1С и компьютерное зрение: новый подход к контролю за ассортиментом магазина

Вступление

Данная статья будет интересна всем тем, кто интересуется новыми технологиями, внедряемыми в ритейле, сфере обслуживания и т.д. Речь пойдет не столько о платформе 1С, сколько о совершенно новом массиве данных, который можно получить технологиями компьютерного зрения и импортировать в ИС заказчика, предложить ему совершенно новые метрики, отчеты, диаграммы для повышения эффективности бизнеса. Вполне вероятно, многие из вас соприкасались с похожими задачами, но даже и не думали о них в свете какого-то сопряжения с 1С. Хочу предложить читателям пофантазировать вместе со мной, высказать свое мнение, поделится своим опытом, и, может быть, даже внести конструктивные предложения.

Пару слов о технологиях CVizi. Мы разрабатываем и внедряем различные инструменты для анализа видеопотока с камер. В том числе, алгоритмы для поиска нужных событий в кадре, фиксируем их в удобном пользовательском интерфейсе в виде наглядных дашбордов с обязательным фотоподтверждением. События могут быть самыми разнообразными: появление/отсутствие человека в некой зоне, появление лица и его распознавание, въезд/выезд автомобиля или ж/д вагонов, какие-то предметы на производственной линии и многое другое.

После нескольких лет внедрений у наших заказчиков инструментов для подсчета и анализа потоков людей появилось устойчивое ощущение, что бизнесу нужно более целостное решение, когда он сможет в едином окне видеть и принимать аргументированное решение. Когда он сможет использовать все свои учетные данные, а не складывать пазл из различных информационных систем. И этим окном должна стать его же ИТ-система.

Почему 1С? Тут всё просто – это самая распространённая платформа для управленческого, кассового и бухгалтерского учета в стране. 1С очень гибка к настройкам и адаптации под задачи заказчика. Мы, в свою очередь, предоставляем рабочую технологию компьютерного зрения, успешно опробованную на сотнях инсталляций в совершенно разных отраслях, а также даём API к ней. Поэтому основной вектор статьи – как можно использовать данные компьютерного зрения в бизнесе отдельно и совместно с учетными данными в ИС заказчика. Размер бизнеса значения не имеет. Это может быть магазин у дома, бутик в торговом центре или крупный сетевой магазин.

Традиционный подход к анализу товаров

Для оптимизации продаж магазина бизнес всегда должен держать руку на пульсе и постоянно контролировать присутствие в ассортиментной матрице тех или иных товаров. То есть ответ на вопрос «Какие товары важны в данный момент или в перспективе для бизнеса, а какие не важны» не должен вызывать затруднений. Важность характеризуется, как минимум, следующими понятиями:

1. товары пользуются спросом в магазине?
2. какой объем продаж дают товарные группы сейчас и какой будут давать дальше?
3. как увеличить оборачиваемость и сократить расходы на содержание складских запасов?

Если товаров в продуктовой линейке много, то обычно используют ABC и XYZ анализ.

Буквально пару абзацев про них, чтобы общаться в единых терминах.

ABC анализ отвечает на вопрос, какие товары или группы товаров вносят самый ощутимый вклад в продажи. Тут почти всегда действуют правило Парето – 20% товаров и услуг дают 80% выручки. Это получается группа «А», а остальные 80% ассортимента дают лишь 20% выручки и делятся на группы «B» и «С». Цифры 20% и 80% — условные. Отклонения могут быть, но порядок тот же.

Итого:

1. А — самые ценные товары (20% ассортимента; 80% продаж);
2. В — промежуточные товары (30% ассортимента; 15% продаж).
3. С — менее ценные товары (50% ассортимента; 5% продаж).

XYZ анализ отвечает на вопрос какие товары пользуются самым большим спросом. Для того чтобы разбить ассортимент на категории используется коэффициент вариации продаж, который помогает оценить характер спроса, его стабильность и прогнозируемость.

1.  X – товары с высоким и устойчивым спросом
2.  Y – товары с изменчивым спросом (сезонность, акции, дефицит)
3.  Z – товары с нерегулярным потреблением, точность прогноза низкая

Производя кросс-анализ ABC + XYZ, можно создать стратегию продвижения определенных товаров и можно разработать рекомендации для работы с товарами каждой категории.

