Doby, kdy zákazník nakoupil požadované zboží nepozorovaně, jsou dávno pryč. Dnes je oko obchodníkovo pečlivě zaměřeno na každý pohyb, nákup, zvyk a pečlivě si vše zaznamenává. Proč tomu tak je?

Kdo je můj zákazník a jak se chová? To je otázka, kterou si klade většina obchodníků. Dokonce i ti, jejichž klientela je úzce specifikovaná. Marketingový přístup obchodních společností se v minulých letech nejčastěji zaměřoval na samotný produkt jako determinující marketingový element. Dnes je tomu jinak. Hlavní pozornost se pomalu přesouvá na spotřebitele, jakožto hlavního činitele přinášejícího zisk a udržujícího společnost při životě a fungující. Jednoduše lze říci: známe-li svého zákazníka, dokážeme-li odhadnout jeho chování, držíme v ruce klíč k úspěšné firmě.

Známé rčení, se kterým jsme se asi všichni již setkali, praví: kdybych měl tu či onu informaci, tu či onu znalost, tak tady teď nesedím a místo toho je ze mě milionář – kde já mohl být?! Pokrok v oblasti business analytics tomuto rčení ubírá na aktuálnosti, protože znalost událostí budoucích dnes není nemožná. Nemluvíme zde o křišťálové kouli, ale o celosvětově uznávaných softwarových nástrojích pro statistické predikce, pomocí nichž dosahují nejen obchodní společnosti významných úspěchů.

Zářným příkladem využití prediktivních analýz je retailový sektor (chápejme retail jako jakýkoliv obchod, nikoliv pouze nadnárodní řetězce). Základním pilířem je zde zákazník, a obchodní společnosti se tedy soustředí právě na něj. To ovšem nemusí být snadné, zvláště pokud se vrátíme do historie. Jaká byla dříve obchodní politika? Osobní přístup. Je-li prodej centralizovaný, soustředěný do menších obchodů, není osobní přístup problém. S příchodem manufaktur, růstem populace a postupným vývojem jsme ovšem dospěli do fáze, kdy zdánlivě nejsme schopni k zákazníkům přistupovat individuálně. Vždyť postarat se o zákaznickou bázi sestávající z desítek zákazníků, je něco jiného než se postarat o stovky tisíc či miliony. Jak se tedy zachovat? Jak poznat zákazníka, a hlavně jak toto poznání proměnit v dlouhodobou výhodu, nikoliv záležitost jedné marketingové kampaně? Jak toho využít i v dalších oblastech, například ve skladovém hospodářství?

Poznání chování zákazníka v čase přítomném

Od úspěšného obchodníka se očekává, že zná hlavní potřeby svých zákazníků. Co jim chutná, jaké jsou jejich preference, oblíbená značka apod. Business analytics je odpovědí na otázku, jak být dobrým obchodníkem pro jakkoliv velkou bázi zákazníků, nehledě na to, zda jich obsahuje stovky či miliony.

Systém analýzy dat v této oblasti bychom mohli rozdělit do dvou fází. V první by měl obchodník disponovat daty o pohybu zboží a prodeji. Čím komplexnější tato data jsou, tím lepší mohou zpravidla přinést výsledky a profit. Druhá fáze je získat maximum informací o zákaznících, protože z prodejů samotných lze vyčíst povětšinou jen relativně obecné informace. Máme-li tedy informace i o našich zákaznících (demografická data, behaviorální, sociologická apod.), stačí už jen tato data propojit a měli bychom získat ucelený obrázek v reálném čase.

Obr. 1: Segmentace a hledání predikčních modelů ve formě vizuálního programování pomocí analytického nástroje IBM SPSS Modeler

Analýzou nově získaných dat můžeme připravit kampaně šité na míru. Pomocí segmentace nalezneme v databázi navíc specifické oblasti prodeje, o jejichž existenci jsme prozatím nemuseli mít vůbec tušení.

Poznání zákazníka v čase budoucím

Aplikací několika výzkumů a několika sledování dokážeme zjistit, jak zapůsobit na zákazníka, jak se k němu zachovat. Přijde-li nám poptávka, víme, jak na ni reagovat. Prozíravé jistě napadne: když vím, co můj zákazník potřebuje v přítomnosti, proč bych se rovnou nemohl dívat do budoucnosti? Pro komplexní informace o zákaznických poptávkách nebo zvycích je ale potřeba podstatně hlubší analýzy. Až po letech sbírání a shromažďování dat budeme schopni data propojit ve smysluplný celek a pomocí analytických nástrojů z nich získat relevantní informace o chování našich zákazníků. Jaké nástroje k tomu využít? Dostáváme se tímto k predikčním analýzám.

