Bài viết này là góc nhìn của một ông IT đang tập tành Data Driven Development, viết note lại chơi chơi dựa vào các tài liệu đọc được vào từ khoá store clustering retail, viết bậy viết bạ, các bạn có ý tưởng hay ho có thể góp ý giúp mình có thêm nhiều góc nhìn hơn nha.
I. Đặt vấn đề
Trong mô hình kinh doanh bán lẻ, có hai mô hình dạng chuỗi cửa hàng khác nhau, mỗi mô hình đều có ưu và nhược điểm riêng:
Dạng chuỗi mà tất cả các cửa hàng giống hệt nhau ( ví dụ Starbucks), dạng chuỗi này thì việc vận hành đơn giản, theo quy trình có sẵn, đồng nhất, nhất quán, mang lại trải nghiệm xuyên suốt với khách hàng. Hầu như là quản lý khá nhàn.
Dạng chuỗi thứ 2, các Quản lý được xem như là ông chủ nhỏ của cửa hàng, có quyền tự quyết trong việc phân loại, định giá, và khuyến mãi. Ví dụ: các nhà bán lẻ như Tập đoàn Aeon , ICA, Metro, hoặc bách hoá xanh của Việt Nam trao khá nhiều quyền kiểm soát cho các quản lý cửa hàng.
Dù mô hình kinh doanh là dạng 1 hay dạng 2, thì việc nhóm các siêu thị có tính chất tương đồng thành các nhóm đồng nhất với nhau về các khía cạnh nào đó ( trong machine learning gọi là gom cụm), cũng giúp cho người điều hành có thể scale được các chiến lược marketing, sử dụng cách tiếp cận cookie-cutter (( từ khoá cookie cutter approach in business) đại loại là nếu 1 mô hình marketing thành công cho cửa hàng A, thì cũng có thể scale out và thành công ở các cửa hàng A1.. An có cùng cụm với cửa hàng A.) , cách tiếp cận này cũng có thể áp dụng với mô hình kinh doanh nhượng quyền (franchisee).
II. Cách thức thực hiện
Khái niệm phân loại cửa hàng không mới, nhưng có rất ít nhà bán lẻ ở các thị trường nhỏ sử dụng các phương thức khoa học để tạo mô hình. Và rất rất ít nhà bán lẻ hệ thống hoá quy trình phân loại | gom cụm, có thể là lý do tài chính không cho phép, hoặc việc thuê đơn vị tư vấn độc lập khá tốn kém. Mô hình mình đề cập tới ở đây là: Data Science lập phân tích, Business kiểm chứng, và cần có sự thông suốt về mặt data giữa Data Science và Business.
-
Các yếu tố tham chiếu chính:
-
% bán hàng trên deal với nhà cung cấp
-
% tỷ lệ bán hàng hỗn hợp hợp(category mix) …
-
-
Các yếu tố tham chiếu bổ sung bên cạnh đó:
-
Sự hiện diện của đối thủ
-
Vị trí địa lý
-
Nhân khẩu học …
-
Ở đây, mình chỉ liệt kê một vài yếu tố, một vài yếu tố chi tiết được liệt kê ở phần tiếp theo.
Các yếu tố tham chiếu bổ sung sẽ giúp chúng ta phân biệt các cụm rõ ràng hơn và nhìn thấy sự khác nhau giữa các cụm đó.
theo solvoyo.com, ngày nay, người ta thường phân loại theo category level thay vì store level. Category level mạng lại sự chính xác cao hơn, nhưng khi thực hiện lại phức tạp hơn
Sau đó, chúng ta sẽ xây dựng model dựa trên các yếu tố trên, và kiểm chứng model. Có một vài mô hình clustering trong machine learning các bạn có thể sử dụng như KNN, SVC, DBScan, kmean …
Thông qua việc sử dụng phân cụm, các nhà bán lẻ có thể số hoá nhu cầu của từng khu vực và đề ra những phương án vận hành (mới) hiệu quả hơn (tất nhiên, đây mới chỉ là phần lý thuyết, cần thử nghiệm để chứng minh tính đúng đắn xem rằng các cụm chúng ta đề xuất có thật sự liên quan mạnh với nhau hay không, hay còn yếu tố ẩn quan trọng nào đó mà chúng ta đã bỏ lỡ trong quá trình thu thập dữ liệu).
Ví dụ: một chuỗi cửa hàng tiện lợi có thể điều chỉnh cách tiếp cận khách hàng bằng cách bán hàng theo giỏ hàng, chia thành gói giỏ hàng buổi sáng, giỏ hàng buổi trưa, giỏ hàng buổi tối, phù hợp với mục tiêu mua sắm và vị trí của khách hàng.