Основная проблема, по которой бывает тяжело принять решение — это правильное и аргументированное сокращение или изменение ассортиментной матрицы:

1. Категории товаров, которые достаточно важные (с точки зрения вклада в выручку ABC анализ), но с нестабильным спросом (XYZ анализ)
2. Категории с товарами с низким спросом и с низкими продажами.

В эти категории могут попадать новые товары или, например, элитные, статусные. И не всегда правильно просто взять, и отказаться от них.

Кроме этого есть еще проблема прогнозирования продаж в других магазинах. Почему в этом магазине сети товар Х продается на ура, а в соседнем микрорайоне вообще никак? Можно это было спрогнозировать? Может быть нужно сначала было создать спрос на определенные товары, а не терпеть убытки? А может быть эти товары изначально здесь не имели шансов на хорошие продажи?

Как может помочь видеоаналитика?

Под видеоаналитикой в данной статье будем понимать анализ покупателей, полученный при помощи видеокамер, с точки зрения их трафика, демографии и эмоционального фона.

Про видеоанализ товаров на полках и т.п. – это не в этой статье. Здесь – про покупателей и как эти результаты можно использовать для более качественного контроля спроса и управления ассортиментом в дополнение к ABC и XYZ анализу.

Давайте посмотрим, как более глубокое знание об аудитории магазина позволит тонко управлять ассортиментом.

Анализ покупательского трафика

Для анализа покупательского трафика мы будем исследовать следующие метрики

1.  Внешняя конверсия

Показывает отношение количества прошедших около входа людей к количеству вошедших внутрь магазина.

1.  Внутренняя конверсия

Показывает отношения количества вошедших людей к количеству тех, кто дошел до кассы и совершил покупку (или количеству чеков)

1.  Демография

Показывает пол и возраст посетителей и покупателей

1.  Эмоции

Показывает эмоциональный фон посетителей и покупателей

Использовать их можно как по отдельности, так и в комплексе. Каждая из этих метрик – это кусочек пазла, который дает свой вклад в маркетинговую стратегию магазина. Плюс ко всему каждый из этих массивов данных может быть импортирован в ИС 1С и обогатить существующий учет по товарам и чекам совершенно новой информацией, которой бизнес до этого не владел и даже не представлял о ее существовании.

Технически для сбора этих данных используется программно-аппаратный комплекс Track Expert, состоящий из бытовых IP-камер, миниатюрных вычислительных устройства S—Box и пользовательской части на web-портале. Он достаточно легко и быстро устанавливается на объекте в нужном количестве и уже через считанные часы начинает собирать данные, которые будут доступны на портале и готовы для импорта.

Внешняя конверсия

Сам показатель говорит о том, насколько ваш магазин привлекателен для прохожих. Для постоянных покупателей он в первую очередь привлекателен ассортиментом, а для новых, скорее всего, — внешним видом, витриной.

Чтобы собрать данные по одному входу нужно две камеры – одна считает проходящих людей, другая – входящих внутрь.

Получаемые данные

1. Количество вошедших за искомый период времени
2. Количество прошедших за искомый период времени
3. Конверсия = Qвошедших/Qпрошедших

Так это выглядит в web-интерфейсе

Что с этим делать, как использовать?

Внешняя конверсия – это самый верхний уровень воронки продаж и оценивает, в первую очередь, привлекательность магазина во вполне конкретный период. Для полной воронки нужно еще знать внутреннюю конверсию (в следующем разделе), тогда можно уже связывать это с ассортиментом.

Знать данные по количеству входящих посетителей в магазин не всегда достаточно, чтобы принимать верные решения, т.к. не ясны причины изменения потока в любую сторону.

Имея оперативные данные о внешней конверсии можно:

1. Быстро проверять маркетинговые гипотезы и управлять рекламными компаниями: изменили витрину, изменили вывеску, установили баннер, провели промоакцию и т.д. Выхлоп увидите очень быстро. Здесь даже не нужен анализ продаж, глубины чека и т.п.
2. Принимать решение о перспективности локации определенного магазина. Особенно, если есть возможность сравнить с аналогичным магазином в другом месте.

