Обуздание диких машин, или Битва за будущее ритейла

Мир ритейла ускоряется. Колоссы бизнеса, до этого незыблемые, пропускают технологические сдвиги и вылетают из рынка. В прошлом сентябре 60-летний гигант американского ритейла, Toys“R”Us, объявил о банкротстве, а этим летом закрыл 735 офлайн-магазинов, потому что передал онлайн продажи под полный контроль Amazon и лишился покупателей.

Это не единственный пример — до него пали Sears, RadioShack и Payless ShoeSource. За ними падут и другие.

Ритейл радикально изменился. Неизменным осталось одно: человек до сих пор принимает сотни операционных решений. При этом срочные решения — наименее качественные.

Стремясь повысить качество решений и увеличить прибыль, компании внедряли разнообразные методологии и инструменты бизнес-анализа, нанимали команды аналитиков, чтобы избавить менеджеров от работы с мелкими решениями и позволить им сосредоточиться на стратегии.

Искусственный интеллект (ИИ) и машинное обучение (МО) — плод нового технологического витка, — автоматизируют процессы, работают с ценами и промо, персонализируют опыт покупателей, создают десятки тысяч сегментов с персональными предложениями, и прокачивают менеджеров до принципиально нового уровня, и таким образом значительно увеличивают прибыль ритейлеров. И при этом будущее ритейла дешевле, чем теперешнее.

В таком случае, почему даже лидеры рынка редко внедряют такие решения?

Представьте, что вы перевозите мешки с картошкой на конной тяге. Я ставлю перед вами двигатель внутреннего сгорания (алгоритм) и говорю, что это позволит перевозить не пару мешков, а десятки тонн за один раз (часто так выглядят консалтинговые проекты по моделированию спроса). На самом деле, между разработкой двигателя и переходом компании грузоперевозок на автомобили — огромное расстояние.

Перед тем как машинное обучение сможет решать реальные бизнес-задачи, нужно обеспечить три важные составляющие:

• Добыть топливо (данные для работы алгоритма)
• Завернуть двигатель в автомобиль (комплексное решение с рабочей станцией (dashboard)
• Обучить водителя и механика

И все это создает существенные пороги для входа, требуя усилий всех сотрудников компании.

Стоит ли игра свеч?

Уверен, что да. Давайте посмотрим на факты.

Gartner's Quаdrant оценивает результаты алгоритмической оптимизации цен так:

• Выручка увеличилась с 1% до 5%
• Маржинальность увеличилась с 2% до 10%
• Ненужные промо сократились на 80%
• Цикла жизни клиента увеличился на 20%

В практике компании Competera, Head of Product которой я являюсь, встречались и более впечатляющие результаты. Вопрос состоит в том, какой была отправная точка и насколько отлажены были процессы до внедрения ИИ.

За счет чего достигаются такие результаты?

Алгоритм улавливает все паттерны и обрабатывает большие объемы данных, развивает своеобразную интуицию, запоминая все — удачные и неудачные — эксперименты, за которые бизнес заплатил деньгами. В отличие от человека, он понимает, когда рынок изменился: у него не бывают плохих дней или тяжелой недели. Алгоритм стабильно предлагает оптимальное решение в каждой конкретной ситуации, знает, к чему приведут решения, принимаемые сейчас, и просчитывает будущее.

Крупный ритейл уже много лет принимает решения на основе данных. Почему мы возвращаемся к этой теме? Дело в том, что вопрос не только в наличие данных, но и в их качестве.

МО-алгоритм обучается на данных, поэтому он должен “пережить” каждую транзакцию, видеть максимально полную картину, в которой находился покупатель в момент покупки. Если качество данных хромает, эта затея бессмысленна: алгоритм не сможет высчитать правильную цену и дать верный прогноз продаж или маржи.

Какой была история продаж? Что находилось на полках? По какой цене? В какой позиции находились конкуренты? Каким было промо давление? Менялась ли система мотивации персонала? Расширялась ли существенно сеть магазинов? Пересматривали ли банки кредитную политику? Насколько увеличился средний чек в категории на протяжении года? Алгоритм должен знать ответы на все эти вопросы. Сегодня только 3% от всего объема собираемой компаниями информации соответствуют понятию «качественные данные».

Далеко не все данные нужны для эффективного внедрения алгоритма. То, что кажется важным заказчику, может оказаться второстепенным, и наоборот. Однако, подвох состоит в том, что для того, чтобы понять, какие именно факторы и в какой степени влияют на продажи, важно собрать все данные в пригодной для использования форме.

