При анализе вся информация делится на следующие категории: информация о компании, информация о потребителях и информация о конкурентах. Мы ограничимся конкретными аспектами, актуальными для розничной торговли.

Общие положения по целям и затратам применимы для розничной торговли точно так же, как и для прочих секторов. С учетом широты ассортимента невозможно распределять затраты (в том числе и затраты на продажи или консультации) по таким методикам, как калькуляция затрат по видам деятельности. Поэтому ритейлеры обычно используют в расчетах затраты на закупку. Широко используется ценообразование по принципу «издержки плюс», и поэтому в ценообразовании ритейлеров цены на товары играют ключевую роль. Бремя затрат может сильно различаться по товарам или категориям, например, ввиду наличия расходов на транспортирование, хранение, консалтинг или других эксплуатационных расходов. В этом случае рекомендуется учитывать эти затраты и включать их в ценовые расчеты соответствующих товаров или категорий. Это относится также и к тем услугам, счета на которые не выставляются напрямую.

Например, когда аптека доставляет лекарство по низкой цене пациенту на дом, эта конкретная сделка может и не принести прибыли, но она оправдана с точки зрения потребительской ценности. Взимание отдельной платы за услуги является важной отправной точкой для повышения прибыли в розничной торговле. Например, поставщик напитков может начать брать деньги за их доставку, и наоборот, если интернет-магазин продуктов питания с доставкой на дом откажется от отдельной платы за транспортирование товара, то его деятельность, скорее всего, окажется экономически нецелесообразной. Ввиду низкой маржи прибыли в розничной торговле даже небольшие суммы в обмен на подобные услуги могут иметь значение. Включать ли оплату таких дополнительных услуг в отпускную цену или взимать ее отдельно, зависит от восприятия цены потребителем. Многие поставщики избегают взимания отдельной платы за такие услуги, поскольку сравнение цен делает их затраты более прозрачными для потребителей в отличие от тарифов за услуги, «скрытых» в более высокой цене товара. Но чаще может возникать обратная ситуация: при сравнении цен потребители фокусируются на стоимости самого товара, не осознавая, что кажущаяся экономия обернется дополнительными расходами на услуги, и в таких случаях сокрытие стоимости услуг в цене на товар становится конкурентным недостатком продавца.

При распределении затрат необходимо выделять в них фиксированную и переменную части. В примере с аптекой расходы на персонал могут быть фиксированными, а транспортные расходы на доставку лекарства – переменными. Поэтому при учете затрат по видам деятельности транспортные расходы включают в калькуляцию, а расходы на персонал – нет. В то же время этот простой пример показывает, что полный учет затрат по видам деятельности едва ли осуществим на практике.

Здесь крайне важен тщательный и всесторонний анализ ситуации с маржой и прибылью. Ввиду большого ассортимента и различного уровня маржи руководству магазина необходимо знать, сколько они зарабатывают с каждой категории товара и каждой позиции. Данная информация важна не только для управления ценами, но и для принятия решений по изменению ассортимента, распределению торговых площадей и аналогичным аспектам. Поэтому за последние десятилетия многие розничные сети добились радикальных улучшений благодаря таким инновациям, как кассовые аппараты со сканерами, карты покупателей, метки радиочастотной идентификации и закрытые системы управления товарами [39]. Больше всего это касается электронной коммерции, которая охватывает гораздо больше данных, чем старые системы. Появление Big Data дало возможность проводить расширенный и более глубокий анализ поведения потребителей. Однако в области управления ценами большинство ритейлеров даже не приблизились к использованию потенциала уже доступных для исследования данных, и аналитические возможности многих из них пока что отстают от современных научно-технических достижений.

Методы сбора релевантной ценовой информации о потребителе, описанные в главе 3, также применимы и к розничной торговле, поэтому здесь они не рассматриваются. В главе 3 упоминалось о нескольких приложениях, которые возникли или были впервые использованы в сфере розничной торговли. В их функционал входит расчет функций «цена-отклик» на базе онлайновых данных, данных со сканеров кассовых аппаратов или данных из ценовых тестов, проведенных компаниями посылочной торговли с помощью тестовых каталогов.

