Как работа с данными помогает «Леруа Мерлен» продавать кухни и общаться с поставщиками

Рассказываем на примере дата-продуктов.

О том, как «Леруа Мерлен» трансформируется из традиционного строительного ритейлера в высокотехнологичную компанию-платформу по обустройству дома, мы уже писали, например, тут и тут. Компания переосмысляет и работу с данными — о продажах, клиентах и инфраструктуре. Раньше некоторые важные для компании решения (например, об открытии нового магазина) принимали, основываясь скорее на экспертном мнении, чем на данных.

С 2019 года подход изменился. В компании постепенно начали формировать data-driven-культуру — среду, в которой все сотрудники, независимо от должностей, стремятся принимать решения не только на основе собственного опыта или предпринимательской чуйки, а прежде всего на основе данных.

В «Леруа Мерлен» с данными работают все домены. Например, в магазинах преимущественно работают через систему корпоративных отчётов, позволяя сотрудникам, от директора до продавца-консультанта, получать доступ к необходимым данным по показателям своего магазина. Зная свои результаты, сотрудник при желании сможет скорректировать тактику продаж.

Принципы правильной обработки данных и работы с ними поддерживает дата-домен — это центр экспертизы. Он при необходимости помогает проверить код аналитических или ML-моделей на соответствие внутренним стандартам, а также самостоятельно подготовит MVP по запросу любого отдела, если в этом есть острая бизнес-потребность.

Кроме того, своя дата-команда есть почти в каждом домене, чтобы помогать с оптимизацией операционных процессов и поиском решений, увеличивающих товарооборот. Она состоит из следующих специалистов:

Укомплектованность команд разнится от домена к домену. Причины две: бизнес-потребности отделов и компании, а также зрелость доменов при работе с данными. Например, в логистике уже давно работают с несколькими дата-продуктами на базе моделей машинного обучения, которые давно доказали свою операционную эффективность.

В некоторых доменах процесс работы с данными активно формируется прямо сейчас. Например, наш финансовый сектор долгое время приоритизировал RPA-разработки — для роботизации бизнес-процессов (скажем, в бухгалтерии). Чтобы понять, с какими данными работают финансовые команды, как делятся ими между собой и какие инструменты используют, в домене в середине 2022 года провели технический дата-аудит. Текущая задача — разобраться, есть ли в процессах домена потенциал для использования ML-моделей.

За последние несколько лет в «Леруа Мерлен» запущено более 20 дата-продуктов. Сначала над ними работал только дата-домен, но теперь большую часть проектов запускают другие команды, используя инфраструктуру дата-домена.

Дата-продуктом мы называем алгоритм или модель, которая не заменяет, а усиливает бизнес-экспертизу через рекомендации на основе данных, чтобы ускорить достижение той или иной бизнес-цели.

Например, в 2021 одна из продуктовых дата-команд создала инструмент для подбора комплементарных товаров — тех, что дополняют основную покупку. Скажем, кисточки для краски или валики для прикатки швов обоев.

Раньше связки из взаимодополняющих предметов составляли категорийные менеджеры, которые исходили из собственного опыта продаж. Но товаров и клиентов становилось всё больше, так что дата-команда решила алгоритмизировать задачу.

Для этого дата-сайентисты проанализировали все имеющиеся в истории магазинов чеки — в день таких чековых линий несколько миллионов. На этом этапе нужно было проверить:

Эти знания «скормили» алгоритмам машинного обучения и на пересечениях получили связки. Решение внедрили в отдел по работе с ПРО-клиентами, чтобы сотрудники офлайн-магазинов могли доукомплектовать смету профессионального покупателя «здесь и сейчас».

После тестирования проверяли, насколько точно подбирались связки, и собирали обратную связь у продавцов. Уже после доработок анализировали влияние алгоритма на продажи и KPI сотрудников. Если данных по продажам нового товара ещё нет, категорийные менеджеры вручную составляют первичные связки.

В компании также есть решения, которые работают и без сложных моделей машинного обучения. Один из таких — дата-аудит, основанный на глубокой аналитике данных. Анализ помогает выявить проблематику бизнес-процесса и сформировать набор гипотез для повышения его эффективности.

