Use Big Data para dar aos compradores locais o que eles querem

Quando uma cadeia de compras expande sua seção internacional de alimentos ou uma loja de suprimentos para animais de estimação, move o cachorro trata da porta da frente, não por acaso. Os varejistas estão aproveitando os ativos que seus concorrentes de comércio eletrônico não possuem-espaço físico e a organização de produtos dentro desse espaço-para aprimorar a experiência de compra dos clientes e aumentar as vendas. E cada vez mais, eles estão usando o Big Data para fazê-lo. A análise de dados mais profunda e mais poderosa pode ajudar a melhorar o design da loja, as plantas, o mix de mercadorias e outros elementos da localização.

At a time when customers can find almost anything they want online, brick-and-­mortar stores must make it easier for shoppers to find the right products in the right place at the right time. Deeper, more powerful data analytics can help improve store design, floor plans, merchandise mix, and other elements of localization.

Os varejistas não são estranhos aos dados. As lojas confiam há muito tempo em informações do ponto de venda e de outros sistemas para otimizar como os produtos são merchandised, com preços e promovidos. (Ver " Fazendo o Big Data Work: Varejo ”,” Artigo de BCG, junho de 2014.) Enquanto alguns sistemas de varejo existentes podem produzir quantidades enormes de informações, os varejistas não têm a análise necessária para a contínua. Aspectos da localização. ENDCAP-Cada polegada de piso-para atingir o valor máximo. Em nosso trabalho, vimos a localização em larga escala e baseada em dados, melhorando o desempenho de uma variedade de varejistas:

To succeed, retailers must apply data ­analysis to more aspects of localization. They must use it more consistently and apply more sophisticated algorithms. Those algorithms should connect floor space, assortment, and product placement with loyalty, web browsing, and store heat map data. Whether retailers develop big data tools internally or buy off-the-shelf services, they must set up repeatable processes that can be managed effectively.

The results of these efforts could reshape every shelf and endcap—every inch of floor space—to attain maximum value. In our client work, we have seen wide-scale, data-based localization improve performance for a variety of retailers:

• A US specialty retailer’s localization strategy led to a 3% sales increase despite declining sales in the category nationwide.
• A localization pilot project led to a 4% sales increase at a US big box retailer, helping it recapture market share to gain on a key competitor.
• A decentralized general-merchandise retailer that used big data to create performance group clusters saw sales grow 3% to 4%, a key component of a successful turnaround.

Adopting a big data mindset for localization can be challenging. Therefore, a shift to data-based localization is best accomplished as part of a broader change strategy. Such a program should be managed by a cross-functional team of personnel from merchandising, planning, marketing, pricing, and store operations. Retailers should use localization analytics in agile-based sprint tests and other short-term projects before rolling out company-wide programs.

How Big Data Boosts Localization

For data-based localization to work, it must include everything a store sells—not just a retailer’s most visible products. A comprehensive strategy takes into account layout, how shelves are configured and stocked, seasonal items, and new brands or SKUs, among other elements. (See Exhibit 1.)

Here are the major elements of localization and the data analytics that retailers can use to improve them.

Floor Space. Retailers must decide how much room to dedicate to certain products or product categories, with an eye toward maximizing sales and yielding the highest possible margin per square foot. Typically floor space planning is based on historical sales data and sales forecasts. To optimize it further, retailers should evaluate marginal space economics, determining the difference in profit that one product category generates per square foot in a particular space compared with what another product category would generate in the same space. For example, a grocery chain determining how much space to dedicate to chicken must consider how adding space would affect sales and margins compared with adding more space for pork, lamb, or fish.

Ao alocar o espaço do piso, os varejistas podem usar o big data para avaliar detalhes no nível da transação e revelar associações ocultas que podem ser capitalizadas para aumentar as vendas. Esses detalhes e associações incluem vendas de anexos ou compradores adicionais de produtos compram na mesma categoria da compra pretendida e compras futuras que podem vir com uma compra nessa categoria. Outra associação oculta que o Big Data pode revelar são os custos de distribuição alocados, que não são visíveis até que os custos sejam alocados ao item no nível da loja. 

