О теории и практике применения современных аналитических решений для оптимизации и планирования товарных запасов в онлайн-торговле, а также о критериях выбора таких систем рассказывает в своей статье Павел Кудинов, директор по технологиям и разработке компании Everada.

В последнее время многие ритейлеры все чаще задумываются о развитии новых каналов дистанционной торговли, и самым очевидным решением на данном этапе является открытие онлайн-ма-газинов. Одним из основных факторов успеха онлайн-канала является высокая конверсия посетителей сайта интернет-магазина в покупателей, что подтверждается данными многочисленных исследований эффективности онлайн-торговли.

Как правило, на уровень конверсии влияют такие факторы, как лояльность к бренду и сервису интернет-магазина, наличие остатков на складе, привлекательность цен и умение интернет-магазина угадывать потребности своих покупателей. Для достижения высокой лояльности покупателей ритейлерам также необходимо выстроить надежную инфраструктуру с отлаженными процессами фулфилмента и обслуживания покупателей.

Отметим, что сейчас в онлайн-ритейле получают все большее распространение системы анализа данных и бизнес-аналитики (BI, business intelligence), позволяющие принимать более точные и эффективные бизнес-решения, грамотнее распоряжаться и управлять товарными запасами, ассортиментом, гибко контролировать ценовую политику, предлагать посетителям интересные именно им товары, разрабатывать маркетинговые акции и выстраивать системы скидок. Для этого такими системами ис¬пользуется агрегированная информация о продажах, структуре и сумме чека, данные о покупателях, детальные данные о марке¬тинговых акциях, ценах на товар в собствен¬ном магазине и у конкурентов, рекламных кампаниях, праздниках и пр. Чем больше различных факторов здесь будет учтено, тем более точными окажутся принятые биз¬нес-решения.

Что делать с товарным балластом?

Одной из основных составляющих издержек для ритейлеров с собственным складским центром являются средства, «замороженные» в товарах (как правило, такая «заморозка» происходит в результате недостаточно точного планирования ассортимента и товарных запасов). При этом в дистанционной торговле на одну единицу проданного товара приходится от 3 до 15 единиц товара на складских полках. Уменьшить же количество товарных остатков можно путем либо сокращения хранимого на складе ассортимента, либо за счет уменьшения количества единиц каждого товара.

Для решения этих задач рекомендуется использовать показатель скорости продажи товара (оборачиваемости товара в днях), рассчитываемый как значение текущего остатка, отнесенного к средним продажам за фиксированный период. Чем выше показатель оборачиваемости, тем медленнее продается товар и, как следствие, менее выгодной становится его продажа. В этом случае запас данного товара следует уменьшить или вовсе предоставлять его только под заказ.

Для эффективной оптимизации оборачиваемости применяются системы прогнозирования спроса. В качестве исходных данных используется информация об остатках и продажах за каждый день, а также полный набор факторов, которые могли повлиять на спрос: история дефицита, промоакций, мотиваций персонала, рекламных кампаний и других внешних воздействий на спрос. По расписанию в ежедневном режиме система строит прогноз спроса в период между поставками, что позволяет более точно спланировать значение поставок для каждого товара.

При настройке алгоритма прогнозирования, на основе истории продаж проводится моделирование, по результатам которого прогнозы алгоритма сравниваются с реальными историческими значениями. Для настройки параметров алгоритма используется функционал качества - функция, оценивающая стоимость ошибки при заданных параметрах. На практике оказывается, что завышенный прогноз обходится компании дешевле, чем заниженный, который приводит к недополученной прибыли. Поэтому выбору функционала качества необходимо уделить особое внимание, а именно - рассчитать, в какую сумму компании обходится хранение каждой лишней единицы товара, например с учетом сроков годности, и какая часть маржи теряется в случае отсутствия товара на складе.

Определение приоритетных данных

Отметим, что для построения эффективных аналитических систем необходимо иметь качественные данные, преобразованные в удобный для анализа формат. Любые данные, используемые для аналитики, должны быть непротиворечивы, точны, не иметь аномальных значений, не связанных с реальной деятельностью компании. На первый взгляд, все данные являются таковыми, однако на практике особое внимание уделяется ETL-процедурам (extract, transform, load), предназначенным для извлечения данных из транзакционных систем (OLTP), их очистки, преобразования и загрузки в хранилища данных DWH или OLAP. Эти процедуры могут включать в себя этапы очистки данных и удаления аномальных значений. Только после этих процедур приступают к построению аналитических систем и внедрению их в цепочку принятия бизнес-решений.

Как выбрать оптимальную систему?

На рынке существует большое количество BI-решений для прогнозирования спроса и оптимизации товарных запасов. Среди них имеются как облачные системы, так и системы, устанавливаемые на серверах самого ритейлера. В случае использования облачных систем клиентам предоставляется удобное API для интеграции с практически любыми информационными системами.

Интеллектуальные системы, устанавливаемые на серверах заказчика, обычно требуют капитальных вложений в IT-инфраструктуру, привлечение профильных программистов и консультантов. Это обычно останавливает некоторых ритейле-ров от их внедрения, однако, на наш взгляд, анализировать оборачиваемость товаров необходимо им в любом случае. С этой целью можно использовать стандартную программу Excel с подключением к базе данных и несколько формул, рассчитывающих самого ритейлера. В случае использования облачных систем клиентам предоставляется удобное API для интеграции с практически любыми информационными системами.

Интеллектуальные системы, устанавливаемые на серверах заказчика, обычно требуют капитальных вложений в IT-инфраструктуру, привлечение профильных программистов и консультантов. Это обычно останавливает некоторых ритейле-ров от их внедрения, однако, на наш взгляд, анализировать оборачиваемость товаров необходимо им в любом случае. С этой целью можно использовать стандартную программу Excel с подключением к базе данных и несколько формул, рассчитывающих

оборачиваемость и значение для очередной поставки. В то же время, после того как ежедневное число заказов ритейлера превысит 50-100 или ширина ассортимента составит более 1000-2000 товаров, необходимо обратиться к консультантам по логистике и задуматься о внедрении промышленного решения. При таких объемах срок окупаемости внедряемой системы может составить всего несколько месяцев.

В случае же больших оборотов - свыше 10 тыс. заказов в месяц - может потребоваться разработка собственного решения с участием математиков и специалистов в области анализа данных, учитывающего бизнес-процессы компании, отлаженные процессы поставок и планирование продаж.