кластер магазина что это
Кластерный анализ
Рис. 1 Построение кластерного графика
Изменение цены одного актива, неизбежно влечёт за собой цепочку ценовых движений и на других инструментах. В большинстве случаев понимание трендового движения происходит уже в тот момент, когда оно бурно развивается, и вход в рынок по тренду чреват попаданием в коррекционную волну. Для успешных сделок необходимо понимать текущую ситуацию и уметь предвидеть будущие ценовые движения. Этому можно научиться, анализируя график кластеров. С помощью кластерного анализа можно видеть активность участников рынка внутри даже самого маленького ценового бара. Это наиболее точный и детальный анализ, так как показывает точечное распределение объёмов сделок по каждому ценовому уровню актива.
Особенности кластерного анализа
Если видеть действия доминирующих участников рынка (продавцов или покупателей), то можно предсказывать и само движение цены.
Рис. 2 Кластерный график
Каждый кластер, или группа дельт, позволяет разобраться в том, покупатели или продавцы преобладают на рынке в данный момент времени. Достаточно лишь подсчитать общую дельту, просуммировав продажи и покупки. Если дельта отрицательна, то рынок перепродан, на нём избыточными являются сделки на продажу. Когда же дельта положительна, то на рынке явно доминируют покупатели. Сама дельта может принимать нормальное или критическое значение. Значение объёма дельты сверх нормального в кластере выделяют красным цветом. Если дельта умеренна, то это характеризует флетовое состояние на рынке. При нормальном значении дельты на рынке наблюдается трендовое движение, а вот критическое значение всегда является предвестником разворота цены.
Торговля с помощью кластерного анализа
Кластерный подход в розничной торговле
Кластерный подход в розничной торговле или искусство найти «хвост», на который можно сесть
Концептуальная заметка
Кластер – это группа географически соседствующих взаимосвязанных компаний, действующих в определенной сфере и взаимодополняющих друг друга
Жизнь уплотняется. Болезнь под названием «Некогда!» становится хронической. И все, что позволяет сэкономить нам время — особо привлекательно. Если это торговые операторы на рынке, то они становятся носителями важного конкурентного преимущества. Понимая это или действуя интуитивно, они соединяются в подобия кластеров. Таким образом, логичен успех супермаркетов, где в одном строении собраны товары и услуги самых разных назначений – и продукты питания, и одежда, и лекарства, и бытовая химия, и химчистка, и пункт приема оплаты чего угодно…
Но мы сейчас не о крупных торговых операторах. Им кластеризация не нужна. Как видно из определения кластера, данного Портером, там должен быть принцип взаимодополнения. Чем должен дополниться магазин, в котором все есть?
Речь наша пойдет о небольших торговых предприятиях – салонах красоты, магазинах, кафе и ресторанах, пунктах бытовых услуг и т.д.
Думаю, кластер – прекрасный способ выживания малых предприятий и в условиях кризиса, и в условиях конкуренции с гигантами.
Перед тем, как перейти к основному содержанию заметки, коротко остановимся на трех самых важных для торговли признаках кластера, выведенных М. Портером.
Во-первых, это географическое соседствование компаний. Для бизнеса, который садится на трафик, это принципиально важно. По-другому никак. Потому что расположение в шаговой доступности друг от друга удобно клиенту, вокруг интересов которого и складывается весь процесс.
Во-вторых, это действия в определенной сфере. Под этим будем понимать направленность интересов клиентского трафика на соответствие одной из его жизненных «озабоченностей», как например:
В-третьих, это принцип взаимодополнения. Именно он и экономит время клиента, позволяя собрать в одном месте максимальное количество операторов, удовлетворяющих спрос представителя одной из жизненных ролей, примеры которых приведены выше.
Если понять все возможности кластера и начать его осознанно формировать, то, как и в любом осознанном действии, надо начать с целеполагания. Думаю, достойной целью в нашем случае может быть обеспечение высоких темпов развития предприятий, образующих кластер, за счет повышения их конкурентоспособности.
Если быть конкретной, то приведу те основные выгоды, из которых складывается эта самая конкурентоспособность:
Справедливости ради надо привести и возможные риски участия в кластере:
Структура кластера обычно такова: один специализированный якорный участник, который и генерит трафик клиентов конкретной жизненной роли (за счет своей специализированности). Остальные – садятся ему «на хвост». Например, в непосредственной близости с большим магазином «Ткани» на Ленинском проспекте в Москве в свое время в 2005 году я насчитала 12 торговых палаток, торгующих фурнитурой, шерстью для вязания, а также товарами для рукоделия.