Для ритейлеров информация о потребителе, полученная из внутренних источников (из данных, собранных в ходе обычной деятельности), играет более важную роль по сравнению с информацией из внешних источников (которую обычно собирают с определенной целью). В отличие от производителей, которые редко работают непосредственно с конечными потребителями, ритейлеры работают с конечными потребителями напрямую и поэтому имеют больше информации об их поведении. Действия ритейлеров при этом зависят от конкретного типа данных, которые они собирают.

С помощью кассовых аппаратов со встроенными сканерами и аналогичных систем для розничной торговли можно отслеживать и регистрировать каждую покупку, накапливая данные. Эти данные компания может использовать для подробного анализа поведения потребителей в плане влияния цены товара, отклика на ценовые акции, поведенческих моделей в зависимости от времени, а также сопутствующих покупок. Все полученные данные являются частью общей концепции «анализа корзины покупок». Однако, если какого-либо клиента невозможно идентифицировать по карте покупателя, анализ корзины покупок также не позволяет сделать сколько-нибудь значимые выводы относительно динамической модели покупок на уровне отдельного потребителя. Тем не менее эти данные полезны для анализа сочетаемости товаров при их покупке в рамках одного посещения магазина. С их помощью можно оптимизировать перекрестные продажи на уровне товарных позиций. Также можно делать выводы касательно пакетирования цен, рекламных акций, расстановки товаров и прочих аналогичных действий. Но поскольку данные по одному чеку или даже всей корзине покупок целиком отражают информацию лишь по одной поездке за покупками, делать выводы о временной динамике эффекта замещения, эффекта возврата или других эффектов невозможно.

Карты покупателей позволяют ритейлерам отслеживать динамику покупательского поведения потребителей в зависимости от времени. С их помощью можно проводить более глубокий и функциональный анализ, чем с использованием одних лишь данных со сканеров. Данные с карт дают продавцу информацию о лояльности потребителей, потребительской ценности, эффективности бонусов за лояльность и т. д. В сочетании с данными о покупках отдельных товаров, например, данных со сканеров, это позволяет анализировать действия конкретного потребителя – структуру корзины покупок и товары, покупаемые одновременно. На основании анализа этих данных и сделанных выводов ритейлер может оптимизировать цены на несколько товаров и тем самым стимулировать перекрестные продажи.

На рис. 13.5 показан интерфейс соответствующей программы, по которому видно, что потребитель А покупал ранее только группы товаров 1 и 2 (PG1, PG2). Анализ действий других потребителей, которые тоже покупали товары из групп PG1 и PG2, показал, что они очень часто покупают еще и товары из групп PG7 (50 %) и PG6 (28,6 %). Это позволило предположить высокую степень схожести покупателей товаров групп PG1 и PG2, а также потенциальные возможности для перекрестных продаж этим покупателям товаров групп PG6 и PG7. При следующем визите в магазин потребителю А предложили продукты групп PG6 и PG7 по очень привлекательным тестовым ценам, и данная акция оказалась чрезвычайно успешной. Потенциал использования карт покупателей для сегментации потребителей и дифференциации цен очень высок. Если компании удастся объединить социодемографические данные с поведенческими, например, данные о покупках товаров в пределах определенного ценового диапазона или о реакции на изменение цен, то это даст возможность выделить те сегменты потребителей, на которые можно воздействовать ценовыми акциями напрямую.

Как уже говорилось ранее, электронная коммерция обладает наибольшим потенциалом в плане сбора информации о потребителе. Такие интернет-магазины, как Amazon или Zalando, точно знают, что покупают их потребители, и поэтому могут оптимизировать цены с помощью ценовых тестов без особых усилий. А возможности объединения данных по каждому потребителю с данными из таких соцсетей, как LinkedIn, Facebook или Twitter, практически безграничны.