Внутренняя конверсия

Этот показатель не нов и им пользуются многие магазины. Для его получения используется интеграция двух систем: счетчиков людей и кассовой программы.

В простейшем виде – это отношение количества кассовых чеков к количеству зашедших людей. Показатель будет несколько занижен, т.к. люди очень часто заходят в магазин компаниями и семьями. Поэтому крупный ритейл сейчас пытается решить задачу объединения людей на входе в группы, хотя бы по семейному признаку. Задача не простая, но в принципе решаемая. Но вернемся к конверсии и воронке продаж.

Получаемые данные

В простейшем виде для анализа достаточно иметь:

1. Количество вошедших за искомый период времени (из системы Track Expert)
2. Количество кассовых чеков (из кассовой системы)

Для более глубокого анализа данные можно еще расширить:

1. Длина очереди (из системы Track Expert)
2. Товары в чеке (из кассовой системы)
3. Количество персонала в магазине (из системы Track Expert)

Что с этим делать, как использовать?

Сначала то, что лежит на поверхности и достаточно очевидно.

Если магазин сетевой, то идеально сравнивать данные по нескольким однотипным магазинам.

Пример. В двух магазинах схожие данные по внешней конверсии, но совершенно разнятся показатели внутренней конверсии. Очевидно, что проблемы где-то внутри:

1. Люди заходят и не находят нужных товаров
2. Люди заходят и видят (сразу или в конце) очереди на кассах и уходят
3. Людей пугает убранство магазина, включая запахи
4. Люди видят какое-то несоответствие рекламы и реалий
5. Люди не получили качественную консультацию от менеджеров и продавцов

Как видите, вариантов не так уж и много. На выявление истинных причин понадобится совсем не много времени. Где искать понятно. Сложнее потом правильно отслеживать динамику по каждой проблеме. Не всегда оно будет конвертироваться напрямую в чеки и продажи, т.к. проблем может быть несколько и подход должен быть системным.

Для повышения внутренней конверсии компьютерное зрение сможет помочь отследить следующие метрики и получить причинно-следственную связь от управленческих действий:

1. Мониторинг присутствия на рабочем месте персонала (продавцы, менеджеры, охрана).
2. Динамику изменения входного потока, после изменений в магазине (оформление, реклама, рассылки и т.п.).
3. Длину очередей на кассах.
4. Проходимость отдельных зон/стеллажей и т.д.

Если копнуть чуть глубже, то можно и нужно отслеживать товарные остатки в зале. Я в принципе представляю как это делается сейчас в магазинах и иллюзий по этому поводу не испытываю. И также представляю то, что OutOfShelf (отсутствие товара на полке) чаще вызван банальным разгильдяйством, нежели действительным отсутствием товара на складе.

В ИТ-системе магазина можно оперативно отслеживать остаток тех или иных товаров, ориентируясь на данные кассовых лент. Но если эти данные совместить еще с фактическим или прогнозным количеством людей в зале, то вероятность появления OutOfShelf гораздо снизится.

Возьмем для примера некий товар, который всегда пользуется спросом и достаточно маржинальный (категория X по XYZ-анализу+ категория A по ABC-анализу). Т.е. всегда нужно обеспечивать наличие таких товаров. Пусть это будет абстрактное Молоко. В часы пик молоко должно быть всегда в достаточном количестве. В противном случае, не найдя товаров первой необходимости, покупатель в следующий раз может и не вернуться. А если это происходит периодически, то 100% не вернется.

На диаграмме ниже представлено распределение остатков молока в зале плюс распределение входящего потока в течение двух вечерних часов.

Оранжевым маркером выделил область, когда пошла первая волна вечерних покупателей. Остатков молока в этот момент было вроде бы достаточно. Снижались остатки достаточно равномерно. Но волну никто не учёл! И к 18:50 молока на полке уже не было. А точнее его не было раньше, т.к. остатки считаются по кассовой программе, а человеку нужно время, чтобы дойти от полки до кассы. А вот если бы менеджеры увидели волну, то могли бы сыграть на опережение и не допустить OutOfShelf. Полчаса пустой полки для товара категории AX – это очень много!

Аналогично можно грамотно управлять кассами.