Даже если якорный участник и некоммерческое предприятие, ничего не меняется. На «хвост» ЗАГСа могут «сесть»: ювелирные салоны, рестораны и кафе, цветочные салоны и флористические мастерские, ателье, магазины косметики и парфюмерии, салоны красоты и свадебных платьев, СПА, магазины подарков, пункты проката лимузинов…
В качестве примеров.
Возможные участники кластеров:
для владельцев домашних питомцев:
для озабоченных своим автомобилем:
Думаю, что кластер совершенно логично рассматривать как форму кросс-промоушн. И тогда принципы выбора соседей будут те же, что в партнерском продвижении:
В качестве заключения.
И даже если вы не планируете участвовать ни в каком трафикоообразующем соседстве с другими торговыми предприятиями шаговой доступности, не забудьте посмотреть на соседей, чтоб не получилось как здесь:
Как кластеризация помогает подобрать правильный ассортимент в категории?
Как кластеризация помогает подобрать правильный ассортимент в категории?
Запросы покупателей в соседних точках розничной сети могут кардинально различаться. Просто масштабировать ассортимент под размер торговой площади – не выход. Такое решение может снизить лояльность клиентов и продажи. Как кластеризация помогает определить потребности покупателей каждого из магазинов огромной сети и наполнить полки именно теми товарами, которые будут покупать? Подробный разбор в нашей статье. Поехали!
Что такое кластеризация?
Грамотно подобранный ассортимент в каждой категории товаров – ключевой фактор в повышении продаж и прибыльности. Чтобы правильно подобрать ассортимент, нужно изучать историю продаж, поведение покупателей и спрос каждой отдельной торговой точки сети. Возражение, что это долго и затратно по ресурсам – справедливо. Тут поможет кластеризация. В процессе кластеризации мы определяем закономерности в потреблении и собираем магазины в группы (кластеры) с похожим потреблением.
К примеру, возьмем категорию пиво. Разобьем категории продукта по определённым свойствам:
И попытаемся найти чем, магазины похожи между собой в структуре потребления слабоалкогольного напитка.
В математике давно есть разработанные средства кластерного анализа. К примеру, метод кластеризации и поиск k-средних. Расположим магазины на карте координат, сосчитаем и проанализируем, чем торговые точки схожи между собой. Метод кластерного анализа k-means позволяет сгруппировать торговые точки по определённым признакам.
Как разработать структуру интернет-магазина на основе кластеризации и лемматизации семантики
После подбора семантики для действующего интернет-магазина вас ожидает неприятное открытие: структура магазина скорее всего не позволит разместить все ключевые фразы. Придется или откладывать оптимизацию до лучших времен (когда затеете редизайн), или втискивать новые страницы в имеющуюся структуру, запутывая и усложняя ее.
Если компромиссные решения не для вас, адаптируйте структуру под новую семантику.
Но как спроектировать разделы/подразделы, чтобы они, с одной стороны, вместили тысячи ключей из ядра, а с другой — улучшили навигацию? Покажем на примере.
Исходные данные
Возьмем для примера молодой региональный интернет-магазин домашнего декора, сувениров и подарков.
Текущая структура имеет такой вид:
Для интернет-магазина собрано и вычищено от «мусора» и «пустышек» семантическое ядро на 1000 фраз (сформировано на основе названий товаров и рубрик магазина).
Задача — разработать новую структуру магазина, которая будет отражать реальные поисковые потребности пользователей. Решать ее будем в три этапа.
Этап 1. Кластеризация
Кластеризация — это группировка ключевых фраз на основе схожести результатов поисковой выдачи по ним.
В отличие от группировки на основе семантической близости, кластеризация позволяет избежать ошибок, связанных с размещением на одной странице запросов с разным интентом.
Например, фразы «картина для спальни купить» и «картины для спальни» при группировке на основе семантики наверняка бы попали в одну группу. Но если посмотреть на поисковую выдачу по ним, то она окажется разной.
А все потому, что у фразы «картины для спальни» коммерческий интент (пользователь выбирает товар), а у фразы «картина для спальни купить» — транзакционный (пользователь выбрал картину и готов ее купить). Поэтому выдача по первой фразе содержит фото, подборки идей и страницы с товарами, а по второй — только страницы интернет-магазинов.