В настоящее время усилия в области электронной коммерции сосредоточены больше на целевых рассылках, рекламе и активных продажах, чем на управлении ценами. Это удивительно, потому что создать надежную информационную базу для управления ценами можно достаточно легко. Вместе с тем необходимо уметь выполнять целевые тесты цен, где ограничивающим фактором выступает широта ассортимента. Даже в электронной коммерции нельзя достоверно проверить ценовую эластичность сотен или тысяч товаров. Кроме того, при анализе статистики по объему продаж и цене возникает ряд ограничений, которые подробно рассмотрены в главе 3.

Одним из решений может стать автоматизация измерений ценовой эластичности и последующей выработки ценовых решений. Теоретически этот подход вполне осуществим в области электронной коммерции, но его реализация связана с некоторым риском, поскольку анализ данных периодически дает значения ценовой эластичности, которые лишены содержания.

Иными словами, проверка результатов на внешнюю валидность всё равно необходима, поэтому сейчас еще неясно, найдет ли широкое применение такой автоматизированный анализ ценовых эффектов целиком или частично.

Поскольку ценовые акции играют очень важную роль в розничной торговле, требуется более глубокий анализ данного явления.

Рис. 13.5. Определение потенциала перекрестных продаж с помощью карт покупателей (Simon-Kucher & Partners)

К ценовым акциям относят скидки, а также иные многочисленные формы временного снижения цен. При анализе влияния ценовых акций и скидок возникают следующие вопросы.

• Как работают скидки?

• Какие товары подходят для дисконтирования?

– Знакомые или менее известные бренды?

– Новые или зрелые/признанные бренды?

– Скоропортящиеся продукты или продукты длительного хранения?

– Расходные материалы или изделия длительного пользования?

• Какова широта охвата ассортимента товаров со скидкой?

• Насколько следует снижать цены?

• Когда должен начаться период действия скидки и как долго он должен продолжаться?

• Как часто следует использовать скидки?

• Когда следует использовать скидки в течение сезона?

• Следует ли предлагать скидки через один и тот же канал или через разные?

На большую часть этих вопросов еще не найдено универсальных ответов, подтвержденных на практике. Провести общую оценку скидок нелегко, поскольку результирующий эффект складывается из множества трудно регистрируемых частных эффектов, возникающих как итог взаимодействия товаров трех типов:

• товары по ценам со скидкой;

• другие товары в категории (товары-заменители);

• остальная часть ассортимента (потенциальные товары для сопутствующих покупок).

Чтобы получить общую оценку, нужно рассматривать не только эффект воздействия скидки в течение периода ее действия, но также и динамические эффекты, которые влияют на поведение покупателей в последующие периоды времени. «Для ритейлеров очень важно отслеживать динамику продаж товаров после окончания акции в течение минимум двух недель. Некоторые товары отлично продаются во время действия акции, но потом их продажи начинают падать гораздо быстрее по сравнению с другими товарами», – объясняет один из авторов. Потребители учатся предвидеть, когда появятся скидки, и планируют все новые покупки именно на этот период. Они используют эти возможности для пополнения запасов («заполнения кладовой»), что приводит к почти неизбежному падению объема продаж сразу после окончания действия скидки [40]. Кроме того, следует различать обычных потребителей (тех, кто приходит в магазин независимо от скидок) и охотников за скидками, которые приходят в магазин только в тот момент, когда на желаемый товар действует скидка. Результат сложения этих эффектов показан в табл. 13.2.

Таблица 13.2. Сводные показатели воздействия краткосрочных и среднесрочных эффектов от скидок

Знаки в верхнем ряду каждой категории товаров символизируют изменение объема продаж товара А, когда на него действует скидка.

Аналогично знаки в нижнем ряду для каждой категории товаров относятся к товару В, когда его предлагают со скидкой («+» означает рост объема продаж, «0» – отсутствие изменений, «–» – снижение объема продаж). Видно, что динамика продаж товаров А и В различается очень сильно.

Предложение товара A со скидкой приводит к следующим эффектам.

• покупают то же количество товара А или больше в период действия скидки t и в последующие периоды t + τ (положительный перенос);

• рост покупок товара А происходит не за счет товаров-заменителей;

• продажи остальных товаров из ассортимента остаются без изменений.

