McKinsey Digital

Поженить искусство и математику в модной рознице

Есть ли место для data science в стратегии развития фэшн-ритейлера? Изучаем опыт масштабирования с помощью углубленной аналитики.

Считается, что модный бизнес — это скорее искусство, чем математика. Дизайн — процесс творческий, и многие решения в модной отрасли принимаются интуитивно или с оглядкой на постулаты, которые складывались десятилетиями. Часто такой подход выходит за стены дизайн-лабораторий и распространяется на коммерческие процессы. Среди них — открытие магазинов.

Для определенной категории модных брендов, например, лучшей практикой «по умолчанию» может считаться наличие трех больших магазинов в мегаполисах и одного маленького в городах с населением до ста тысяч. Впрочем, в отличие от создания нового принта или джинсов с идеальной посадкой, процессы, связанные с развитием торговой сети, хорошо оцифровываются. И аналитический подход к ним может существенно улучшить результат.

Как фэшн-игроку спланировать масштабирование? Где и сколько открыть магазинов? Какими они должны быть? В сегодняшней статье мы рассмотрим эти вопросы через призму углубленной аналитики.

Чем фэшн-ритейл не похож на другую розницу

В самых разных сегментах розничного бизнеса, будь то продукты, электроника или одежда, остаются актуальными классические коммерческие рычаги: ассортимент, промо и ценообразование. Инструменты data science применимы ко всем трем (как углубленная аналитика работает в промо и ценообразовании, мы уже рассказывали на примере продуктового ритейла). Но в каждой отрасли есть своя специфика. Для моды характерны такие особенности.

1. Ассортимент: топ-селлеры не появляются напрямую из истории продаж. Одни и те же SKU не продаются годами. Нельзя проверить, какая футболка продавалась лучше два последних года, и завезти такую же. Меняются тренды и коллекции, товары живут несколько месяцев. Как они продаются, становится понятно лишь в процессе.

2. Промо: стратегия Hi-Low сменяется на жизненный цикл товара. Если в продуктовом ритейле товары попадают в промо периодически и на время, после чего возвращаются к регулярной цене, то в модной рознице распродажи устроены иначе. Одежда и обувь начинают свою жизнь на полках магазинов по полной цене, и скидки растут по мере устаревания коллекции. Кроме коммерческих целей такой цикл преследует и цели управления запасами.

3. Ценообразование: сравнивать цены с конкурентами становится сложнее. В то время как в продуктовой рознице 30–50% товаров сравнимы с конкурентами напрямую, в сегменте одежды «товары-аналоги» есть далеко не для всех позиций. Да и часто ли можно встретить одинаковые цены на белые футболки у разных фэшн-игроков? Задачи сегментации товаров и кластеризации магазинов остаются актуальными и здесь, но на передний план выходят вопросы CVP (Customer Value Proposition), политики распродаж и общего ценового восприятия.

Что касается задач модной розницы за пределами традиционной коммерческой триады, развитие сети магазинов представляется одной из самых интересных. Здесь она заметно богаче и сложнее, чем во многих других сегментах.

Пока алгоритмы были теорией

Еще десять лет назад собиралось куда меньше данных, чем сегодня. А компьютерные мощности, которые позволяют обрабатывать гигабайты информации за считанные секунды, были менее доступны. И если торговая сеть планировала экспансию, сопутствующая аналитика, как правило, базировалась на демографических выкладках, простой логике и эвристических предпосылках.

Если город богатый и в нем много жителей — значит, магазинов должно быть много. Если город бедный и людей мало — магазинов тоже нужно мало. В среднем такой подход действительно неплохо отражает реальность. И пока алгоритмы машинного обучения в основном жили на страницах научных журналов, подобный упрощенный анализ использовался повсеместно.

Но за последние несколько лет инструменты работы с большими массивами данных стали доступными для самого разного бизнеса. И вопрос «А можно ли делать это эффективнее?» не обошел стороной задачи развития торговых сетей.

Базовая аналитика обретает глубину

Показатели магазина — выручка и маржинальность — плохо объясняются одним лишь размером города и доходами его жителей. С точки зрения выручки такое предсказание в среднем бывает ошибочным на 40–60%. А прогноз прибыли может расходиться с реальностью и на 100–150%.

Например, два магазина в Москве могут отличаться по продажам в 2–2,5 раза. Тем временем магазин в небольшом городе может опережать по объему прибыли оба московских. Подобные парадоксы нельзя объяснить только демографией — они уходят в плоскость других факторов. Например, таких.