Для кластеризации есть онлайн-сервисы (Just Magic, PixelPlus, PromoPult и др.) и десктопные программы (KeyAssort, KeyCollector). Работают они по похожему принципу (разве что в KeyCollector кластеризация требует специфической подготовки): загружаете список запросов, указываете регион, точность кластеризации и получаете сгруппированное ядро.
При кластеризации особенно важно задать правильную точность — количество совпадений результатов выдачи в ТОП-10, при котором фразы попадают в одну группу. Например, при точности 3 запросы попадут в один кластер, если в выдаче по ним будет три и более одинаковых результата.
Если точность низкая, то кластеры получаются слишком обширными, а если высокая, то ядро может быть излишне раздроблено.
Чтобы не гадать и не переплачивать за лишние итерации, удобнее всего задать точность диапазоном. В этом случае вы получите несколько кластеризованных ядер, но заплатите только один раз. Такая функция есть в кластеризаторе PromoPult. Задаем точность от 3 до 7, устанавливаем приоритетную поисковую систему, регион и запускаем процесс:
Загружаем отчет и сравниваем результаты кластеризации при разной точности. Наша задача — выбрать «золотую середину», чтобы кластеры были и не слишком обширными, и не раздробленными. В нашем примере оптимальной видится точность 6.
После кластеризации сталкиваемся с проблемой: существующая структура интернет-магазина не позволяет разместить группы запросов.
Например, есть кластеры «деревянные подсвечники» и «купить свечи в интернет магазине». Мы не можем размещать эти кластеры на одной странице — у них разный интент. Но на сайте товарные группы с такими названиями расположены как раз на одной странице, что с точки зрения оптимизации неверно.
Логика подсказывает: почему бы просто не создать раздел «Свечи» и оптимизировать его под кластер «свечи купить», а раздел «Подсвечники, канделябры, свечи» переименовать в «Подсвечники» и оптимизировать под «деревянные подсвечники»?
Но все не так просто: а что делать с другими кластерами вроде «подсвечник в подарок»? Размещать в разделе «Подсвечники»? Или «Праздники»? Или еще каком-то? И таких кластеров около 200 — и каждый из них по-своему «проблемный».
Этап 2. Лемматизация кластеров и классификация лемм
Для формирования структуры магазина необходимо классифицировать кластеры на основе общих признаков и сгруппировать их. Здесь поможет лемматизация — разбиение исходных фраз на отдельные слова и приведение их к именительному падежу единственному числу (лемме).
Копируем названия кластеров (не ключей!), вставляем их в лемматизатор и запускаем процесс.
Переносим слова из раздела «Лемматизированные слова» в Excel и каждому слову присваиваем классификационный признак.
Признаки кратко характеризуют лемматизированное слово. Например, слово «купить» можно описать как процесс. Поэтому напротив этого слова ставим признак «процесс». Вы бы могли назвать его по-другому (допустим, «действие»). Это не принципиально — суть в том, чтобы сгруппировать все слова по схожим признакам.
В нашем случае признаков получилось девять:
Сортируем список лемм по признакам и переносим данные в столбцы для удобства визуализации.
Пока это не готовая структура. Но мы уже на финишной прямой.
Этап 3. Формирование структуры интернет-магазина
Анализируем леммы по каждому признаку и продумываем, под какие из них создать разделы/подразделы или фильтры.
Признак «время» сразу отсеиваем. Сюда попали слова, относящиеся к «поводу». Также удаляем признак «процесс», поскольку слово «вышивать» нерелевантное, а «купить» и так будет фигурировать практически на всех страницах магазина.
По признаку «товар» больше всего слов. Поскольку у нас интернет-магазин, то имеет смысл вынести все товары в отдельный пункт меню. Назовем его «Каталог».
Также логично создать пункт меню по признаку «место». Назовем его «Виды декора». Подпункты — «Для гостиной», «Для кухни», «Для сада» и т. п.
Аналогично вынесем в меню признак «повод». Назовем пункт «Праздники». Подразделами будут «Декор на Новый год», «Декор на день рождения» и т. п.
На основе признака «человек» сформируем пункт меню «Подарки» с подразделами «Подарки парню», «Подарки подруге», «Подарки бабушке» и т. п.