To find the best allocation of floor space to maximize margins, retailers will need to use analytics to adjust sales data to account for differences in individual stores’ merchandise mix as well as for out-of-stock and seasonal items. 

Vendention. Os varejistas se esforçam para criar uma mistura de mercadorias com as margens de longo prazo máximas alcançáveis ​​para cada loja que operam.  The products a store stocks, along with the brands, styles, and varieties of each that appear on its shelves, make up its assortment, or merchandise mix. Retailers strive to create a merchandise mix with the maximum achievable long-term margins for each store they operate. 

Para otimizar a variedade, os varejistas podem agrupar locais que vendem itens semelhantes em clusters usando dados de vendas agregados por atributos como marca, tamanho ou sabor. Esses clusters facilitam o reconhecimento de padrões em lojas semelhantes, levando a previsões mais precisas de vendas futuras em lojas individuais. Para levar novamente o frango como exemplo, os dados de compra do cliente podem mostrar como a oferta de pacotes de frango cortado contribui para as vendas gerais de frango e como cair ou oferecer mais desses pacotes afeta as vendas de outros produtos de frango. 

In addition, retailers can use customer transaction data to measure incrementality, or how much an item in the assortment increases sales and margins compared with a similar item. To again take chicken as an example, customer purchase data may show how offering packages of cut-up chicken contributes to overall chicken sales, and how dropping or offering more of such packages affects sales of other chicken products. 

adjacências. A análise pode ajudar a descobrir dados menos comuns que podem ser igualmente valiosos. Um ponto de dados geralmente subconsiderado é o efeito nas vendas da distância relativa entre dois itens em uma loja ou o que é conhecido como adjacência. Os dados de adjacências podem ser usados ​​para comparar vendas e vendas cruzadas de categorias de produtos localizadas próximas uma da outra, entre si ou no mesmo corredor. Os varejistas podem aumentar as vendas e as margens por prateleiras, digamos, dois conjuntos de mercadorias com adjacências positivas próximas uma da outra, aumentando as vendas de ambos. Os varejistas podem começar a minerar adjacências usando dados no nível da loja para descobrir quais posicionamentos de itens funcionavam melhor no passado. Isso pode ajudar a determinar, por exemplo, se a pizza congelada é vendida melhor quando colocada ao lado de sorvete ou para legumes congelados, ou se prateleira o spray de cabelo ao lado de escovas de cabelo levar a mais vendas do que exibi -lo com outros produtos para cuidados com os cabelos. O estudo de dados sobre adjacências também pode ajudar os varejistas a decidir quais categorias de itens atribuem para os locais primários, como a frente da loja e o corredor de acionamento.  Retailers typically make inventory and stocking decisions based on common data points such as enterprise-­wide sales over time, individual store sales, cost of goods sold, and stocking costs. Analytics can help uncover less common data that can be just as valuable. One often underconsidered data point is the effect on sales of the relative distance between two items in a store, or what’s known as adjacency. Adjacencies data can be used to compare sales and cross-sales of product categories located next to one another, across from one another, or in the same aisle. Retailers can then boost sales and margins by shelving, say, two sets of goods with positive adjacencies next to one another, increasing sales of both.

Optimizing adjacencies across an entire store is complex. Retailers can start to mine adjacencies by using store-level data to find which item placements worked best in the past. That can help determine, for example, whether frozen pizza sells better when placed next to ice cream or to frozen vegetables, or if shelving hairspray next to hair brushes leads to more sales than displaying it with other hair care products. Studying data on adjacencies can also help retailers decide which item categories to allot to prime locations such as the front of the store and the drive aisle. 

Elementos adicionais. Os varejistas podem usar a segmentação quantitativa da experiência do cliente para melhorar a maneira como um espaço de varejo parece analisar pesquisas de clientes para determinar como diferentes tipos de clientes gostam de fazer compras. Outros dados que podem ser usados ​​para melhorar o design da loja incluem avaliação comportamental de lealdade ou o que um cliente existente faz quando um item favorito está fora de estoque; e avaliação do ROI do protótipo, o impacto de adicionar vários elementos na loja a um design geral. Big data can help optimize other elements of localization, including store design, price, and promotion. Retailers can use quantitative customer experience segmentation to improve the way a retail space looks and feels by analyzing customer surveys to determine how different types of customers like to shop. Other data that can be used to improve store design includes loyalty behavioral evaluation, or what an existing customer does when a favorite item is out of stock; and prototype ROI evaluation, the impact of adding various in-store elements to an overall design.