  • Существует два мира магазинов: в торговых центрах и на улице. Уличный магазин на Тверской и магазин того же бренда в «Меге» будут работать совершенно по разным моделям.
  • Уровень конкуренции в городах серьезно разнится. Например, где-то уже открылось несколько магазинов другой сети, а где-то конкурентов пока что нет.
  • Города различаются по арендным и зарплатным ставкам. Спрос и предложение на рынке недвижимости вместе с форматом доступных площадей диктуют стоимость аренды. А уровень дохода в городе в разной пропорции может влиять на платежеспособность трафика и затраты на персонал.
  • Важно влияние площади и формата магазина. Открыв в одном и том же городе три маленьких или три больших магазина, мы ожидаемо получим разные результаты. Связь между размером торговой точки и выручкой очевидна, но еще есть не столь очевидное влияние площади магазина на маржинальность и каннибализацию продаж других точек, что не менее важно. Большие магазины гораздо сильнее каннибализируют продажи друг друга, чем маленькие.

Кроме того на заработок магазинов влияют не всегда очевидные «точечные» факторы. Например, такие.

  • Какие именно сети и магазины есть в торговом центре. Некоторые забирают часть продаж, а другие, наоборот, становятся «магнитами» для потенциальных клиентов. В глазах покупателя они делают визит в ТЦ более насыщенным, но не каннибализируют трафик.
  • Опыт и квалификация управляющего магазином. Насколько давно директор работает в компании, как прокси для его квалификации дает свой вклад в показатели магазина.
  • Расстояние до ближайшего магазина сети. Ситуации, когда два магазина располагаются менее, чем в километре друг от друга, — не редкость. Бывают и обратные случаи. И это не может не влиять на продажи.

Учет десятков дополнительных факторов дает анализу совершенно иную глубину.

«Когда бизнесу необходимо решить, где и сколько магазинов открыть, на практике различают два подхода.

Первый обычно используют при экспансии, если цель — значимо увеличить продажи. Расширяясь, мы оперируем большими масштабами — целыми городами или зонами внутри них, — не погружаясь до уровня конкретного дома или перекрестка; на этом уровне выбор диктуют доступные для аренды площади.

Второй подход актуален при оптимизации. Например, если у банка в городе уже есть несколько десятков или сотен отделений и можно сократить их число, не ухудшив при этом покрытие клиентской базы. Или когда можно увеличить клиентопоток за счет тактической релокации точек продаж между улицами или районами города. В этом случае моделирование происходит как раз на уровне каждого строения, с учетом доступных для аренды помещений, а стратегии уделяется меньшее внимание.

Второму подходу посвящено достаточно много статей и обзоров, мы подробно остановимся на первом. Он наиболее интересен с точки зрения переплетения бизнеса, искусства и математики».

Сергей Кондратюк
Менеджер проектов

Разные цели — разные стратегии

Чего бизнес стремится достичь через масштабирование или оптимизацию сети? Любой проект начинается с определения цели. Плюс подхода на базе углубленной аналитики состоит в том, что смена бизнес-цели легко решается через адаптацию целевой функции модели.

  • Если в фокусе рост, а в качестве KPI выбрали приоритизацию выручки или доли рынка, ожидаемым результатом будет наибольшее число новых открытий магазинов и максимально большие площади. При этом такая стратегия неминуемо приведет к снижению маржинальности и продуктивности сети.

  • Обратная ситуация — фокус на продуктивность или доходность. Эта цель предполагает существенно меньше открытий (а, возможно, и закрытие некоторых точек) и преобладание небольших и более эффективных форматов магазинов.

Выбор цели радикально влияет на ожидаемый результат, поэтому важно определиться с ней до старта моделирования и расчетов. Это позволит избежать лишних итераций и неудовлетворительных бизнес-результатов.

Три аналитических измерения в экспансии модной сети

Задачи масштабирования позволяют пройти через все три ключевых класса углубленной аналитики: дескриптивную, предиктивную и прескриптивную.

Первый шаг — дескриптивный анализ, который объясняет разницу в показателях уже существующих магазинов через их характеристики. Это дает возможность выявить, какие факторы влияют на результирующие показатели магазина и как именно.

Второй шаг лежит в предиктивной сфере. Здесь необходимо научиться предсказывать выручку для еще не существующих магазинов. В том числе определять, на какие из факторов можно повлиять, а какие задаются внешней средой или случайным образом. К примеру, мы точно не влияем на количество людей в городе, но сами выбираем, где открываться, сколько будет магазинов и какой площади.

Третий шаг носит прескриптивный характер. Математическая модель должна предлагать оптимальное решение: где, сколько и каких магазинов следует открыть, чтобы достичь заданной цели.

Для каждой потенциальной локации (например, города или области) моделируются матрицы размеров и количества магазинов с учетом прогноза по выручке и уровня маржинальности. И рекомендации, какие комбинации будут оптимальными.