И последний пункт меню — «Стиль», сформированный на основе одноименного признака. Подпункты — «Декор прованс», «Декор шебби шик», «Декор лофт».
Остаются признаки «предмет» и «свойство». На основе первого признака нет смысла выделять пункт меню или фильтры, мы их будем использовать в названиях разных рубрик. А вот на основе слов из признака «свойства» делаем фильтры:
Выстраиваем структуру магазина:
Остается рассортировать кластеры поисковых запросов по разделам и подразделам.
Естественно, разделов и подразделов не хватит, чтобы разнести все 200 кластеров. Под оставшиеся кластеры создаются страницы с результатами фильтрации (например, будут страницы «Белый декор», «Круглый декор», «Романтический декор» и т. п.). Если и после этого останутся кластеры, под них оптимизируются релевантные карточки товаров.
Метод легко масштабируется на любой проект
Благодаря кластеризации и лемматизации семантики вы без проблем сгруппируете фразы по поисковому интенту и сформируете на их основе структуру интернет-магазина, учитывающую реальные интересы целевой аудитории.
Преимущество метода в масштабируемости. Он подходит как для небольших площадок, так и для интернет-магазинов с десятками тысяч ключей. Причем именно на больших проектах, когда ручная интуитивная работа становится невозможной, метод проявляет себя лучше всего.
Углубленная аналитика ассортимента. Теория и практика
Современная углубленная аналитика способна помочь бизнесу более качественно принимать управленческие решения. На примере задачи планирования ассортимента торговой сети Дмитрий Бодунов, консультант практики SAS Retail & CPG, North EMEA, расскажет о том, в каких частях процесса планирования может помочь аналитика.
Процесс планирования ассортимента является частью большого интегрированного процесса планирования всей компании. При рассмотрении всего цикла планирования статья превращается в книгу, поэтому давайте предположим, что стратегические цели установлены, категории, которые будут продаваться в сети, определены, и по каждой категории известен один или несколько основных KPI (трафик, выручка/доля рынка, маржа, продажи в штуках/кг). Остается определить товарное наполнение магазинов – как распределить полочное пространство между категориями в конкретных магазинах с учетом локальной структуры спроса, потребностей покупателей и какие товары выставить в магазине с учетом существующих ограничений и договоренностей.
Давайте по порядку пройдем каждый из вопросов и продемонстрируем, как углубленная аналитика помогает на каждом этапе.
1. Как распределить полочное пространство между категориями с учетом локальной структуры спроса и потребностей покупателей?
Начнем с локальной структуры спроса. В решении данной задачи помогает кластеризация магазинов. Кластеризация позволяет ответить на вопросы:
· Зачем покупатели приходят в конкретный магазин? Какие группы товаров более популярны, какие менее?
· Кто приходит в магазин? Какой портрет типичного покупателя магазина?
Кластеризация помогает ответить на вопросы и при этом не просматривать каждый магазин. На вход кластеризации подается информация по ежедневным продажам, остаткам за длительный период, а также справочник товаров и магазинов. Ниже приведены примеры результата кластеризации:
Что показывает данная кластеризация? Во-первых, спрос различается между магазинами. В кластере 1 значимо выше берут готовую еду и хлебобулочные изделия и не берут корма для домашних животных. В кластере 2 берут товары для дома и не берут алкоголь и табак. В кластере 3 ровно наоборот. Мы понимаем, какие категории более интересны покупателям в каждом кластере и можем составить портрет покупателя (например, кластер 1 – офисные сотрудники, кластер 2 – домохозяйства, кластер 3 – люди на отдыхе).
Во-вторых, если определенные категории пользуются большей популярностью в кластере, то логично предположить, что им можно отдать больше полочного пространства за счет менее популярных категорий. Например, согласно долям категорий в кластере.
В итоге результатом кластеризации магазинов являются:
· Кластеры магазинов по структуре спроса;
· Описание особенностей каждого кластера с точки зрения продаж категорий и портретов покупателей;
· Распределение полочного пространства между категориями в магазине.
Мы нашли особенности локальной структуры спроса категорий на уровне магазинов. Как учесть товарные потребности покупателей, чтобы определить, какие субкатегории должны быть представлены в магазине?