Если ассортимент содержит сотню позиций, небольшие неточности можно найти и исправить вручную. Когда же речь идет о сотнях магазинов и десятках тысяч SKU, все становится намного сложнее.

Именно поэтому технологические гиганты так старательно собирают о нас максимально много информации. Данные — нефть 21 века.

Считается, что подготовка данных — это больше половины любого проекта. Однако, для бизнеса данные — только начало.

После получения пригодных для работы данных, от решения бизнес-задачи вас будет отделять три шага:

Шаг 1: Выбрать подход и получить рабочую модель

Научная часть и инструментарий машинного обучения развиваются очень стремительно, поэтому недостаточно просто “подлить” данных в самый новый алгоритм. С другой стороны, ритейл — далеко не простой бизнес: сотни мелочей отличают разные рынки, индустрии и конкурентов.

Поэтому, нужно понимать не только цель, к которой хочет прийти бизнес, и но какие шаги принесут максимум результата, и, как следствие, какие данные собирать.

Множество низкочастотных продаж, cложные промо-механики, специфика формирования ассортимента или просто сложный региональный прайсинг могут озадачить многих специалистов. Необходим человек, который сочетает в себе как хорошую доменную экспертизу, так и знание того, как работает МО, а также сильные и слабые стороны разных методов. И в дальнейшем именно он будет обслуживать "двигатель" вашей системы.

Шаг 2: Развернуть инфраструктуру

Работающий алгоритм не решает все проблемы. Чтобы ежедневно обрабатывать большие объемы данных, необходима инфраструктура, подкрепленная несколькими уровнями перепроверок и уведомлений, которые помогут избежать ошибок в критически важных аспектах бизнеса.

В данной ситуации, локальное решение — наиболее оптимальный вариант, так как оно защищает конфиденциальную информацию.

Однако, немногим компаниям удается не только построить такую инфраструктуру самостоятельно, но и своевременно ее модернизировать. Поставщики облачных сервисов (Amazon, Microsoft, Google и др.) все активнее вкладываются в развитие инфраструктуры для МО как на уровне софта, так и разработки адаптированного железа. Крупные ритейлеры все чаще используют такие решения: например, американский Walmart заключил договор об использовании облачных сервисов Microsoft на пять лет.

Технологический разрыв будет нарастать.

Компаниям с in-house разработкой будет все сложнее конкурировать со специализированными поставщиками инфраструктурных решений и теми, кто их использует.

Работать с подрядчиками тоже непросто. На рынке единицы способных удовлетворить потребности в комплексном решении для крупного бизнеса. Эти проекты стоят десятки, даже сотни миллионов долларов, тянутся годами, и при этом крайне не адаптивны и очень трудно подстраиваются под задачи клиентов.

Что делать компаниям, которые застряли между Сциллой и Харибдой? Сложный вопрос. Однако, нарастающий спрос должен сформировать новые предложения на рынке.

Шаг 3: Сделать и внедрить продукт

Не сочтите преувеличением, но самое сложное — переход от работающего в лабораторных условия прототипа, будь то Excel с системой прогнозирования спроса или ноутбук-аналитика с инструментом работы в “полях”, интегрированным в бизнес-процессы ритейлера и используемый всей командой — еще впереди.

Все это требует экспертизы в продуктовой разработке, отдельной команды для разработки, развития и внедрения продукта для конечных пользователей. Иначе вы рискуете оказаться в знакомой ситуации, где презентации с инфантами оседают в ящиках магазинов: система есть, но так как в ней долго разбираться, то проще использовать простую формулу Excel, потому что решения нужно принимать прямо сейчас.

Ни один из этих этапов не является непреодолимым, но процесс может тянуться годами. Поэтому мы видим так мало успешных примеров внедрения МО, а также все более увеличивающийся отрыв у тех, кому это удалось.

Какие преимущества получит бизнес, используя МО-алгоритмы? Адепты таких решений не спешат делиться успешными примерами, пытаясь первыми собрать сливки в своих сегментах. Однако, я могу показать результаты пилотного запуска такой системы в британском онлайн-магазине.

Бизнес с очень высокой сезонностью поставил задачу максимально увеличить продажи в межсезонье, не уронив при этом маржинальность. Получить объективную оценку в таких условиях было не просто. В рамках теста мы сформировали тестовую и контрольную группы товаров с учетом потенциального перетекания спроса.

В контрольной группе магазин использовал обычный подход к ценообразованию. В тестовой группе в течение месяца МО-алгоритм рекомендовал цены, а менеджер принимал решения.

