование по каждому из них физически невозможно. Да и непрерывно обостряющаяся конкуренция (которая обусловлена в том числе и выходом на российский рынок зарубежных сетей, уже использующих в работе ИТ-решения для анализа и прогнозирования спроса) и, как следствие, трудности с "воспитанием" лояльности покупателей к отдельному розничному брэнду заставляют внимательнее присматриваться к инновациям.

 

Кто встал на "Перекрестке"?

Функциональность системы (а точнее, платформы) Goods4Cast, которую сейчас тестирует "Перекресток", реализуется за счет интегрированной работы семи программных модулей, отвечающих за прогнозирование объемов ежедневных продаж (это делает ядро системы), планирование и оптимизацию закупок, верификацию и обнаружение ошибок в данных, контроль доступности товаров на полках, анализ эффективности воздействий на спрос, оптимизацию объемов страховых запасов и контроль качества прогнозов. Непременной составляющей является первый модуль, а все остальные заказчикам предлагается покупать выборочно, в зависимости от конкретных потребностей.

Центральная часть Goods4Cast - модуль прогнозирования будущих продаж. Он поставляет львиную долю данных, используемых другими модулями системы (для расчета момента и объема закупки, объема обязательного запаса на складе), а потому точность прогноза является критическим фактором, определяющим эффективность системы в целом. Замечу, что алгоритмы прогнозирования центрального модуля минимизируют не ошибки прогноза, а суммарные потери, так как обычная "статистическая" погрешность в 3–5 процентов при миллиардном обороте выливается в весьма впечатляющие суммы.

Для каждого товара система автоматически выбирает подходящий алгоритм, вносит коррективы по взаимному влиянию товаров и рассчитывает доверительный интервал для оценки погрешности прогноза. По мере работы системы и накопления данных о продажах появляется возможность контролировать точность алгоритмов с возможной их перенастройкой.

В свою очередь, модуль планирования закупок позволит избежать таких малоприятных явлений, как замораживание средств, снижение оборачиваемости, затоваривание складских площадей, нехватка места для других товаров при чрезмерной закупке или отсутствие товара на полке (а это не только ведет к снижению продаж, но и негативно сказывается на отношении покупателей) при запоздалой или недостаточной закупке. От системы в этом случае требуется выбрать оптимальный момент и объем закупки.

Исходными данными для принятия этого решения служат такие показатели, как объем текущих товарных остатков, предполагаемый период, по истечении которого заказанный товар появится на прилавке, объем сделанных (но еще не доставленных) заказов, предполагаемый объем продаж и размер обязательного (страхового, неснижаемого) запаса. Данные о прогнозируемом объеме продаж импортируются из ядра системы. Страховой запас вычисляется с учетом возможных колебаний спроса и задержек доставки и тоже может быть определен отдельным модулем системы. Остальные показатели импортируются из системы учета розничной сети.

Оптимальный момент закупки определяется исходя из утверждения, что к поступлению новой товарной партии в магазин страховой запас оставался нетронутым.

Оптимальный объем партии определяется таким образом, чтобы суммарные издержки на единицу товара были минимальными. Издержки пропорциональны времени нахождения товара на складе и занимаемому партией объему. Кроме того, учитываются издержки, связанные со сроком годности товара. Они зависят от прогноза продаж, так как равны стоимости товара, который не удастся продать до истечения срока годности.

Исходными данными для следующего модуля, ответственного за определение оптимального размера страхового запаса, являются значения приемлемого уровня доступности, проставляемые заранее на этапе формирования товарных категорий. Заданы эти уровни могут быть по-разному. Например, можно указать количество дней, в течение которого товары конкретной группы могут отсутствовать на полках магазина. Оптимальный запас определяется для каждой группы исходя из утверждения, что установленный уровень доступности должен быть неизменным в случае внезапного возрастания спроса или задержки поставок. Модуль также учитывает точность предыдущих прогнозов продаж того или иного товара.

В основе модуля контроля доступности лежит алгоритм, выявляющий необычное снижение или остановку сбыта. Данный компонент может оказаться полезным в том случае, если товар отсутствует в магазине, однако этот факт не отражен в системе учета (показывается наличие остатка), а также если имеющийся товар потерял качество или находится в неположенном месте. Разумеется, подобные инциденты обнаруживаются при проведении ежегодной инвентаризации, но достоинство модуля состоит в том, что он позволяет реагировать на такие ситуации очень быстро - до нескольких раз в день. В том же модуле реализована работа с противоречивыми данными по выявлению продаж при отрицательных остатках, выявлению отсутствия сбыта при положительных остатках и т. п. с занесением сведений об отклонениях в специальный журнал.

Функциональность у модуля оценки эффекта от воздействия на спрос довольно проста. Компонент определяет разницу между уровнем продаж, достигнутым с помощью промоакции, и спрогнозированным уровнем, который был бы получен без проведения акции.

Модуль контроля качества прогнозирования анализирует случаи ошибочных прогнозов спроса. При обнаружении чрезмерной или недостаточной закупки система предлагает пользователю выбрать один из сценариев для данного товара: запрещение прогноза в дальнейшем, ручное проведение прогноза или корректировка модели. Интересной представляется возможность своеобразного бэкапа - воссоздания условий работы на какой-либо день в прошлом для более подробного анализа отклонений. Автоконтроль качества позволяет оперативно корректировать алгоритмы прогнозирования и выявлять "слабо предсказуемые" товары.

