Иногда можно встретить утверждение, что литература по эффективности организации торгового и полочного пространства делится на три категории. Такого мнения, в частности, придерживается выдающийся исследователь в этой области Марсель Корстьенс. Эти три категории представляют собой: отчеты об эмпирических исследованиях (подобных тем, что были рассмотрены нами в этой главе); книги о коммерциализации исследовательских наработок, а именно: о программных продуктах электронного мерчандайзинга; и академические работы математиков и статистиков, стремящихся оптимизировать модели организации полочного и торгового пространства.

Программные продукты по построению планограмм часто опираются на эмпирический принцип, согласно которому размещение товаров определяется на основе генерируемой ими прибыли или объема продаж. Подобные решения предлагаются на рынке с 1970-х годов; одними из первых были системы SLIM (Store Labor and Inventory Management – управление товарными запасами и персоналом в магазине) и COSMOS (Computer Optimization and Stimulating Model for Supermarkets – компьютерная модель оптимизации и стимулирования продаж для супермаркетов). Я не ставил своей задачей дать полный обзор всех разработанных с тех пор алгоритмов, вплоть до современных инструментов по построению планограмм, однако счел необходимым описать наиболее важные вехи в их эволюции. Следует заметить, что многие из коммерческих инструментов создаются исследователями, которые предпочитают накоплению знаний накопление капитала, поэтому их разработки часто представляют собой упрощенные версии тех моделей оптимизации, которые можно найти в академических работах.

Я сосредоточусь здесь на последних, поскольку они всегда предшествуют коммерческим решениям. Для того чтобы быть полезными на практике, такие программы, как Spaceman и Appollo, должны основываться на значительном упрощении реальности – деталь, которая, кажется, мало волнует исследовательские круги.

Три ключевые вехи, которые будут кратко описаны далее, показывают, как исследователи постепенно решали проблему оптимизации путем включения следующих новых факторов:

• разная эластичность выкладки разных продуктовых линеек;

• перекрестная эластичность выкладки;

• прямые товарные издержки.

Эван Андерсон и Генри Амато (1973) разработали один из первых алгоритмов для решения задачи оптимизации полочного пространства. Как говорят в среде маркетологов, они подошли к проблеме «со стороны спроса». Исследователи исходили из тех знаний, которые имелись на тот момент, а именно из того факта, что разные продуктовые линейки обладают разной эластичностью выкладки. Проще говоря, их модель была основана на логистических регрессиях, которые рассчитывали бета-коэффициенты для разных продуктовых линеек. Именно этот вид вычислений лежит в основе вышеупомянутых систем SLIM и COSMOS.

Следующий важный шаг был сделан французом Марселем Корстьенсом и англичанином Питером Дойлом (1981). Тем самым Питером Дойлом, который, если вы помните, раскритиковал исследования в области ритейл-маркетинга за отсутствие прогресса. Предложенная ими модель была более обширной, чем предыдущие, и обсуждается по сей день. Помимо прочего, они включили возможность расчета прямых товарных издержек (связанных с приобретением, хранением, а также отсутствием товара на полках, так называемым out-of-stocks), эффекты спроса и фактор перекрестной эластичности. Именно включение последнего показателя принесло известность их модели.

Они протестировали свою модель на пяти продуктовых линейках в 140 магазинах, продающих сладости, мороженое и подарочные карты, с оборотом $30 млн в год. Как сообщили исследователи, эластичность выкладки составила порядка 0,19 и, таким образом, соответствовала тому, что показали более ранние эксперименты. Также было установлено, что перекрестная эластичность выкладки была отрицательной между различными видами сладостей (если магазины продавали больше шоколада, спрос на карамель падал) и положительной между сладостями и подарочными картами.

Кроме того, были рассчитаны прямые товарные издержки, связанные с приобретением (заказ и транспортировка), обработкой (хранение, страхование и товарные потери) и отсутствием товара на полках. Расчеты были сделаны на основе средних данных по 10 магазинам, но использовались для всех охваченных исследованием торговых точек. Согласно полученным данным, товары с более высокой оборачиваемостью (например, шоколад по сравнению с подарочными картами) влекли более высокие затраты на обработку.

