Планирование ассортимента в ритейле
на основе AI
на основе AI
Наше решение по формированию идеального ассортимента в сети магазинов электроники
Клиенты не просто покупают товары, они покупками закрывают определенные потребности. Это можно учитывать для повышения эффективности.
Проблема
Пространство на полке, странице или складе —
это ценный ресурс и его необходимо оптимально использовать. С другой стороны, может так быть, что на полке стоит несколько похожих товаров и хотя они закрывают часть потребностей клиентов, потребности части клиентов остаются незакрытыми и это
упущенная выгода.
Пространство на полке, странице или складе —
это ценный ресурс и его необходимо оптимально использовать. С другой стороны, может так быть, что на полке стоит несколько похожих товаров и хотя они закрывают часть потребностей клиентов, потребности части клиентов остаются незакрытыми и это
упущенная выгода.
Основной инструмент выявления потребностей клиента - построение дерева клиентских предпочтений
Решение
Наше решение анализирует потребности клиентов на основе сессий с сайта и/или их исторических покупок и объединяет все товары по потребностям. Строится иерархическое дерево потребностей (CDT), которое далее передается для корректировки категорийному
менеджеру, который может внести свое видение в разметку.
Далее, в рамках каждой потребности с учетом размера полки, премиальностей товаров и магазинов на полку рекомендуется товар, который наиболее оптимален для компании по комбинации выручки, маржи и чеков. В процессе, также учитывается кросс-канибализация товара. Для категорийного менеджера разработан инструмент, который позволяет ему корректировать рекомендации машины.
Наше решение анализирует потребности клиентов на основе сессий с сайта и/или их исторических покупок и объединяет все товары по потребностям. Строится иерархическое дерево потребностей (CDT), которое далее передается для корректировки категорийному
менеджеру, который может внести свое видение в разметку.
Далее, в рамках каждой потребности с учетом размера полки, премиальностей товаров и магазинов на полку рекомендуется товар, который наиболее оптимален для компании по комбинации выручки, маржи и чеков. В процессе, также учитывается кросс-канибализация товара. Для категорийного менеджера разработан инструмент, который позволяет ему корректировать рекомендации машины.
«
Иерархическое дерево потребностей (CDT) показывает, какие атрибуты товаров важны для покупателя, и в какой последовательности они должны быть расположены.
В большинстве случаев CDT строится на основании атрибутов товаров. Чем ниже уровень CDT, тем сильнее товары заменяют друг друга. Категорийные менеджеры могут оказать большую помощь в построении CDT, т.к. хорошо понимают свои категории. Есть аналитические способы построения CDT, например, анализ графа транзакций. Для выявления потребностей проводится экспертная интерпретация построенного дерева
В большинстве случаев CDT строится на основании атрибутов товаров. Чем ниже уровень CDT, тем сильнее товары заменяют друг друга. Категорийные менеджеры могут оказать большую помощь в построении CDT, т.к. хорошо понимают свои категории. Есть аналитические способы построения CDT, например, анализ графа транзакций. Для выявления потребностей проводится экспертная интерпретация построенного дерева
»
На примере смартфонов выявлены новые признаки товаров, которые напрямую не используются при наполнении ассортиментной матрицы.
Оптимизатор матрицы сможет рекомендовать наилучший набор SKU (номенклатурные единицы) для представления категории в магазине.
Параметры оптимизатора матрицы для подбора наилучшего набора SKU
для представления категории в магазинах
для представления категории в магазинах
Вводные по магазинам- Кластеризация магазинов по географии
- Кластеризация магазинов по премиальности
- Число доступных для категории посадочных мест
- Вводные по SKU
- Похожести по SKU из CDT
- Чековые данные по SKU
- Ручные вводные
- Выбор кластера география-пермиальность
- Фильтры на период продаж, промо-продажи
Экономический эффект:
- 1Построение CDT (Customer Decision Tree) значительно облегчает работу КМ, потому что на базе уже созданной разметки и кластеризации он может выделить отдельные группы товаров и формировать ассортимент, опираясь на актуальные потребности покупателей.
- 2Основанная на реальных данных аналитика помогает быстрее принимать решения, а также избежать ошибок интерпретации косвенных данных о клиентах и избавиться от перебойности и искаженности метрик получаемых в опросах.
- 3Для крупного ритейла экономический эффект измеряется миллиардами рублей в год
У нас уже есть готовое решение
Время адаптации решения под бизнес — два-четыре месяца
1
Интегрируемся с вашими ИТ-системами
2
Строим CDT
Иерархическое дерево потребностей
Иерархическое дерево потребностей
3
Выявляем потребности
4
Формируем продуктовую матрицу
Мы разрабатываем передовые решения на основе нейронных сетей с 2016 года
Экономический эффект сотрудничества с нами —
десятки тысяч долларов в день
десятки тысяч долларов в день
Контакты
+7 (967) 215-75-05
contact_us@datastudio.digital
contact_us@datastudio.digital