Илья Абоимов, OSA HP Softline Digital: «Наш сервис помогает ритейлеру поднять РТО на 1% и более»

Илья, какие потребности заказчиков закрывает ваш продукт?

– В магазинах часто возникает типовая ситуация, с которой мы все как покупатели сталкивались, – отсутствие конкретного товара на полке. Она может возникнуть по трем причинам: либо товара на складе магазина нет, либо товар есть на остатках и его просто не выставили, либо товар выставлен, но имеет какой-то недостаток – повреждение упаковки, истекший срок годности, отсутствие ценника и т. п. Последние две из этих причин чаще всего можно оперативно устранить силами сотрудников магазина, и в помощь им создан наш основной сервис OSA HP. Отсутствие товара на складе – более сложная проблема, которая может быть обусловлена, к примеру, недостатками в логистике, планировании и другими. Для ее решения мы также предлагаем несколько дополнительных модулей платформы.

Верхнеуровневая схема поставки определенного продукта в конкретный магазин торговой сети выглядит так: магазин формирует заказ (или автозаказ формируется в учетной системе), распределительный центр (РЦ) агрегирует информацию со всех контролируемых торговых объектов и заказывает у поставщика продукцию в нужном объеме. Поставщик отгружает ее на РЦ, а тот, соответственно, распределяет по магазинам. Сотрудники магазина выставляют товар на полки и следят за его своевременным пополнением.

Часто именно в процессе выкладки товара в торговом зале происходят сбои. Допустим, на полке было 50 единиц сметаны с высоким оборотом, покупатели ее быстро разобрали, а сотрудники вовремя не пополнили, хотя на остатках числится еще 200 единиц. Магазин сталкивается с упущенными продажами.

Наш сервис OSA аналитическим способом, с помощью алгоритмов машинного обучения больших данных, обнаруживает аномалии – отклонения продаж конкретного товара в конкретном магазине на основании истории его продаж в этой торговой точке и в других торговых точках ритейлера. Каждый товар имеет определенную цикличность продаж, и мы можем прогнозировать с высокой долей вероятности совершение покупки в конкретный момент времени. Если система фиксирует отклонения от прогнозируемого товарооборота, она создает задачу на проверку этого товара на полке и посылает ее в мобильное приложение-задачник сотрудника. Сотрудник в магазине должен не только отработать эту задачу, но и указать, было ли по факту нарушение, и если было, то какое.

Как технически устроено решение OSA HP? Каким образом оно получает необходимую информацию?

– OSA HP – это сервис, который может работать в двух форматах: только бэкэнд или комплексное решение. В качестве бэкенда (программно-аппаратная часть решения, не связанная непосредственно с пользовательским интерфейсом – прим. ред.) он получает входные данные, обрабатывает их, формирует задачи и предоставляет их в другой сервис или внутреннюю систему ритейлера. Комплексное решение, помимо бэкенда, включает в себя веб-портал и мобильное приложение-задачник.

Выгрузку данных на нашу платформу клиент организует на своей стороне, согласно определенным требованиям к формату и структуре файлов, периодичности выгрузки. Или, по договоренности и при согласовании со службой безопасности клиента, мы можем сами забирать данные из его информационных систем и баз данных. Так как автоматизировать этот процесс сложно, из-за наличия разнообразных систем и решений на стороне ритейлера, то возможно использовать богатый опыт сотрудников Softline Digital для настройки интеграции.

Итак, клиент получает спецификацию, в которой указан набор необходимых нам сущностей и полей внутри этих сущностей: это, например, чеки (дата, номер чека, перечень позиций, количество и стоимость каждого товара, наличие скидок и т. д.), ассортиментная матрица, информация о промо-акциях, дополнительные словари. На основании этой спецификации в целевой платформе клиент отгружает нам данные с использованием любого протокола, например, FTP, соблюдая оговоренную периодичность: каждый день, каждый час и так далее. Таким образом клиент обеспечивает, во-первых, историческую, а во-вторых – постоянную загрузку данных. Все вычисления происходят уже исключительно на нашей стороне.

Илья Абоимов, руководитель продукта OSA HP, Softline Digital

Набор данных, необходимый для работы аналитических алгоритмов OSA, одинаковый для всех ваших заказчиков?

– В идеале минимальный пакет сущностей, стандартная спецификация – унифицированная, одинаковая для всех. Меняться может только гранулярность. Например, не все магазины могут предоставлять чеки ежечасно. Мы готовы принимать их с периодичностью раз в день, но тогда и список задач у сотрудников будет актуализироваться соответствующим образом. А от этого зависит и качество работы сервиса, и точность задач. Но с каждым заказчиком, опять же, у нас могут быть разные договоренности, кастомизация под запрос.