Далее М. Корстьенс и П. Дойл выполнили расчеты для планограмм, (1) используемых в настоящее время в магазинах, (2) разработанных на основе данных о продажах, и (3) разработанных на основе валовой прибыли; чтобы сравнить их с результатами своей новой модели. Сравнение показало, что последняя потенциально обеспечивает на $128 тыс. больше чистой прибыли, чем используемые в настоящее время планограммы, на $104 тыс. больше, чем планограммы, основанные только на данных о продажах, и на $97 тыс. больше, чем планограммы, основанные на валовой прибыли. В первую очередь, это было связано с тем, что основанные на эмпирических правилах модели отводили слишком мало места под дополнительные товары, такие как мороженое и подарочные карты. В процентном отношении это означало увеличение чистой прибыли менее чем на 0,5 %.

Отсутствие товаров на полках (out-of-stock) является серьезной проблемой для ритейлеров. Покупатели реагируют на это одним из пяти способов: 1) идут в другой магазин, 2) откладывают покупку, 3) отказываются от покупки, 4) покупают упаковку другого размера или аналогичный товар той же торговой марки, или 5) переключаются на другую торговую марку. Дэвид Грант и Джон Ферни (2008) сообщают о том, что исследование, проведенное аналитическим агентством IGD в 2003 году, установило, что 65 % британских покупателей в случае отсутствия нужного им товара на полке выбирают один их первых трех способов.

Идея существования этого вида перекрестной эластичности была выдвинута французским исследователем Аленом Бултесом, и его попытка включить эффект каннибализации в модели построения планограмм увенчалась успехом. Другими словами, он был первым, кто разработал хорошее решение для расчета снижения продаж торговой марки B в результате того, что торговая марка А получает больше полочного пространства и показывает увеличение продаж. Модель А. Бултеса называется SH.A.R.P. и до сих пор остается работоспособной (см. ниже), как показало тестирование в бельгийских продовольственных магазинах.

На первый взгляд, включение в модели фактора перекрестной эластичности представляется банальным делом, но все не так просто, как кажется. Насколько взаимодополняющими и/или конкурирующими товарами являются, например, рис и спагетти? Добавьте в это уравнение пшенную крупу, картофель, картофель-фри, другие крупы и корнеплоды, и сложность возрастет в разы. При этом имейте в виду, что показатель перекрестной эластичности варьируется для разных товарных пар, а также в зависимости от времени и ситуации. Товары, конкурирующие друг с другом в одной ситуации (гамбургеры и фрикадельки могут рассматриваться в качестве альтернатив для приготовления на ужин), оказываются взаимодополняющими в другой (если вы собираетесь пригласить друзей на барбекю).

После того как были разработаны фундаментальные модели, исследователи бросили свои силы на их дальнейшую оптимизацию, зачастую путем устранения различных ограничивающих условий. Например, если более ранняя модель включала фактор перекрестной эластичности (М. Корстьенс и П. Дойл 1981, 1983), то более поздняя исключала его из рассмотрения, чтобы сосредоточиться на другом аспекте, таком как, например, вертикальное или горизонтальное размещение (А. Лим, Б. Родригес и К. Занг, 2004). Много времени было потрачено на попытки математическим способом решить проблему, почему упаковка разных товаров выглядит так, а не иначе. Разумеется, математики не привыкли принимать во внимание некоторые факты, например, что одни товары (та же пачка кофе) по определению должны иметь упаковку большего размера, чем другие (пакетик дрожжей).