Сложные зависимости при ограниченных данных

На проекте по развитию сети крупного фэшн-игрока из Восточной Европы, в котором участвовала команда McKinsey, некоторые магазины выбивались из предсказания по выручке. Имеющаяся в распоряжении сети математическая модель не объясняла, почему так происходит, и это снижало доверие к ней. Задавшись целью повысить предиктивную силу модели, команда внимательно рассмотрела каждый шаг на пути к финальному предсказанию.

Путь этот проходит через своеобразную воронку. Если это торговый центр — сколько людей пришло в сам ТЦ; сколько из них зашло в магазин; какая доля совершила покупку; какие купили товары и на какую сумму. В магазинах уличного формата — все то же за исключением входящего трафика торгового центра.

«При работе с ограниченным объемом данных (например, в случае розничной сети небольшого масштаба) end-to-end подход к построению моделей не всегда показывает себя эффективно. Попытки выявить комплексную функциональную зависимость между десятками переменных и итоговой операционной прибылью магазина нередко приводят к переобучению, а применение более простых моделей не позволяет достичь приемлемого качества даже на обучающей выборке.

В таких ситуациях часто помогает изолировать компоненты в воронке друг от друга: построить отдельные модели для предсказания трафика торгового центра (если он не известен), доли трафика магазина от всего трафика ТЦ, конверсии гостей магазина в покупку и так далее. Каждая из таких моделей заметно проще с функциональной точки зрения, опирается на меньшее число переменных, а размер выборки для них остается тем же.

Этот технический момент позволил существенно улучшить результат и снизить среднюю абсолютную ошибку прогноза (MAPE) изначальной модели на 12 процентных пунктов».

Сергей Кондратюк
Менеджер проектов

Когда нужно доказать эффект, но нельзя провести пилот

Действительно ли углубленная аналитика принесет желаемые улучшения? Это вопрос, который задает себе любой бизнес. Ответ часто ищут с помощью пилота — но не на проектах по развитию сети. Можно провести пилотную волну открытий магазинов, однако с учетом временных затрат на подготовку, это удлиняет упражнение в разы. Да и сколько нужно открыть магазинов, чтобы вывод такого пилота был статистически валиден?

В таких ситуациях эффективен ретроспективный метод. На одном из проектов по масштабированию мы применили прогнозные модели к магазинам сети, которые были открыты ранее и закрыты из-за неудовлетворительных финансовых результатов. А также к магазинам, открытие которых было запланировано как раз на даты проекта.

В итоге оказалось, что если бы ритейлер уже работал с инструментами углубленной аналитики, 85% закрывшихся магазинов математические алгоритмы советовали бы не открывать вовсе. А предсказание выручки по новым открытиям попало в цель с точностью выше 90%.

Математика для реальности

Увлеченные датасаентисты всегда стремятся создать элегантное и стройное решение, но в бизнесе математические модели в отрыве от реальных процессов бесполезны. Поэтому сверка со стратегическими приоритетами и операционными ограничениями — этап, который нельзя опустить. И некоторые ограничения универсальны для всей модной розницы.

1. Доля онлайн-продаж продолжит расти. Как статистический прогноз, так и экспертное мнение сходятся на том, что рынок онлайн-торговли продолжит расти темпами, опережающими рост рынка в целом. Учитывать эту динамику при оценке прибыльности потенциального магазина необходимо. Сегодня магазин прибыльный, но если 7–10% покупателей из него перетечет в онлайн, он может перестать таким быть.

2. Конкуренты тоже будут открывать магазины. Странно предполагать, что расширяться будет только одна сеть, поэтому потенциальные действия конкурентов в городах следует использовать как один из объясняющих факторов при моделировании и изменять его в прогнозах соответствующим образом.

3. Сложности с арендой могут препятствовать открытию. Есть ли в городах, где мы хотим открыться, нужный объем площади? Это принципиальный вопрос, который важно учесть при постановке целей. Ответить на него можно, проанализировав общедоступную информацию и арендные предложения в потенциальных локациях. Часто по результатам такого анализа 10–15% запланированных к открытию магазинов отпадает.

4. Темпы масштабирования не должны противоречить «пропускной способности» бизнеса. Открытие магазинов — это наем людей, проведение тендеров, осмотр торговых площадей, заключение договоров аренды, поиск и контроль подрядчиков по ремонту. Одним словом, целый поток разноплановых задач, который нельзя обработать быстрее, чем позволяют мощности конкретной организации.

5. Важно помнить о комплексном восприятии бренда. Стратегические соображенияо том, что важно для гостей сети, — неотъемлемая часть плана роста. Модель может подсказывать, что маленькие магазины более прибыльны, но исследование клиентов тем временем будет говорить, что они разрушают идентичность бренда, потому что выглядят как склад, некрасиво. Это не скажется на прибыльности сегодня, но отразится на ней в перспективе. А этого модели не учитывают.