Всё началось с продаж кухонь. Аналитики изучили статистику и путь покупателя: от самого предложения до планирования и реализации идеи. Для этого построили полную воронку: с чего пользователь начинает, куда должен приходить и на каком этапе уходит. В итоге обнаружили болевую точку — замер кухни: платная услуга, на которую мало кто соглашался.

Команда выдвинула гипотезу, что сможет повысить конверсию — например, возвращать стоимость замера при покупке кухни. Замеры стали заказывать чаще, а сам дата-аудит стали применять в других проектных мирах «Леруа Мерлен» — так называются готовые интерьерные решения разных комнат, например ванных и гардеробных.

Помимо этого, дата-аудит помогает нам ответить на более глобальные вопросы — скажем, как оценить, насколько эффективно мы управляем ассортиментом: что, где и как можем улучшить, какие шаги в бизнес-процессе недостаточно прозрачные.

Взять, например, уже упомянутую продажу услуг — будь то установка окон, поклейка обоев, монтаж навесных потолков или укладка паркета. Клиент по умолчанию рассчитывает, что работу выполнят в кратчайшие сроки, и потому вряд ли захочет долго ждать. По срокам мы хотели соответствовать рыночным стандартам или даже превосходить их, поэтому стали анализировать воронку от составления заказа до его выполнения. Особое внимание уделили тому, сколько времени занимает каждый этап воронки и как это время влияет на конверсию клиента из одного этапа в другой. Такая аналитика позволяет оперативно реагировать на требования рынка и оперативно передоговариваться с партнёрами.

Другой пример упрощения операционных задач с помощью аналитических решений — это калькулятор схем поставки, который позволяет быстро сравнивать разные способы доставки товара от поставщика в магазин и рекомендовать оптимальные как для «Леруа Мерлен», так и для поставщика.

Схем у нас три:

Чтобы понять, какая схема будет оптимальной, нам нужно оценить сразу несколько статей затрат:

Стоимость зависит от объёмов: сколько потребуется палет, коробок и грузовиков. Если поставщик целый год возит товары только по одной схеме, реальных данных по двум другим у нас нет. Значит, нужно рассчитать, что было бы, если бы он пользовался в том числе и ими.

Для этого проводим симуляцию раскладки товаров по заказам, поставкам, коробкам, палетам и грузовикам. Написанный нами алгоритм берёт данные по массиву товаров, которые «Леруа Мерлен» заказывала у данного поставщика на протяжении, например, года, затем проводит несколько итераций и на выходе показывает, сколько коробок получилось, какого товара, как эти коробки легли по палетам и сколько потребуется грузовиков.

Зная, какие пути поставок оптимальны для каждого отдельного поставщика, мы создаём более эффективную логистическую сеть, а значит — ускоряем время доставки и снижаем затраты.

Мы думали о том, чтобы внедрить в продукт ещё и модели машинного обучения, но пока отказались от этой идеи. Мы могли бы предсказывать, какой будет товарная структура заказа в адрес поставщика в следующем году, однако на данном этапе бизнес-ценности нашему продукту это не приносит. Значит, и не нужно.

Идея создать дата-инструмент зарождается тогда, когда мы от начала до конца понимаем, как устроен тот или иной бизнес-процесс, и делаем вывод, что одно из его звеньев может работать лучше. Оценка идеи, в свою очередь, состоит из четырёх этапов.

Цель этого глобального проекта — сделать так, чтобы решения на всех уровнях принимались на основе данных. А основная задача на ближайшее время — найти все «низко висящие фрукты»: процессы, которые можно быстрее всего оцифровать, автоматизировать и оптимизировать с помощью алгоритмов.

В планах также — научиться предугадывать потребности покупателей на всех этапах ремонта, максимально усовершенствовать процесс сбора заказов на складах и доставку, построить умную систему ценообразования. Для всего этого мы проводим локальные пилоты самых разных технологий, чтобы понять, можем ли адаптировать их под себя. Это, например, генеративные нейросети и компьютерное зрение. Не потому, что сейчас это «модно», — нам важно понять, могут ли такие разработки принести прикладную пользу именно нашему бизнесу.