Вы знаете, что психологически комфортный барьер для любого покупателя – это 3 человека в очереди? Три! Если больше, то это вызывает у него негативные реакции и требует оперативного вмешательства.

После первой же волны этих людей можно ожидать на кассе уже через 15-20 мин. Значит надо подготовиться к открытию дополнительных одной-двух касс. Заранее! А если не отследили волну, то хотя бы вовремя среагируйте на очередь в кассах:

И покупатели будут вам благодарны своим рублем. Это всё маленькие кирпичики в пазле управлении лояльностью.

Демография

Пол и возраст покупателей – метрики обязательные в маркетинговом анализе и часто используются в ритейле. Важно — как и когда они используются? Как добываются, отслеживаются?

Обычно для получения данных по демографии используются карты лояльности. Однако, есть много «но».

1. Не всегда люди носят с собой дисконтные карты;
2. Не все карты именные;
3. Не всякий бизнес имеет дисконтные карты;
4. Часто карту лень искать и доставать сумки, хотя она где-то есть;
5. Не всегда можно идентифицировать себя на кассе по номеру телефона или email. Да и многие оставляют о себе фейковые данные, чтобы избежать лишнего спама;
6. Карты можно передавать друг другу. Что все и делают, особенно внутри семьи;

С точки зрения семейных покупок в супермаркете в шаговой доступности от дома, наверное, не имеет сильного значения на кого зарегистрирована карта. Ей пользуется вся семья. Но если семья небольшая, например, пара примерно одного возраста, тогда данные по демографии становятся уже интересны и важны для анализа динамики ассортимента магазина.

Получаемые данные

1. Пол и возраст посетителей и покупателей с детализацией до товара.

Что с этим делать, как использовать?

Данные о поле и возрасте покупателей – это безусловно полезно, но этого недостаточно, если информация оторвана от основного бизнес процесса – продаж конкретных товаров или услуг.

Предлагаю разобрать два примера с использованием демографических данных в анализе продаж.

Первый –Анализ продаж товаров с плохими показателями.

Второй – предиктивный анализ продаж по внедрению новых товаров в сети магазинов.

Кейс 1. Анализ низких или нестабильных показателей продаж

Предположим, что магазин провел кросс-анализ ассортимента на базе ABC— и XYZ— анализа и выделил товары или группы товаров, по которым есть проблемы и вопросы. Это желтая (AZ) и красная (CZ) категории товаров.

1.  Отказываться от товаров CZ в полу других или нет?
2.  На какую аудиторию запускать рекламу для товаров категории AZ и запускать ли?

Товары из этих категорий должны быть внимательно проанализированы на предмет их значимости и спроса. Особенно это касается категории CZ, где часть товаров может быть даже убрана из ассортимента, а освободившиеся средства пущены на увеличение оборота более ликвидных товаров.

Такой анализ – дело очень кропотливое, требующее большого внимания. Используется многомерный анализ ABC, где параметров будет больше одного (кроме объема продаж). И вот таким дополнительными параметрами мы предлагаем ввести демографию покупателей.

Т.е. каждый товар из категорий AZ и CZ следует проанализировать с точки зрения покупательской способности разными возрастными и гендерными группами покупателей.

Например, мы знаем пол и возраст всех покупателей своего магазина за период один месяц. А также знаем пол и возраст каждого покупателя, купившего товары из категории AZ и CZ.

По каждому товару или группе товаров мы должны получить картину вклада в их покупку той или иной половозрастной группы. Возьмем некий «Товар 1» и построим для него ABC анализ по демографическим группам

У товара 1 есть ярко выраженная аудитория в виде мужчин и женщин 50+. Соответственно, если товар 1 относится к категории AZ, то понятно на кого таргетировать рекламу (группа “А” в таблице) и кому он совсем не интересен (группа “C” и часть группы “B”).

Если же товар 1 относится к категории CZ и решается вопрос о его присутствии в ассортиментной матрице, то нужно понимать какой есть потенциал у аудитории магазина в целом для покупки товара 1, а также какая у него оборачиваемость и можно ли высвободить деньги на его закупку в пользу более ликвидных товаров. Про оборачиваемость товара – это не в рамках этой статьи, а про потенциал аудитории магазина, чтобы не повторяться, см. в следующем кейсе.