Для этого необходимо понимать, как покупатель выбирает товар, какие характеристики товаров важны для покупателя. На этот вопрос помогает ответить Дерево Принятия Решений Покупателя (CDT, Consumer Decision Tree). Углубленная аналитика позволяет минимизировать участие эксперта при построении CDT.
Для построения CDT используется информация из чековых данных и данных программы лояльности (при наличии программы лояльности). Основная идея состоит в том, чтобы сформировать новую товарную иерархию, на нижнем уровне которой находятся похожие с точки зрения покупателя товары – они же являются товарами субститутами, закрывают потребность покупателя и формируют субкатегории. Чем выше уровень товарной иерархии, тем меньше товары похожи и могут дополнять друг друга. Пример ветки аналитического CDT для сгущённого молока (часть названий товаров скрыта):
В результате построения CDT формируется новый товарный справочник, в котором присутствуют атрибуты товаров, важные с точки зрения покупателя и выстроенные в иерархии в правильном порядке. Из примера сверху – сначала покупатель выбирает сгущенку, затем тип упаковки, затем ценовой сегмент. Построив CDT для каждой категории, мы понимаем, какие потребности есть у покупателя и как он выбирает товар. CDT помогает решить следующие задачи:
· Определение порядка выставления товаров на полках;
· Определение товаров субститутов;
· Выбор субкатегорий, которые должны быть представлены в магазинах (рекомендуется закрывать каждую потребность);
· Как разделить полочное пространство между субкатегориями в рамках каждой категории (дополнительно используя информацию о продажах субкатегорий).
Завершив кластеризацию и работу с CDT, мы получаем на выходе информацию:
· о доле полки каждой категории с учетом локального спроса магазина;
· доле полки каждой субкатегории, с учетом потребностей покупателей.
Данная информация необходима для перехода к следующему шагу – товарному наполнению категорий и субкатегорий.
2. Какие товары выставить в магазине с учетом существующих ограничений и договоренностей?
Основная идея при выборе конкретного наполнения субкатегорий – максимизировать KPI категории (помните, мы запросили его в самом начале), учтя множество ограничений. Для это необходимо выполнить следующие шаги.
Во-первых, построить прогноз спроса – как будет продаваться каждый товар в каждом магазине (даже если он никогда до этого не продавался). Это позволит в дальнейшем рассчитать CPI товаров. В данной задаче лучше всего помогают современные методы прогнозирования – как статистические (например, экспоненциальное сглаживание, ARIMA), так и методы машинного обучения (например случайный лес, градиентный бустинг, нейронные сети определенной архитектуры).
Во-вторых, необходимо понять, какие существуют ограничения и договоренности, связанные с ассортиментом. Очевидные – размеры товаров и размеры полок. Менее очевидные – договоренности с поставщиками об обязательном наличии товара на полке и компенсациях, линейки товаров (если есть один, то должны быть все оставшиеся из линейки), приоритет СТМ перед товарами-брендами и многие другие. Данные требования нужно собрать и формализовать – тогда их можно будет использовать в дальнейшей оптимизации. Здесь помогает хорошее хранилище данных в организации.
В-третьих, необходимо рассчитать CPI для каждого товара в каждом кластере с учетом KPI категории и прогноза спроса на товар. CPI позволит ранжировать товары для включения в ассортиментную матрицу магазина. Это самый простой шаг при оптимизации, здесь нужен лишь инструмент подготовки данных.
В-четвертых, выполнить саму оптимизацию. Имея на входе информацию о CPI каждого товара в каждом кластере, ограничения для каждого товара-магазина и KPI категории, выбрать товарное наполнение, которое удовлетворяет всем условиям и дает максимальное значение KPI. С данной задачей хорошо справляются современные методы линейной и нелинейной оптимизации. На выходе мы получаем таблицу ассортиментных матриц каждого кластера.
Выполнив описанные действия, мы получили рекомендованный ассортимент, который учитывает локальные особенности спроса и потребности покупателей. Мы отошли от необходимости работать с ассортиментом на уровне каждого магазина. Это помогает получить более оптимальное наполнение и снизить операционную нагрузку на сотрудников. При этом, понимая прогноз спроса на каждый товар в каждом магазине, мы можем очень быстро расширить матрицу отдельного магазина локальным ассортиментом.
Я рассказал про то, как углубленная аналитика помогает при формировании ассортимента магазинов. В следующей статье мы расскажем о том, как может выглядеть процесс планирования ассортимента с учетом результатов углубленной аналитики.