 

Мировой рынок прогнозирования

За рубежом системы прогнозирования спроса уже отвоевали себе место под солнцем и являются непременным атрибутом ИТ-структуры почти любого крупного торгового предприятия, в том числе Dell, BestBuy, Coca-Cola и Philip Morris. Срок окупаемости систем, ориентированных на управление спросом, на Западе составляет от девяти месяцев до двух лет.

По мере формирования рынка соответствующего ПО определились лидеры среди вендоров. К таковым можно отнести, в частности, компанию i2 Technologies, которая специализируется на SCM- и WMS-системах. Ее решениями пользуются двадцать из тридцати трех ведущих розничных сетей по рейтингу Fortune. За прогнозирование спроса отвечают мёрчендайзинговые модули i2 Demand Planner и i2 Merchandise Planner. Используя историю продаж, система подбирает подходящий алгоритм прогнозирования, а на выходе генерирует отчет о прогнозе продаж по различным параметрам (географическим точкам, товарному наименованию).

При этом i2 Demand Planner дает возможность управлять планами спроса при различных сочетаниях товаров, магазинов и сроков, а i2 Merchandise Planner используется для сведе’ния финансовых планов с планами по отдельным категориям и ассортиментными планами. То есть, по сути, модуль позволяет согласовать интересы отдельных составляющих торговой цепочки: мёрчендайзинга, магазинов, дистрибуции и инвесторов. Решения i2 Technologies также предусматривают взаимодействие с производителями товаров. В частности, в состав системы входит специальный планировщик, который на основе прогноза спроса создает план загрузки производственных мощностей и ресурсного обеспечения предприятия. В России продажами i2-систем занимается небезызвестная компания IBS.

Неизменной популярностью пользуются на мировом рынке и решения для розничной торговли от компании Infor. Среди ее клиентов - Nestle, Coca-Cola, Heineken, Siemens Automotive Systems и др. Анализ и прогнозирование спроса реализованы в виде отдельного приложения - Infor Demand Planning, в котором присутствуют все элементы "джентльменского набора": статистическое прогнозирование, автоматический поиск оптимальной модели, прогнозы на всех уровнях, стимулирование спроса и координация промоакций.

Вдобавок в системе есть модуль для работы с интернет-технологиями. Запасы, планируемые поставки и недостачи могут отражаться через Сеть. Также Infor Demand Planer поддерживает работу с так называемыми аналитическими кубами OLAP. В Infor утверждают, что приложение позволяет сократить запасы на 30% и повысить уровень удовлетворения клиентов на 25% (правда, не совсем понятно, какие количественные характеристики использовались для расчета).

Если вышеупомянутые компании ориентируются на более или менее широкую розничную деятельность, то DemandTec сосредотачивает усилия исключительно на разработке приложений для прогнозирования спроса с уклоном в мёрчендайзинг. При этом узкая специализация вовсе не мешает ей занимать лидирующие позиции. Систему DemandTec 3 внедрили более тысячи предприятий розничной торговли.

В основе разработок лежат нелинейные модели спроса с учетом влияния замещающих и дополняющих товаров. Моделирование осуществляется с помощью байесовских методов, применяемых к сосканированным данным штрих-кодов покупок. В состав DemandTec 3 входят модули управления ценообразованием (DemandTec Price) и промоакциями (DemandTec Promotion), а также оптимизации ассортимента (DemandTec Product Assortment) и размещения товаров (DemandTec Placement).

DemandTec Price определяет оптимальные цены на товары, учитывая эластичность и перекрестные эластичности[Перекрестная эластичность спроса - форма эластичности, при которой изменение цены на один товар приводит к изменению спроса на другой (сходный по своим потребительским качествам). Положительное значение этого показателя свидетельствует о взаимозаменяемости товаров, а отрицательное - об их взаимодополняемости] отдельных товаров. При этом в процесс ценообразования можно вводить различные бизнес-правила: ценовые лимиты, целевые объемы продаж, целевую долю рынка, цены конкурентов и т. д. В результате становится возможным анализировать потребительский спрос, ценовую чувствительность, вычислять издержки продажи каждого товара в каждом магазине, прогнозировать влияние ценовых стратегий по различным сценариям, измеряя результаты изменений в стратегии.

Итак, если верить разработчикам специального ПО, достаточно вложить несколько десятков тысяч (сотен тысяч, миллионов - это уж как договоришься) долларов, и поведение посетителя филиала крупной розничной сети перестанет быть тайной. По сути, речь идет о продаже успеха за деньги, и потому участники рынка будут с особым интересом изучать финансовый отчет сети "Перекресток" за 2006 год. Тем же, кто пока не может позволить себе столь дорогие инструменты прогнозирования, можно посоветовать вспомнить три правила, гарантирующие успех любому цветочному магазину: он должен а) находиться рядом со станцией метро, б) находиться рядом со станцией метро и в) находиться рядом со станцией метро.