Кейс 2. Предиктивный анализ продаж новых товаров

Предположим, имеется сеть супермаркетов около дома. Мы провели стимулирующую акцию линейки новых товаров в нескольких магазинах. В каких-то продажи новых товаров пошли хорошо, а в каких-то нет. В каких магазинах стоят еще попробовать новую линейку товаров?

Выберем магазин или магазины (условно «Магазин 1»), где новые товары показали хорошие результаты за 1 месяц перешли из категории CZ (красная) хотя бы в категорию BZ (серая) или выше.

Теперь определим половозрастные группы, которые покупали что-либо и которые покупали новые товары в Магазине 1.

В принципе, пользуясь даже житейской логикой, из диаграмм понятно кто целевая аудитория новых товаров. Но будем математически беспринципными и проведем ABC— анализ посетителей и покупателей. Получается такая картина.

Если эти данные по продажам новых товаров собраны за релевантный период, допустим, хотя бы один-два месяца, то с большой долей вероятности можно предположить, что в других магазинах новые товары точно будут покупать:

1. Женщины 25…35 лет (группа А)
2. Мужчины 35…50 лет (группа А)
3. Женщины 35…50 лет (группа А)
4. Мужчины 50+ лет (группа А)
5. Женщины 50+ лет (группа А)

Вероятно, эти товары могут заинтересовать группы:

1. Мужчины 25…35 лет (группа B)
2. Женщины 18…25 лет (группа B)

И, очевидно, детям и мужчинам 18…25 лет (группа C) эти товары малоинтересны и на них не стоит рассчитывать.

Возьмем новый магазин (условно «Магазин 2»), где еще новых товаров не продавали, но показатели магазина схожие: людские потоки, чеки, локация. Как спрогнозировать продажу новой линейки товаров в других магазинах, зная его демографию?

Для этого нужно собрать статистику по демографии посетителей (даже не покупателей) и сравнить с картиной в магазине 1.

Чтобы понять аудиторию магазина у дома достаточно одной недели и камеры на входе в магазин. Можно использовать камеры на кассе, как в магазине 1, но не все посетители доходят до кассы, а нам важен именно потенциал магазина.

В магазине 2 среди посетителей характерно доминируют женщины и мужчины 25…35 лет и 35…50 лет. Получается, что мы имеем достаточно много пересечений по группам A из одного и другого магазинов, а также есть еще запас по группам B. Таким образом, с очень большой долей вероятности в Магазине 2 линейку новых товаров можно рекомендовать в продажу.

Эмоции покупателей

Эмоции посетителей, собираемые в автоматическом режиме, для ритейла – это совершенно новая метрика для бизнеса. Максимум с чем сейчас можно встретиться в этом направлении – это кнопки «Доволен» «Не доволен», которые получатель услуги может нажать, например, в банке, чтобы оценить работу оператора.

Чтобы было понятно, Track Expert распознает в человеке восемь эмоций на лице. В сумме они дают условные 100%, и по величине каждой из них можно оценить какая из эмоций доминирует на лице в определенный момент времени. Вот они: гнев, презрение, отвращение, страх, счастье, печаль, удивление и нейтральность. Эмоции можно сгруппировать в позитивные, негативные и нейтральность. Причем нейтральность почти всегда будет доминировать.

Собирать эмоции можно в совершенно разных точках магазина: вход, выход, касса, прилавок. Можно сравнивать эмоции между людьми, между зонами контроля, магазинами и т.д.

Track Expert и 1С

Архитектурно Track Expert состоит из:

1. Оборудование, которое устанавливается в магазине — камера и вычислительные устройства S—Box

1.  Web портал, в котором аккумулируются данные по всем объектам наблюдения. С ним работают пользователи в своих личных кабинетах и любые информационные системы через API.