Назад в будущее

Модная индустрия постепенно осваивает новые технологии и математические инструменты, но внедрить их бывает сложнее, чем в организациях, где традиционно больше доверяют данным и меньше — интуиции. И хотя многие процессы в мире моды действительно не поддаются точным расчетам, это настолько же бизнес, насколько и искусство.

Как показывает опыт, план развития модной сети, который подкреплен углубленной аналитикой, может превосходить экспертный план экспансии по ожидаемому эффекту в разрезе выручки и прибыли в 2–3 раза. Это достигается за счет точного прогнозирования и предотвращения каннибализации, а также выявления новых ниш, которые не обнаруживаются при базовом экспертном подходе.

Предиктивные и прескриптивные модели строят прогнозы и рекомендации на истории, а дизайнеры ловят дух времени и формируют тренды, вдохновляясь работами предшественников. Будущее никогда не повторяет прошлое в точности, но обращаясь к нему, можно найти как источник творческих идей, так и верные бизнес-решения. Главное — поймать баланс между бизнесом, искусством и математикой.

0
5 комментариев
Популярные
По порядку
Denis Bystruev

Коллеги, спасибо за статью.

1) Статья готовилась до ковида? Разве кто-то до сих пор открывает или хотя бы планирует новые точки фэшн-ритейла?

2) В данный момент оффлайн падает. Вы упомянули, что онлайн растёт быстрее оффлайн. Что вы имели в виду? Что онлайн растёт быстрее, чем падает оффлайн? Или что он растёт быстрее, чем раньше, но всё-таки медленнее, чем необходимо, чтобы замещать выпадающие оффлайн-точки?

Ответить
2
Развернуть ветку
McKinsey Digital

Денис, спасибо за интересный вопрос! На самом деле, картина не такая однозначная:

С одной стороны, до начала пандемии многие фешн-сети демонстрировали позитивные темпы роста как в валовых объёмах, так и в продажах на один магазин. Особенно в России и развивающихся странах, где все еще не исчерпан потенциал экспансии за пределы городов миллионников и остаётся значительная доля рынка за пределами современных форматов торговли (например, рынки).

С другой стороны, конечно, пандемия внесла значимые коррективы в эти планы. Тем не менее, исходя из наших наблюдений и других источников (например, Coronaindex от Tinkoff) видно, что в России продажи фешн отрасли не только восстановились до стандартного уровня, но и превысили его за счёт реализации отложенного спроса. Это вселяет надежду и возвращает вопрос экспансии на повестку сетей.

Ответить
1
Развернуть ветку
Daria Zhuravl

Статья отвечает на вопрос "что", но не "как". Что влияет на ритейл вроде бы и так было очевидно, а вот как эти показатели анализировать в статье ни строчки. Для меня - вода. Как будто чей-то диплом прочитала, где пытались добрать по символам до требуемого минимума. Ни одного прикладного факта.

Ответить
2
Развернуть ветку
Anton Kuznetsov

За прикладные факты маккинзи берет большие деньги. А вы планировали бесплатно тут все прочитать? Лол

Ответить
0
Развернуть ветку
Max

Ах, какой заголовок! Я уж было подумал, сейчас расскажут, как научились предсказывать тренды в моде. Однако, тут всё та же красивая пурга от консалтингового агентства. Не зря туда умников берут.

Ответить
0
Развернуть ветку
Читать все 5 комментариев
Что такое аномалии фондового рынка
Эксклюзивные промокоды для читателей виси на скидки до 75%

Видео-редактор Supa.ru, бот для ведения личных финансов Мобс бот, приложение для запоминания иностранных слов MemoWord и еще 20 полезных сервисов от читателей для читателей.

Доллар на бирже превысил 79 рублей впервые с 2020 года, ЦБ остановил покупку иностранной валюты на неопределённый срок Статьи редакции

Что происходит 24 января: в падении рубля виновата геополитика, но ему могут помочь высокие цены на нефть.

Наша статистика – это ваши поддержка и доверие
Как я решил производить велопарковки для Австрии
Кейс Pirelli: переводим станки на человеческий язык
Polars: самая быстрая библиотека для обработки данных

Polars или Pandas? Кто быстрее?

Режим Хеджирования
Я готов месяц счищать снег с тротуара перед зданием ЦБ РФ в костюме жабы

Вот уже полгода мы подстраиваем свою работу под требования 259 федерального закона, чтобы создать полностью легальную криптоплощадку на территории РФ. Я потратил несколько миллионов долларов на разработку платформы, работу юристов и оценщиков.

null