Ví dụ khác: Cửa hàng cà phê mới, cửa hàng bánh ngọt mới, cửa hàng phở mới, ở gần vị trí địa lý, kích thước gần giống nhau, nhưng triển vọng phát triển có thể sẽ khác nhau, do triển vọng phát triển của thực phẩm mang đi khác hoàn toàn với thực phẩm ăn tại chỗ.
Việc phân cụm cửa hàng là bước đầu giúp cho các nhà quản lý có một bức tranh ướm chừng khi đưa ra quyết định, và giúp họ đưa ra kết luận một cách định lượng hơn.
III. Cách tiếp cận
Store Capacity Clustering
-
Net selling space ( đo lượng trên đơn vị mét vuông)
-
Shelf capacity ( đo lượng trên đơn vị số lượng sản phẩm / đơn vị chuẩn (kệ))
-
Option capacity ( số lượng sku trên mỗi cửa hàng có thể được trưng bày tại 1 thời điểm)
-
Unit capacity ( Số lượng sản phẩm có thể trưng bày tại 1 thời điểm)
Store Attribute Clustering
-
Lượt khách trung bình của cửa hàng
-
Vị trí ( độ thị, nông thôn, khu công nghiệp, khu chế xuất, khu xây dựng mới)
-
Income profiles
-
Cultural profiles ( xét trên khách hàng trung thành, ví dụ như dân tộc)
-
Mall type ( đại siêu thị, cửa hàng nhỏ)
-
…
Category Sales Clustering
-
Weekly unit sales
-
Weekly revenue
-
Inventory turn (dựa trên yếu tố bao lâu hàng về một lần)
Productivity-based Clustering
-
Revenue per square meter (or sq. foot)
-
GM per square meter
-
Unit sales per product (option, or SKU)
Price-based Clustering
-
Average unit retail
-
Price profile performance (dựa trên sự đóng góp của doanh số bán hàng từ các phân khúc giá khác nhau như cao, trung bình, thấp hoặc dựa trên sự đóng góp của doanh số giảm giá và bán hàng nguyên giá)
-
Price elasticity (dựa trên sự thay đổi về nhu cầu để đáp ứng với những thay đổi về giá, thường được sử dụng trong các hệ thống lập kế hoạch khuyến mãi và tối ưu hóa giảm giá)
Multi-dimensional clustering
Đây là phương pháp nhóm các cửa hàng dựa trên các metric và các attributes được đề cập ở phía trên.
Ví dụ, với mỗi category của cửa hàng, có thể được phân cụm dựa vào sale performance, capacity, price performance
IV. Một số ví dụ thực tiễn
Tự thiết lập phân khúc giá.
Các nơi có tỷ lệ khách hàng mua một lần cao thường sẽ thiết lập một mức giá cao hơn những nơi có tỷ lệ khách hàng trung thành cao. Ví dụ:
-
Các website hãng
-
Sản phẩm được bán ở sân bay so với bán ở các cửa hàng xung quanh nơi bạn sinh sống.
Tất nhiên, sẽ có nhiều bạn sẽ cải lại rằng giá ở sân bay cao do các chi phí thuê nhân viên, chi phí mặt bằng, chi phí từ abc đến xyz cao …
Việc phân cụm, định danh các nhóm cửa hàng có đặc điểm riêng biệt như trên, ví dụ như cửa hàng liền kề khu du lịch, sẽ giúp các bạn có góc nhìn khoa học hơn vào quy hoạch phân vùng giá hoặc quy trình bán hàng.
Lập kế hoạch phát tờ rơi quảng cáo
-
Tối ưu hoá chi phí in ấn
-
Đa dạng hoá tờ rơi
-
Dự đoán được tỷ lệ mua hàng , đề ra chiến lược mua bán hợp lý hơn.
Bài toán tài xế giao hàng grab
Trong bất kỳ sự thay đổi nào về mặt vận hành và quản lý, chúng ta nên đo lường sự tăng trưởng và kiểm định lại để chứng minh giá trị thay đổi là đúng đắn và hỗ trợ tốt cho việc triển khai ra quy mô lớn.
Cảm ơn các bạn đã theo dõi bài viết, hẹn gặp lại ở các bài viết tiếp theo
Tài liệu tham khảo
https://analyticsindiamag.com/analytics-driven-store-clustering-sales-and-profits-retail/
https://www.solvoyo.com/whitepapers/approaches-to-retail-store-clustering/
https://www.davinciretail.com/resources/what-is-retail-store-clustering
Comments