Кроме того, сервис можно расширять с помощью дополнительных модулей, а для этого системе потребуются и дополнительные данные. Например, с одним из крупных ритейлеров мы сейчас экспериментируем с оптимизацией вместимости товара на полках. Для этого нашему алгоритму требуется информация об объемах размещения товаров.

В каком-нибудь крупном гипермаркете у сотрудника в приложении, наверное, могут накопиться десятки и сотни задач. Как выбрать из них наиболее важные?

– В зависимости от ассортиментной матрицы, сотрудникам магазина на отработку действительно падает большое количество задач – даже несколько тысяч. Система может отсортировать их по финансовым, вероятностным и другим критериям – и выдавать только наиболее приоритетные.

Например, можно выбрать товары с максимальным оборотом. Чем выше товарооборот у конкретного товара в конкретном магазине, тем быстрее на него сформируется задача. Допустим, последняя покупка той же сметаны состоялась в 12:00. Система сравнивает ее средние продажи в данном магазине, в других магазинах сети, рассчитывает средний цикл продаж – условно, одна единица в час. Система ждет до 13:00, и, если продажа не произошла, усиливает контроль над этой позицией. В 14:00 снова происходит сверка: если продажи снова не случилось – возможно, с этой сметаной какая-то проблема. Этой проблеме задался определенный рейтинг. Чем ниже товарооборот у конкретного товара в конкретном магазине, тем реже он будет встречаться в списке задач.

Можно, наоборот, в меньшей степени смотреть на вероятность и в большей – на вклад этого товара в товарооборот по деньгам. Можно выбрать в качестве приоритета количество чеков и любой другой параметр. Всё регулируется по потребностям клиента.

Именно поэтому OSA HP – это не «коробка», а гибкая и адаптивная система, которая постоянно улучшается и дорабатывается. Улучшения происходят и с нашей как разработчика стороны, и со стороны клиента – ведь чем больше задач сотрудники магазинов отрабатывают корректно, тем быстрее и качественнее модель обучается, видит определенные зависимости.

Какие есть еще примеры кастомизации платформы OSA?

– Некоторым клиентам, помимо использования нашего основного алгоритма, требуется решение более простых прикладных задач. Например, одному из заказчиков мы помогаем мониторить продажу новых товаров, появляющихся в поставке. Понятно, что, если у них нет истории продаж, система не сможет использовать этот показатель для анализа. Мы сделали другой алгоритм, который работает на нескольких условиях «если». В двух словах: мы смотрим, продавался ли за последние полгода этот новый товар. Если нет, мы считаем его новинкой. По нему мы отсчитываем двое суток с момента поставки, и, если за это время продажи не начались, даем задачу на проверку.

Другой вариант кастомизации касается промо-товаров. В одной из сетей мы условились на то, что система будет отдельно мониторить продажи товаров из определенного списка, составляемого и обновляемого заказчиком. Например, если в день акции до 12:00 не было продано ни одного товара из этого списка, будет сформирована задача сотруднику – проверить наличие этого товара на полке.

Платформа OSA HP – это решение только для крупных ритейлеров? Могут ли ей воспользоваться небольшие торговые сети или даже отдельные частные магазины? Или там есть смысл по-прежнему делать ставку на профессионализм сотрудников?

– Сотрудники, конечно, всегда могут увидеть отсутствие товара на полке в моменте. Но сервис OSA HP выявляет не только эту проблему, но и так называемые виртуальные остатки – когда в учетной системе магазина товар числится, а фактически на складе отсутствует. Глазами это сразу заметить невозможно, нужно проверять каждую позицию, пересчитывать. Здесь, конечно, каждый ритейлер сам для себя оценивает необходимость автоматизации этого процесса. Кто-то ручными способами проверяет, чаще проводит инвентаризации. Кто-то использует такие решения, как OSA HP.

Также многие заказчики заинтересованы в цифровизации процессов точки продаж. Сервис OSA HP позволяет понимать, с каким товарами происходят проблемы и какого они вида, предпринимать стратегические решения на основании полученных данных и менять подходы к работе своего бизнеса, измерять результаты в динамике.

Для небольших торговых сетей мы можем предложить другую схему сотрудничества – через наш партнерский сервис Retailix.Ai, тоже входящий в портфель собственных разработок Softline Digital. Это приложение-задачник для малого и среднего бизнеса, в который, среди прочего, могут приходить задачи из системы OSA HP. Такая схема позволяет заказчику сэкономить, поскольку мы интегрированы с Retailix.Ai. Сегодня мы проводим тестовые подключения ритейлеров через партнерский сервис и уверены, что точность задач будет не меньшая, чем при работе с OSA HP напрямую.

