Дерево принятия решений или как находить сегменты, способные расширяться в 2 раза
Дерево принятия решений или как находить сегменты, способные расширяться в 2 раза
Как развивать категорию, какие товары в ней приоритетны, а какие должны покинуть полочное пространство?
Любые изменения в ассортименте и выкладке должны быть выверены, основаны на математических вычислениях и моделях. Сегодня рассмотрим дерево принятия решений (ДПР), как эффективный инструмент в категорийном менеджменте. Хотите знать, как правильно использовать дерево решений и увидеть примеры кейсов внедрения ДПР на практике? Все самое интересное в одной статье. Поехали!
Изучение и построение ДПР дает понимание, какие сегменты категории следует развивать, и по какому принципу клиент делает выбор.
Дерево решений в категорийном менеджменте
На самом деле выбор товара – это сложный процесс, который совершается уже у полки магазина. Мы рассматриваем дерево принятия решений покупателем, как мощный инструмент аналитики, позволяющий получить неожиданные инсайты для разработки стратегии как отдельно в категорийном менеджменте, так и для всей торговой сети.
Задача изучения дерева принятия решений в категорийном менеджменте – развить узкие сегменты товаров, за которыми приходит наш специфический покупатель. Как это работает? Есть покупатели, которые заходят в магазин за товарами определенной категории и ценового диапазона. Целесообразно такие SKU при выкладке разместить рядом, чтобы покупатель не искал и смог с комфортом сделать свой выбор. Такое объединение SKU зачастую позитивно влияет на развитие категории.
По сути, формируются корзинки переключения спроса, то есть продукты, между которыми делается выбор. Именно поэтому анализ дерева решений важен при составлении планограмм и оптимизации выкладки. Какие выгоды дают математические алгоритмы и методы работы с деревом решений, читайте дальше.
7 причин использовать дерево принятия решений в ритейле
В магазины разных ритейлеров ходят свои посетители, поэтому у каждой розничной сети свое дерево принятия решений. Анализ больших данных помогает ритейлеру понять и оцифровать дерево принятия решений о покупке. В своей практике специалисты Consulting for Retail (C4R) часто используют ДПР. Причем для построения дерева решений эксперты используют не опрос и наблюдения, а процесс изучения истории покупок через карты лояльности, а также анализ, между какими товарами внутри категории покупатель делает выбор и почему.
Специалисты команды C4R максимально формируют ДПР под покупателя определенной сети. Это позволяет ритейлеру составить таргетированное предложение для своего целевого покупателя и удовлетворить спрос.
7 основных выгод от анализа и применения ДПР:
- Упростить выбор покупателя – группировать товары так, как их ищет посетитель.
- Повысить спрос и понять, какой из подсегментов стоит развивать благодаря определению корзинок переключения спроса с трендовым ростом.
- Целевые маркетинговые предложения клиентам: дает ответ, как подобрать ассортимент под эти акции.
- Дает понимание, какие товары между собой конкурируют и как усилить позиции той или иной продукции относительно конкурентов – важная информация как для ритейлера, так и для поставщика.
- Помогает сделать анализ переключения спроса, что в свою очередь объясняет процессы каннибализации.
- Позволяет определить границы спроса, насыщенность категории и корзин переключения спроса. И вот почему это важно. К примеру, сама категория вин может быть обширной, а в чеках видно, что выбор покупателя сводится к трем-пяти стойким наименованиям. Усиливая эти корзинки переключения спроса, можем получить хороший показатель роста продаж. Хотя при поверхностной оценке могло возникнуть мнение, что всю категорию вин следует сокращать.
- Помогает понять единицы потребности покупателей: бывает так, что сегмент категории продается плохо, но убрав его из ассортимента, есть риск потерять покупателей, которые закрывали свою потребность покупкой этих товаров.
Команда C4R использует специализированный сервис для глубокого анализа истории покупок по картам лояльности в торговой сети. Опыт команды в аудите и консалтинге бизнес-процессов розницы, а также в реализации IT-проектов позволяет извлечь максимальную выгоду из инструмента. Для понимания рассмотрим процесс работы с ДПР.
Как из анализа ДПР получают ценные инсайты?
Покупатели возвращаются в магазин и совершают покупки по картам лояльности, каждый раз выбирая те или иные товары. Просматривая историю покупок, наша задача найти какие-то закономерности. В методе работы с деревом принятия решений можно выделить три основных этапа.
- Найти сходства/закономерности. Отслеживаем, за каким товаром покупатель приходит в магазин, какой продукт он выбирает. Анализ позволяет определить, у каких покупателей в корзинках встречаются одни и те же группы товаров. Вся информация есть в чеках, главное – с ней работать. Наша задача – определить группы товаров, между которыми покупатель делает выбор.
- Интерпретация данных. На этом этапе важно правильно объяснить, почему между этими товарами делается выбор. Это может быть просто группа товаров, у которых красивая этикетка, или товары из одного ценового сегмента. Либо это вина определенного сорта, марки, либо их объединяет то, что они входят в ТОП-лист «винного» приложения в смартфоне.
- Подтверждение предположений. На этом этапе важно сотрудничество с категорийными менеджерами, поскольку они лучше всего знают подгруппы товаров и помогают объяснить их сходство.
На основе данных, полученных в ходе анализа, строится иерархическая кластеризация. Какие результаты анализ дерева решений приносит на практике? Об этом в следующем пункте!
Практический кейс – яркий пример, как работает анализ дерева принятия решений
Дерево принятия решений широко применяется в ритейле, потому успешных кейсов немало. И вот пара из них!
Кейс №1: Как находить сегменты, способные расширяться в 2 раза
В магазинах крупной торговой сети, расположенных в центре города, была определена закономерность в продаже кофе. Группа «кофе» не была похожа между собой, ее объединяло только то, что у кофе было итальянское название. Рассматривая подробнее категорию, определили, что она имеет немалый потенциал для расширения. Оказалось, что в микрорайоне было много офисных зданий и офис-менеджеры приобретали кофе с названием, которое ассоциировалось у них со страной происхождения вкусного качественного напитка. Путем добавления напитков с итальянским названием, расширили категорию «кофе». Такой подход удвоил продажи в этой корзине переключения спроса.
Кейс №2: Как мы увеличили рост категории «пиво» до 27%
Кейс команды C4R в крупной розничной сети Средней Азии. В определённых магазинах, расположенных в дорогих районах проживания, мы нашли стойкую привязанность группы посетителей к импортному пиву. Развитие узких сегментов в импортном пиве привело к росту категории на 27%.
Когда посетитель приходит в магазин, торговая сеть должна предложить то, что ему нужно и не тратить свои ресурсы на хранение, заказ и обслуживание невостребованных товаров. У каких категорий есть перспективы? Определить это помогает анализ дерева решений от специалистов C4R.
Хотите больше узнать об услугах аудита и консалтинга для розницы, а также о системах для автоматизации процессов категорийного менеджмента, ценообразования, о решениях для автозаказа и о внедрении ERP в торговле? Набирайте номер +38 (044) 492-67-00 или заполняйте форму обратной связи. Наши эксперты свяжутся с вами.
Автор статьи Андрей Шевчук,
Руководитель направления бизнес-консалтинга C4R