С одной стороны, модели страдали от того, что не были достаточно простыми для использования на практике. С другой – интерес к ним никогда не иссякал. Исследователи не прекращали попыток создать эффективные алгоритмы для оптимизации полочного пространства, которые могли бы конкурировать с эмпирическими правилами, предусматривающими выделение количества фейсингов в зависимости от доли в общем объеме продаж или валовой прибыли. В 1988 г. француз Ален Бултес и бельгиец Филипп Наэрт представили модель под названием SH.A.R.P. (Shelf Allocation for Retailers’ Profit – распределение полочного пространства для прибыли ритейлеров). Они утверждали, что она намного превосходит эмпирический принцип «площадь выкладки / доля продаж». Однако уже через год А. Бултесу пришлось проглотить горькую пилюлю. Оказалось, что после включения в модель эффекта каннибализации (SH.A.R.P. II) бóльшая часть ее преимуществ перед данным эмпирическим правилом исчезла (А. Бултес и др., 1989). Тем не менее, по расчетам А. Бултеса, магазин будет терять приблизительно 2,7 % валовой прибыли, если не оптимизирует полочное пространство с помощью SH.A.R.P. II. В итоге, благодаря своей способности обеспечивать уровень рентабельности, сопоставимый со всей чистой прибылью, получаемой ритейлером, модели оптимизации продолжают вызывать живой интерес у исследователей.

До настоящего момента я представлял вам ученых, которые были пионерами внедрения нового подхода к разработке планограмм. Среди их современных последователей мне бы хотелось назвать талантливого исследователя Мин-Хсиен Янга из Тайваня. Он разработал модели, позволяющие сократить потребность в вычислительной мощности при расчетах оптимизационных алгоритмов, и провел исследования рентабельности работы с планограммами.

Вместе со своим коллегой (М.-Х. Янг и В.-Ч. Чень, 1999) он провел исследование, целью которого было изучить, как ритейлеры работают над эффективностью использования торгового пространства. Владельцев магазинов попросили ответить на вопросы о том, сколько времени и сил они тратят на (1) стратегическую и (2) оперативную работу. Каждый пункт (стратегическая/оперативная работа) содержал по пять вопросов. Затем исследователи соотнесли ответы с экономическими показателями деятельности ритейлеров: общим объемом продаж, продажами на квадратный метр, прибылью на квадратный метр.

Была обнаружена четкая закономерность: качество оперативной работы по обеспечению эффективного использования торгового пространства отражалось в наибольшей степени на показателе продаж на квадратный метр, тогда как качество стратегической работы влияло на размер валовой прибыли на квадратный метр торговой площади.

Таблица 3.13. В таблице приведены результаты исследования ANOVA с использованием f-величин (и p-величин). Судя по всему, усилия ритейлеров как на стратегическом, так и на оперативном уровне, направленные на повышение эффективности использования торгового пространства, окупают себя

В недавнем исследовании Чейз Мюррей, Абхижит Талукдар и Дебу Госави (2010) разработали модель оптимизации, учитывающую такие факторы, как цены товаров, место расположения на полках, количество фейсингов (площадь выкладки) и ориентация упаковки. Ч. Мюррей и его коллеги сообщают, что их методики управления полочным пространством позволили улучшить продажи в тех же диапазонах, что и в ранее рассмотренных нами исследованиях. Однако они утверждают, что многие используемые сегодня модели представляют собой значительную абстракцию по сравнению с реальным контекстом, в котором ритейлер принимает решения. Развитие трехмерного моделирования для построения планограмм, безусловно, является важным шагом вперед, особенно для тех товарных категорий, где упаковка не имеет естественной лицевой стороны.

Несмотря на усилия исследователей, например, Ч. Мюррея и его коллег (2009), по созданию более реалистичных моделей, многие ритейлеры и производители используют планограммы всего лишь как предварительные эскизы того, как можно организовать полочное пространство, но никогда не полагаются на них полностью. Владельцы магазинов дорабатывают их путем включения таких факторов, как специфика хранения, тип торговой точки, коммуникативные цели (например, лучшее место и больше площади может выделяться тем товарам, которые ритейлеры хотят продать, а не тем, которые уже пользуются спросом), смежное расположение связанных товарных категорий и т. д. Все это в итоге оказывает большое влияние на окончательный вид планограмм. Равно как и эмпирический принцип распределения полочного пространства в зависимости от доли товара в объеме продаж (или валовой прибыли).