Para otimizar os preços, os varejistas podem avaliar dados que mostram o que os compradores locais estão dispostos a pagar. Por exemplo, eles podem estudar os preços que os concorrentes locais cobram por determinados produtos, particularmente itens de valor conhecido, como leite e pão, e usar as informações para definir seus próprios preços. Os varejistas também podem avaliar dados que revelam quais tipos de promoções locais funcionavam melhor no passado para planejar promoções futuras. Por exemplo, se a análise de produtividade do espaço marginal mostrasse uma coleta na hora do almoço no tráfego de pedestres, um supermercado poderia expandir suas seções preparadas e delicatessen. (Consulte o Anexo 2.) Ele pode ser itens duplos, como um tamanho popular de batatas congeladas, depois de analisar a elevação de vendas em outros locais que adicionaram um voltado extra de itens semelhantes. Também poderia expandir sua seção de alimentos internacionais para refletir a demanda local com base na popularidade da variedade existente em relação a outras lojas e demografia dos clientes. 

Applying big data to elements of local­ization can lead to multiple changes. For ­example, if marginal space productivity ­analysis showed a lunchtime pickup in foot traffic, a grocery store could expand its ­prepared-food and deli sections. (See ­Exhibit 2.) It could double-face items such as a popular size of frozen potatoes after analyzing sales uplift at other locations that added an extra facing of similar items. It could also expand its international-foods section to reflect local demand based on the popularity of existing assortment relative to other stores and customer demographics. 

Construindo uma estratégia de localização baseada em dados

Despite the potential for benefits from a big data makeover, in our client work, we’ve found that many retailers don’t consistently collect the data needed to improve localization. At others, existing merchandising, pricing, or sales management systems aren’t capable of performing the sophisticated analysis required to uncover the information. To take full advantage of a big data-based localization strategy, retailers may need to adopt new systems that can be tailored to their specific requirements and circumstances. This may require working with an outside party that can help create a customized service. Whatever big data tools for product localization they choose must be relatively simple to integrate with existing systems.

Mesmo assim, a incorporação de big data na localização pode ser um desafio. É preciso mais do que usar a tecnologia existente de novas maneiras ou integrar novas análises. Primeiro, requer um compromisso em toda a organização com a flexibilidade e a abertura a novas abordagens. Equipes multifuncionais de pessoal de merchandising, planejamento e precificação juntos devem trabalhar mais rápido e dinamicamente sem adicionar complexidade ao processo. As organizações que ainda não estão seguindo essas novas e ágeis maneiras de trabalhar precisarão considerar como treinar equipes ao longo da jornada. (Ver " Levando muito além do software ” BCG article, July 2017.)

Em nossa experiência, trabalhando com clientes de varejo, as organizações são mais bem-sucedidas usando o big data para melhorar a localização quando seguem alguns outros princípios orientadores. Escolha um caso de uso único para um projeto de sprint baseado em análise e avalie como ele funciona. Mova para o próximo sprint seguindo a mesma abordagem.

Do analytical sprints. Borrow from agile principles, including the use of minimum viable product tools, and adopt a rapid test-and-learn mentality. Pick a single use case for an analytics-based sprint project and evaluate how it works. Move to the next sprint following the same approach.

Incorpore a localização baseada em análise no fluxo de trabalho. Isso oferece aos gerentes de categoria a responsabilidade adicional de garantir que as ferramentas de recomendação de localização não dificultem o trabalho para suas equipes. do que eles estão comprando. Teams must base merchandising decisions on data year-round, not just during annual top-to-­bottom category resets. This gives category managers the added responsibility of ensuring that localization recommendation tools don’t make work more difficult for their teams.

