Česká republika bezesporu patří z pohledu maloobchodního trhu mezi nejkonkurenčnější oblasti v Evropě. Lze to dokladovat mnoha způsoby. Jednou z možností je srovnání vybraných zemí z hlediska jejich kupní síly a prodejní plochy na jednoho obyvatele. Ukazatel Index tržní náročnosti je podílem těchto dvou ukazatelů a ukazuje velikost prodejní plochy, která je k dispozici na „jednotkový“ objem nákupu ve finančním vyjádření.
| Ukazatel | CZ | SK | PL | H | SLO | A | D |
| Kupní síla – dle parity (D=100)1 (KS) | 51 | 40 | 38 | 47 | 67 | 95 | 100 |
| Prodejní plocha v m2 na obyvatele2 (PP) | 0,9 | 0,5 | 0,5 | 0,8 | 0,7 | 1,1 | 1,4 |
| Index tržní náročnosti (100*PP/KS) | 1,76 | 1,25 | 1,32 | 1,70 | 1,04 | 1,16 | 1,40 |
1
GfK AG , 2 odhad INCOMA Consult vše rok 2000 Tato náročnost tržního prostředí vytváří obrovský tlak na produktivitu maloobchodu a iniciuje hledání možností růstu produktivity jak úsporami nákladů, tak růstem výkonu. Jedním z možných způsobů je zvýšit průměrnou realizovanou marži prostřednictvím optimalizace akční (letákové) nabídky tak, že se sníží počet nakoupených položek v akci v průměrném košíku bez negativních důsledků na obrat. Jak toho dosáhnout?Pokladní systémy obchodních firem každodenně generují vysoce přesné a hodnotné informace, a to jak z provozního, tak z marketingového pohledu. Zaznamenávají každou nakoupenou položku s aktuální cenou (s možností přiřadit či dopočítat aktuální marži a aktuální slevu) a skutečnost, co s čím se kupuje – tedy jednotlivé nákupní košíky – a tím přesně zobrazují reálné nákupní chování populace. V podstatě je to zcela přesně měřená odezva (reálná, ne pouze deklarovaná) na vlastní aktivity a aktivity konkurence, na vnější události různého typu, to vše dle lokalit, typů prodejen… Pokud je k dispozici ještě identifikace nakupujícího k nákupnímu košíku (například prostřednictvím platebních karet nebo věrnostního systému), je získatelná marketingová informace téměř dokonalá. Získatelná, bohužel ne získávaná.
Možností, jak těchto informací využít, je velmi mnoho. Od automatizace objednávek až po prediktivní modely poptávky, od jednoduchých analýz jednotlivých kategorií až po netriviální vícerozměrné segmentace… Obecně lze konstatovat, že pro komplexní zvládnutí projektů a procesů Category managementu jsou analýzy nákupního košíku prakticky nezbytné. Východiskem pro analýzy marketingového typu by měl být „přínos“ nákupního košíku, tj. jaký krycí příspěvek ten který nákupní košík vytváří. K tomu je potřeba sledovat další parametry, vždy podle účelu konkrétní analýzy.
V našem případě – optimalizace promocí – je třeba dále vyhodnocovat následující parametry: seznam položek a jejich přiřazení do skupin výrobků a kategorií, celkový počet položek a kusů zboží v nákupním košíku, označení položek v akci, dosažená marže v % na nákupním košíku a snížení marže v % vlivem letákových položek.
Představme si situaci, že jsou k dispozici tyto informace o dostatečně velikém souboru nákupních košíků nebo o všech košících. Když provedeme jejich analýzu, bezpochyby zjistíme značné rozdíly. Některé košíky obsahují málo akčních položek nebo žádné (přitom některé z nich vytvářejí vysoký krycí příspěvek díky velkému počtu položek, jiné naopak malý, protože počet položek je rovněž malý). Mnoho dalších košíků obsahuje vysoký podíl akčních položek (i zde je nějaká vnitřní struktura). Předmětem našeho zájmu jsou – vzhledem k zadání – košíky, které splňují současně tato kritéria:
a) mají charakter běžného či velkého nákupu (nezajímají nás drobné nákupy)
b) mají nadprůměrný výskyt letákových položek (nadprůměrné snížení marže)
U těchto košíků nás zajímá, které akční položky a jejich kategorie jsou často nakupovány spolu. Příslušnému analytickému postupu se říká asociační analýza a jejím výsledkem jsou „soubory akčních položek“ (skupin výrobků, kategorií), které jsou často v jednom nákupním košíku. V rámci asociační analýzy je dále možné určit v jednotlivých „souborech akčních položek“ jejich vnitřní hierarchie a tím odhalit závislosti mezi nimi.
V dalším kroku je třeba v jednotlivých „souborech akčních položek“ vybrat ty položky, které zůstanou v akční nabídce a ty, které budou vyřazeny (nebudou se vyskytovat společně v jednom letáku). K tomuto účelu je nutné připravit model, který bude simulovat nakupování – tj.dosahovanou marži – při omezování počtu letákových položek. Samotné modelování (tj. výběr omezeného souboru letákových položek na základě výsledků asociační analýzy) je vysoce invenční činnost založená na konkrétních zkušenostech a není příliš algoritmizovatelná.
Konkrétní výběr totiž záleží na zvolené strategii (např.: omezení položek kupovaných ve větším počtu balení; omezení „logických“ kombinací typu džus – voda, pivo – uzeniny, pečivo – jogurt; zaměření se na „tvrdé jádro“ nakupujících jednoznačně orientované na akční nabídku; respektování priorit „nákupních košíků“ s vysokým krycím příspěvkem atd.).
Při zavádění do praxe je třeba postupovat nanejvýš opatrně. Postupné snížení počtu položek v akční nabídce částečně odradí „tvrdé jádro“ nakupujících (ať si ho nechá konkurence!) a na druhou stranu přiláká nakupující a jejich košíky s nadprůměrnými maržemi (více pohodlí, menší fronty, větší klid při výběru) a bude mít tedy vliv na strukturu nákupních košíků a pozitivní efekt na dosahovanou marži. Další vliv na výsledný efekt mají externí faktory – aktivity konkurence, makroprostředí, různé události, sezónnost… I z tohoto důvodu nelze optimalizaci promocí řešit jako projekt. Takový projekt by ztratil velmi rychle účinnost.
Pro opakovaný a dlouhodobý efekt je potřeba tyto činnosti nastavit jako proces se všemi náležitostmi. Jedná se především o vybudování datového skladu s agregací na úrovni nákupního košíku, vytvoření příslušných analytických nástrojů a modelů, vyškolení pracovníků a vytvoření procesů zabezpečujících využití nového systému.
Je taková investice návratná? I kdyby byl systém využíván jen pro optimalizaci promocí (asi tak jedno promile možností využití), tak očekávaný přínos okolo jednoho procenta na maržích tuto investici vrací u velkých společností nejpozději do jednoho roku po začátku využívání.
Jaroslav Kuchař
INCOMA Consult
email:kuchar@incoma.cz
Viz též:
Prezentace v Ppt
Follow