Разница между динамикой двух групп составила:

• количество транзакций +22.3%
• прибыль +13.9%
• маржинальность +0.5%

В пилотный месяц наблюдалось общее сезонное падение продаж. При этом в контрольной группе количество транзакций снизилось на 17.2% в сравнении с предыдущим месяцем, а в тестовой — увеличилось на 5.1%. Алгоритм предсказал глубину падения спроса и рекомендовал оптимальную цену для конкретной ситуации.

Многие проекты споткнулись именно на этапе внедрения алгоритма. Коллектив, не понимая новых ролей, может сопротивляться инновациям и саботировать процесс, либо просто не доверять рекомендациям системы.

Чтобы преодолеть эти барьеры, потребуется решить три блока задач:

Выстроить доверие

Команда, годами успешно решающая свои задачи привычным способом, будет относиться к новой системе скептически. Пилотный запуск на ограниченном количестве магазинов или категорий продемонстрирует работоспособность и устойчивость такого решения, тем самым пробивая брешь в стене недоверия.

Также очень важно, чтобы руководство компании принимало максимально активное участие во внедрении алгоритма для того, чтобы снять ответственность с операционного уровня. Крайне важно донести это до всех участников процесса, иначе менеджеры не будет готовы брать на себя ответственность за применение рекомендаций.

Еще одно условие успешного запуска — интерпретируемость рекомендаций. Несмотря на то, что нейронные сети — это в некотором роде черная коробка, во время разработки решения важно убедиться, что менеджер, работающий с решением, понимает хотя бы общую логику рекомендаций.

Распределить роли

Второй блок — риск остаться без работы. Однако, на практике все происходит наоборот.

Алгоритм берет на себя установку цен на отдельные позиции, а человек переключается на управление стратегией и ограничениями, таким образом превращаясь из «грузчика» в «водителя», управляя движением и реагируя на на срабатывание «лампочек», сигнализирующих сбой.

Переоценка без МО

• Собрать данные из всех внутренних источников, очистить их и подготовить для работы
• Дополнить данные информацией о конкурентах и их ценах
• Проанализировать продажи всей категории или самые удачно проданные товары
• Выбрать подходящий сценарий переоценки и применить новую стоимость ко всем товарам

Переоценка с МО

• Убедиться, что в системе не сработали сигнальные лампочки (прогноз продаж выполняется, а также нет проблем с обновлением данных)
• Выбрать стратегию для переоценки
• При необходимости протестировать разные сценарии переоцени и промо
• Применить рекомендации

Обучить и поддержать

Завершающий штрих — обучение всего персонала и создание учебных материалов для новых сотрудников.

Эта часть типична для любого корпоративного продукта, поэтому не стоит заострять на ней внимание.

Машинное обучение может решать очень широкий спектр задач — от ценообразования и управления закупками до гранулярной оптимизации персональных промо. Однако, самое главное — предсказуемое будущее, консолидированные данные и возможность работать с неиспользованной экспертизой (всем накопленным за время работы опытом).

Прошли те времена, когда только бизнесы с оборотом в десятки миллиардов долларов могли позволить себе МО. Однако, общедоступной панацеей машинное обучение не стало. Алгоритмы идеально подходят крупным ритейлерам, которые работают на динамичных рынках, требующих изменения цен на тысячи позиций еженедельно, а то и несколько раз в день, игрокам со сложной структурой регионального или канального ценообразования, либо тем, кто исчерпал источники быстрого роста и готов получить дополнительные 5-15% от оптимизации процессов.

В денежном выражении стоящий внимания ROI получат компании с оборотом от $100 млн в год. Тут все просто: чем больше выручка ритейлера, тем выгоднее алгоритмическое решение по оптимизации цен и прогнозированию продаж. Если оборот меньше (около $40 млн в год), то условием успеха является высокая маржинальность бизнеса.

Для компаний еще меньшего размера такое решение может быть неоправданно дорогим. С другой стороны, технологии не стоят на месте и уже через пару лет ситуация может измениться.

В ближайшие годы рынок радикально изменится: те, кто обуздает алгоритмы, выиграют гонку.

Первый и самый болезненный порог входа — наличие качественных данных. Даже если вы не уверены, как именно будете использовать МО, приведите данные в порядок прямо сейчас, иначе рискуете прождать два года после того, как решите инвестировать в это направление.

Если этого не сделать сейчас, уже через пять лет борьба за покупателя будет проиграна.

#будущее #ритейл #технологии #разработка #инструменты