Be consistent. While different arms of a retailer’s merchandising organization may use different data analytics tools or analyze different data to change different local­ization elements, the outcomes of their efforts should be integrated in a way that presents shoppers with a cohesive in-store experience, regardless of what they’re buying.

Combine vários conjuntos de big data, incluindo vendas on -line. Os grandes conjuntos de dados podem incluir tráfego do site e termos de pesquisa, ações que os clientes tomam quando os itens estão fora de estoque on -line e a frequência e o conteúdo dos carrinhos de compras virtuais abandonados. Os varejistas também podem usar análises para estudar dados de vendas de lojas físicas, incluindo informações sobre devoluções, duração das linhas de check-out, estoques e variações em sortimento e vendas por loja ou região. Aplica-se. Antes de começar, os varejistas podem precisar gastar tempo procurando e corrigindo problemas pontuais. Mesmo os dados mais limpos não podem fornecer previsão perfeita, portanto, os big data devem ser usados ​​em conjunto com os planos de contingência para lidar com situações novas ou inesperadas. Por exemplo, a localização no nível da loja pode fornecer mais valor, mas ser mais difícil de executar, enquanto a localização de um conjunto de lojas permite que os varejistas atinjam um equilíbrio razoável e melhorem a adesão no campo, o que aumentará o valor realizado. Outros rivais de comércio eletrônico com conhecimento de tecnologia. Em um ambiente competitivo que está com as margens dos varejistas, eles, por sua vez, precisam espremer o máximo possível em cada centímetro quadrado de espaço físico. Uma maneira de fazer isso é usar o Big Data para obter uma compreensão mais profunda das preferências do cliente e dos hábitos de compra, informações que ajudarão a otimizar o espaço, o mix de produtos e outros elementos da localização. Mas a adoção de análises aprimoradas e a tecnologia para executá -la é apenas metade da batalha. Para lojas que não estão acostumadas a basear as decisões nos dados, a mudança pode envolver uma mudança significativa na cultura. Para que os varejistas tenham sucesso, o pessoal de vários departamentos relacionados ao produto terá que trabalhar juntos de perto e em um ritmo de sprint. Essa é uma combinação vencedora que ajudará a manter os clientes voltando para mais. Analytics allow retailers to study multiple sets of data from multiple sources, giving them insights they couldn’t gain from a single data set. Large data sets may include website traffic and search terms, actions customers take when items are out of stock online, and frequency and contents of abandoned virtual shopping carts. Retailers can also use analytics to study data from physical-store sales, including information on returns, length of checkout lines, stockouts, and variations in assortment and sales by store or region.

Companies should also track online shopping activity to identify products popular with shoppers in a certain region, then stock more of those products in physical ­locations in that area.

Garbage in, garbage out still applies. Data-based decisions aren’t worth anything if the information used to make them isn’t correct. Before getting started, retailers may need to spend time looking for and fixing one-off problems. Even the cleanest data can’t provide perfect foresight, so big data must be used in conjunction with contingency plans for dealing with novel or unexpected situations.

Understand the tradeoffs between value and complexity. Analytics can deliver sophisticated solutions to complicated localization configurations, but often a simpler solution will be preferable to one that is too complex for personnel to easily implement. For example, localizing at the store level may provide more value but be harder to execute, whereas localizing a cluster of stores allows retailers to strike a reasonable balance and improve adherence in the field, which will increase realized value.

---

Spending is up in the US as median household incomes rise, but brick-and-mortar retailers continue to file for bankruptcy at a record pace, undone by changing times and the rise of Amazon and other technology-savvy e-commerce rivals. In a competitive environment that’s squeezing retailers’ margins, they in turn need to squeeze as much as possible out of every square inch of physical space. One way to do that is using big data to gain a deeper understanding of customer preferences and shopping habits, information that will help optimize floor space, product mix, and other elements of localization. But adopting improved analytics and the technology to run it is only half the battle. For stores that aren’t accustomed to basing decisions on data, the change can involve a significant culture shift. For retailers to succeed, personnel from various product-related departments will have to work together more closely and at a sprint pace. That’s a winning combination that will help keep customers coming back for more.