• покупают товар A в течение периода t и t + τ;

• в течение периода t + τ также покупают и товары-заменители, становясь постоянными покупателями;

• покупают другие товары из ассортимента в течение периода t (сопутствующие покупки) и периода t + τ (как постоянные покупатели).

И наоборот, когда продается со скидкой товар В, возникают следующие эффекты.

• покупают больше товара В в период t и меньше в период t+τ (покупают товар В на будущее, накапливая его про запас, – отрицательный перенос);

• увеличение объема покупок товара В в периоды t и t+τ происходит за счет товаров-заменителей;

• объем продаж остальной части ассортимента в период t остается на том же уровне или, скорее всего, снижается за счет увеличения продаж товара В.

• в период t покупают только товар В («охота за скидкой»), не делая взаимосвязанные покупки и не становясь постоянными покупателями.

Видно, что в плане пригодности для скидки товары А и В являются прямыми противоположностями друг другу. Общий эффект скидки на товар А положительный, тогда как товар В подходит для этой цели очень плохо. Эти два противоположных примера ясно показывают, что эффект от скидки носит комплексный характер.

Помимо краткосрочных и среднесрочных эффектов, следует учитывать и долгосрочное влияние скидок на ценовой имидж ритейлера. Было бы заблуждением считать, что точная аналитическая квантификация всех этих эффектов возможна на практике, однако использование сканеров и данных онлайновых продаж позволяет как минимум измерить некоторые из наиболее значимых эффектов, например, динамику объема продаж товаров со скидкой во время действия акции и после нее. В табл. 13.2 дана структурированная информация для анализа этих сложных эффектов, и стоит хотя бы рассмотреть их с качественной точки зрения.

Как уже говорилось, в розничной торговле цены конкурентов играют ведущую роль, и это настолько распространено на практике, что значительная часть полномочий в плане ценовых решений фактически делегируется конкурентам. Иными словами, многие ритейлеры с разной степенью строгости следят за ценами ограниченного числа конкурентов, признанных ценовыми лидерами. Это относится как минимум к ключевым стоимостным позициям, но даже в случае с дорогими товарами, в отношении которых используется менее строгая ценовая политика, ритейлеры всё равно могут регулярно отслеживать цены конкурентов.

В потребительской рознице ценовую информацию о конкурентах можно получить довольно легко. Это относится к розничной торговле через обычные магазины, и особенно к розничной торговле через Интернет. Поскольку у потребителей есть доступ к ценам, конкуренты сами могут притвориться потребителями и получить ту же самую информацию – в этом случае говорят о «тайных закупках». В сфере онлайновой розницы «тайным покупателям» конкурентов даже не нужно покидать свои офисы. Сбор цен конкурентов требует определенного усердия, оперативности и осторожности, но по сложности эта задача весьма далека от реальной разведывательной операции. Можно обратиться к маркетинговым агентствам или воспользоваться специализированными сервисами (приложениями) и собирать такую информацию на регулярной основе. Интернет-сервис Diffbot.com является крупнейшим нововведением в этой области. Для сбора информации о ценах конкурентов в нем используется искусственный интеллект. Diffbot.com сканирует сайты, а затем извлекает из них полные данные в структурированном виде, действуя как в автоматическом, так и в ручном режиме. Однако по-прежнему возникают ситуации, когда бывает сложно собрать информацию о ценах и (или) скидках. Типичным примером является автомобильный сектор, где фактическая величина скидки, согласованной продавцом и покупателем, никогда не бывает полностью прозрачной. Даже когда исследователи рынка пытаются тайно купить автомобиль и договариваются с дилером о скидке, достигнутые договоренности оказываются ненадежны, а полученная информация имеет ограниченную достоверность. Заполучить информацию о ценах конкурентов еще сложнее в розничной торговле сектора B2B, где цены часто являются предметом обсуждения. Покупатели могут неохотно делиться информацией о ценах или даже умышленно называть недостоверные цены.