Что касается отдельных магазинов – алгоритм OSA HP не сможет проследить историчность продаж к подобным магазинам, а сможет только анализировать внутреннюю статистику одной торговой точки, что негативно скажется на точности. На самом деле, подобных проектов с одним отдельно взятым магазином у нас не было. В 2023 году мы расширим сотрудничество с Retailix.Ai, подключим большее количество небольших и средних ритейлеров и сможем использовать их обезличенные данные для поиска подобных магазинов и участия их в работе алгоритмов машинного обучения. Это позволит вовлечь в работу с сервисом и единичные торговые точки.

Насколько долго и сложно обучить ML-модель для конкретного заказчика? Что для этого требуется?

– Мы можем начать обучение ML-модели после того, как загрузим данные о продажах торговой сети хотя бы за пять недель. Чем больше данных, тем эффективнее работает алгоритм, но в целом точность попадания в проблему мы заявляем на уровне 80-85% от всех задач. Скорость загрузки, конечно, зависит от объема данных, количества магазинов и ассортиментной матрицы. Замечу, что мы дорабатываем систему таким образом, чтобы это время сокращалось. Если сейчас срок подключения сервиса от начала работ до выдачи первых результатов составляет около двух недель, то с 2023 года мы сможем делать это за 1-2 дня.

Для первоначальной загрузки и интеграции данных заказчику потребуется проектная команда – например, аутсорсинговая команда Softline Digital предоставляет такую услугу. Это самая долгая часть процесса. Когда клиент справляется с этой задачей, загружает в систему историю продаж согласно спецификации, настраивает заливку данных на постоянной основе, – мы фактически нажимаем у себя одну кнопку, и проверка данных запускается.

Какие еще дополнительные модули содержит платформа OSA HP?

– Это несколько модулей, облегчающие отдельные бизнес-процессы ритейлеров. Например, модуль локальных корректировок – когда сотрудники в рамках отработки задачи по основному сервису OSA HP обнаруживают виртуальный остаток, ставят в приложении соответствующий статус задачи и таким образом могут скорректировать данные учетной системы, по сути, списать виртуальный остаток в ноль. Этот же модуль можно интегрировать, скажем, с системой автозаказа магазина, чтобы передавать оперативную информацию о необходимости поставки тех или иных позиций, не дожидаясь инвентаризации.

Модуль адаптации автозаказа – это сервис, на основании которого мы обнаруживаем периоды недоступности товара на полке магазина. То есть мы можем смотреть не только на средние продажи или отсутствие товара на складе, но и на системность продаж. Это особенно важно, если заказчик передает в систему данные не ежечасно, а ежедневно. Например, средние продажи пива в пятницу повышаются – мы видим, что с утра на остатках было 30 единиц этого товара, а в субботу утром – ноль. Казалось бы, всё хорошо, но по последнему чеку мы замечаем, что товар был полностью продан уже к полудню, а в самые пиковые часы его уже нет на полке. Мы мониторим все поставки этого товара, и, если данная ситуация происходит системно, можем дать магазину определенные рекомендации.

Модуль прогнозирования промо – это построение прогноза о том, какой объем товара необходимо поставить в определенные магазины к промо-акции. Рассчитывая этот объем, мы смотрим историю, текущие продажи, тренды и большое количество других метрик.

Какие измеримые преимущества получает заказчик от внедрения OSA HP?

– Хочется отметить, что OSA HP – это не отдельный новый бизнес-процесс для ритейлера. Сотрудник в рамках своей работы и так должен пополнять полки товарами со склада, устранять проблемы, менять ценники вовремя, убирать просроченные товары и так далее. Мы просто даем ему полезную информацию, чтобы облегчать поиск товара, который необходимо отработать в первую очередь. Для магазина это – повышение качества работы сотрудников.

Мы также заявляем, что наш основной сервис OSA HP позволяет торговой сети увеличить скорость восстановления продаж в 2,5-3 раза в сравнении с торговыми точками, в которых не производилась работа с сервисом. За счет своевременного появления товара на полке магазина происходит рост динамики РТО (розничный товарооборот – прим. ред.) на 1% и более. Учитывая огромные объемы товарооборота в крупных ритейлерах – это уже очень большая сумма. У одного из наших клиентов, с которым мы работаем достаточно давно, показатель роста РТО составляет до 3%.

Каковы ваши планы по развитию платформы OSA HP?

– В 2023 году, как я уже говорил, мы планируем сократить Time To Market на подключение нашего сервиса до 1-2 дней. Вторая задача – разнообразить наши коннекторы по подключению данных, чтобы быть более удобными для клиентов. Третья задача – доработать модуль промо до формата калькулятора.

Также мы видим большой запрос, появившийся на фоне импортозамещения, – на разработку собственной системы автозаказа. Фактически у нас на платформе уже есть практически все компоненты для нее. На основании наших готовых модулей мы будем разрабатывать систему автозаказа для ритейлеров любого масштаба.

С точки зрения бизнеса в целом – планируем увеличить клиентскую базу, в том числе за счет интеграции с сервисом Retailix.Ai и охвату небольших торговых сетей.