Obr. 2: Vizualizace rozložení zákazníků a segmentů v prostoru pomocí analytického nástroje IBM SPSS Modeler

Rozpočet, produkce, kapacity, zdroje, to vše podléhá procesu plánování. Ptejme se sami sebe: pokud máme v rukou znalost o chování našich zákazníků, nebude škoda této znalosti nevyužít i v dalších oblastech? Například ve skladovém hospodářství. Nájem skladovacích prostor není levnou záležitostí. Ve snaze optimalizovat náklady a snižovat ztráty se společnosti snaží využít maximálně stávajících kapacit. Pomocí predikcí zjišťujeme, jak se určitý sledovaný jev bude vyvíjet v budoucnu, na základě znalosti historických a současných dat. Zjistíme například, že v posledních dvou letech se na našem obratu výraznou měrou podílel segment zákazníků ve věku dvacet až třicet let kupující specifický okruh výrobků a vykazující určitý vzorec v nákupním chování. Lze ovšem čekat, že příští rok tito zákazníci nebudou vytvářet tak výrazný obrat, neboť s postupujícím věkem se bude měnit i jejich nákupní chování a oni „spadnou“ do jiného segmentu. Proto pomocí predikce zjistíme, jaký obrat lze čekat u jednotlivých produktů (můžeme brát v potaz i jejich oblíbenost nebo okolní vlivy) vzhledem k měnící se základně jejich spotřebitelů, a naše skladové kapacity uzpůsobíme očekávané poptávce.

Od zákazníka k datům a zpět

Dosud jsme popsali jistý kruh. Začali jsme u zákazníka, využili informací o něm a o našich produktech, zpracovali je pro využití v přítomnu i budoucnu a nyní se vracíme zpět k němu. Například ve skladovém hospodářství totiž predikce neslouží jen k plánování skladových zásob a kapacit. Ač se to nemusí na první pohled zdát, primárně je určena opět zákazníkovi. Predikce poptávky eliminuje dva nežádoucí extrémy, kterým se chce každý obchod vyhnout, ale každý se s nimi potýká. Nedostatek a přebytek.

V případě přebytku je obchod nucen prodávat produkty pod cenou, a přichází tak o zisk. V případě rychloobrátkového spotřebního zboží může být situace horší, zhoršuje ji totiž krátká životnost zboží. Obchod může přijít nejen o marži poníženou kvůli slevě, ale také o celý zisk. Vznikající ztráty se pak zachraňují akcemi, které mohou zničit cenu na trhu, nemusí mít velkou úspěšnost a ve finále jsou opět ztrátové, protože náklady na ně neodpovídají jejich efektu.

Druhý extrém je nedostatek. Z existenčního hlediska teoreticky nebezpečnější. Je-li zboží málo, přichází obchod nejen o zisk, ale také o zákazníky, a to ve větší míře než v případě přebytku. Společnosti si v době urputného konkurenčního boje nemohou takovéto pochybení dovolit. Ostatně získat nového zákazníka je zpravidla mnohem pracnější než udržet si stávajícího. Nenajde-li zákazník, co hledá, vyhledá si to někde jinde. Díky predikci poptávky však můžeme tomuto předcházet.

Síla predikčních analýz

Predikce poptávky a pojem predikce obecně, zní dosti abstraktně. Není snadné si představit, jak celý proces probíhá, a především jaké hmatatelné výsledky přinese. Pravda je, že tyto metody používají dnes ty největší a nejúspěšnější společnosti světa. Nehledě na to, zda prodávají či vyrábí, zda podnikají v potravinářství, elektronice, strojírenství, farmacii či službách. Analytika, data mining a predikce se pomalu stávají nedílnou součástí naší doby. Všechna data, která jsme vygenerovali do roku 2003, všechny zaznamenané informace dnes vygenerujeme ve dvou dnech. Není možné se v tak velkém objemu dat orientovat bez využití chytrých řešení. Ostatně jaký smysl by mělo generovat množství dat vyžadujících úložný prostor, a potom tato data efektivně nevyužít?

Vojtěch Suchan
Autor je manažerem pro oblast retailu společnosti Acrea CR.