Обзором исследования М.-Х. Янга и В.-Ч. Ченя я завершаю этот раздел, посвященный оптимизационным моделям. Исходя из всего вышесказанного, можно сделать следующий вывод: усилия по оптимизации торговых площадей, безусловно, окупают себя в виде увеличения прибыли и продаж, однако существует определенный предел в том, сколько времени и сил ритейлер может потратить на эту деятельность. Поэтому, несмотря на появление все более продвинутых коммерческих программных средств для планирования торгового пространства, проблемы остаются. В частности, они связаны с оценочными значениями, которые модель требует в качестве входных данных. Например, эти оценки касаются перекрестной эластичности или каких-либо стратегических решений, где маркетолог должен ввести субъективные данные. Любопытное исследование было проведено Нормом Борином и Полом Фаррисом в 1995 году. Ученые захотели проверить, насколько неправильные цифры могут быть введены в модель без заметного влияния на результат. Протестировав SH.A.R.P. II, они обнаружили, что входные значения, зависящие от субъективной оценки принимающих решение лиц, могут существенно отклоняться от реальных значений (до 50 %) без того, чтобы модель уступила методикам на основе эмпирических правил.

Другая, возможно, более важная проблема состоит в том, что оптимизационные модели не принимают во внимание стратегические решения. Алгоритмы основаны на исторических данных, однако ритейлер может захотеть повлиять на поведение своих покупателей, переориентировав их с тех товаров, которые они приобретают сегодня, на какие-то другие. Эту проблему мы обсудим в следующем разделе.

Исследования в области оптимизации полочного пространства приобретают все более прикладной характер. В качестве примера можно привести два из них, касающихся private label сетей и их размещения на полочном пространстве. Первое исследование провели Марсель Корстьенс и Раджив Лал (1994). Они описали разницу в подходе европейских и американских продовольственных магазинов к работе с собственными торговыми марками. Первые выделяют под private label наиболее выгодные места, часто превосходящие по площади долю этих товаров на местном рынке, тогда как вторые, в основном, сосредоточивают свои торговые марки в низкоценовых сегментах.

В своем исследовании М. Корстьенс и его коллеги четко показали, что на большинстве рынков предпочтительнее работать по европейской модели. Это предъявляет определенные требования к качеству продуктов private label и ценовой политике их национальных конкурентов, однако в свете нашего обсуждения наиболее важным моментом является то, что стратегическое решение, предлагаемое М. Корстьенсом, не может быть реализовано при помощи существующих программных инструментов для построения планограмм. Между тем исследователи настаивают, что такое решение должно повлечь за собой все необходимые шаги по его реализации вплоть до соответствующей организации полочного пространства.

Я предпочитаю сохранить роль объективного наблюдателя и не высказывать здесь своего мнения по этому вопросу. Итак, еще в одном прикладном исследовании Фернандес Ногалес и Гомес Суарес (2005) сравнили, какое полочное пространство выделяют различные магазины под свои торговые марки (исследование охватывало периоды с 1998 г. по 1999 г. и 2003 г.). Полученные результаты подтвердили вывод М. Корстьенса и его коллег о том, что private label получают места на полках больше, чем «заслуживают», исходя из их рыночной доли. Интересно, что исследователи также оценили ситуацию в целом по тем продуктовым линейкам, в которых магазины усиленно продвигали собственные торговые марки, и обнаружили, что это оставляло отпечаток на их рентабельности, хотя такая негативная динамика проявлялась не во всех торговых точках. В результате, некоторые ритейлеры начали сокращать площадь выкладки собственных торговых марок, чтобы не терять продажи. С другой стороны, они по-прежнему продолжали выделять много места под новые private label.

Вывод таков: повлиять на решения покупателей путем соответствующей организации полочного пространства совсем нетрудно, главное – не злоупотреблять данным инструментом, несмотря даже на то, что покупатели редко осознают происходящие изменения.