Для того, чтобы подключить Track Expert к вашей информационной системе необходимо иметь учетную запись от личного кабинета Track Expert. Все методы и функции прописаны в технической документации. Есть примеры внешних отчетов, демонстрирующих работу API, которые позволяют подключиться к личному кабинету Track Expert и получить данные с портала:

1. Магазин
2. Камера
3. S-Box
4. Персона (ID посетителя)
5. Дата/Время окончания наблюдения
6. Длительность пребывания перед камерой
7. Кол-во появлений перед камерой
8. Это Сотрудник?
9. Повторное посещение?
10. Пол
11. Возраст
12. Эмоции (гнев, презрение, отвращение, страх, счастье, нейтральность, печаль, удивление)

Таким образом, для того, чтобы провести подобный анализ ассортимента в некоторых случаях можно даже не дорабатывать конфигурацию, не создавать новые объекты, а работать напрямую с набором данных с портала.

Резюме

Для мониторинга и анализа деятельности торгового предприятия придуманы и используется много инструментов и методик: математические, технические, высокотехнологические. Цели у них одни – правильно анализировать продажи, делать прогнозы, чтобы принимать верные управленческие решения. При этом обязательно решается ряд прикладных задач:

1.  Выявление категорий товаров, дающих наибольшую и наименьшую прибыль в магазине.
2.  Получение данных о результатах маркетинговых и управленческих решений.
3.  Сравнение эффективности работы персонала в разных магазинах/сменах.
4.  Планирование графика и ассортимента закупок. Разрывов в поставках быть не должно.
5.  Выявление сезонности продаж.

Современный покупатель не привык ждать, и даже немного капризный. Поэтому владельцу розничного бизнеса необходимо быть готовым к любым изменениям в его потребностях, чтобы максимально удовлетворить спрос. Чем выше будет скорость реакции на изменения спроса и появление новых товаров, тем успешнее и прибыльнее будет торговый бизнес. Перечисленные выше показатели должны находиться под непрерывным контролем. А чтобы их рассчитывать, необходимо обеспечить бизнес актуальными и максимально полными маркетинговыми данными.

Анализ трафика покупателей, включая знание о количестве, изменении во времени, поле и возрасте – это один из краеугольных камней маркетинга. Если держать руку на пульсе, то проверка любых маркетинговых гипотез будет занимать единицы дней. Те примеры, что я описал – это дополнительный пласт знаний, дополнение к существующим инструментам, которые призваны помочь и облегчить анализ продаж и выработать правильное управленческое решение.

Я уверен на 100%, что ни в каком магазине подобного анализа не проводили, потому что, во-первых, никто не знал, что так можно. А, во-вторых, такой информации просто нет у бизнеса. Есть догадки, социологические опросы и исследования, есть данные об использовании каких-то карт лояльности. Всё. Фактов нет! А информация по полу, возрасту, количеству повторных визитов, длительности визита/обслуживания, знаний о связки Покупатель – Товар – для многих это что-то недосягаемое. Но оно уже есть, и это можно предлагать бизнесу. К сожалению, это тот пласт данных, которого раньше просто не было и готовность бизнеса к ним крайне низка.

В розничной торговле предприниматели должны быть готовы к резким изменениям потребительских предпочтений, чтобы обеспечить максимальное их удовлетворение. От скорости реакции на появление новых популярных продуктов во многом зависит прибыльность торгового бизнеса. Поэтому расчет показателей продаж нужно проводить регулярно, обеспечивая себя актуальными маркетинговыми данными.

Сейчас в мире очень популярен тренд цифровой трансформации. Цифровой трансформации бизнеса, образования, просто процессов. Что это такое знают не все, толкований термина тоже много. То, о чем я писал выше – это одно из направлений как можно трансформировать бизнес, используя новые технологии машинного зрения, используя новые данные, используя правильную интерпретацию этих данных плюс интеграцию с традиционными данными из корпоративных ИТ-систем.

На самом деле, чтобы получить подобную статистику потребуется очень кропотливый труд. Работы хватит и ИТ-службе и маркетингу и коммерции. Данные от двух систем нужно правильно сводить, интерпретировать и принимать управленческие решения. Возможно, не сразу бизнес найдет правильный алгоритм трактовки и использования этих данных, но в отличие от конкурентов они у него будут. И через год он 100% получит сильнейшее конкурентное преимущество, т.к. другие только начнут их собирать. А выиграет тот, кто первый успеет адаптироваться к новым требованиям и запросам рынка!

Алексей Осипов

Директор по развитию CVizi

P.S. Если вам понравилась статья, то голосуйте за мой доклад на Infostart Event 2024 в секции "Идеи и тренды"