CC BY
91
сч сч о сч
DOI: 10.29141/2218-5003-2022-13-2-5 EDN: ВДНЕЛ
JEL Сlassification: М21
Кластерный анализ
продовольственных ритейлеров России
В.Е. Ковалев1, К.В. Новикова2, Е.А. Антинескул2
1 Уральский государственный экономический университет, г. Екатеринбург, РФ
2 Пермский государственный национальный исследовательский университет, г. Пермь, РФ
Аннотация. Теоретические и практические аспекты эффективного формирования кластеров продовольственных магазинов в ритейле раскрыты недостаточно. Исследование направлено на адаптацию метода кластерного анализа для улучшения финансовых показателей торговых точек за счет управления объектами с близкими характеристиками, такими как площадь, глубина ассортимента, средний чек. Методологическая база работы включает теории маркетинга. Методика исследования построена на адаптации кластерного анализа для магазинов продуктового ритейла. Информационную основу составили официальные сайты ритейлеров, экспертно-аналитические материалы, базы данных statista.com, 2gis.ru. Представлены итоги конкурентного анализа изменения рынка розничной торговли в России, выявлены лидеры отрасли и наиболее перспективные форматы ритейла. Результатом исследования является математическая модель, сформированная методом кластерного анализа с использованием к-средних для расчета критериев оценки и выстраивания рейтинга магазинов продовольственного ритейлера на их основе. Апробация модели была проведена на примере компании-ритейлера г. Перми РФ. Выделены критерии оценки: объем продаж, торговые площади, средний чек, маржинальность, количество БК11 и расходы на обслуживание торговой точки. Рассчитан уровень зависимости развития ритейла от данных критериев. По результатам кластеризации магазинов в продуктовом ритейле выделено пять кластеров, для которых выработаны схожие подходы к оперативному управлению форматами и определено необходимое материально-техническое обеспечение. Доказано, что предложенная модель кластеризации магазинов способствует реализации стандартов обеспечения торговых точек, повышению эффективности функционирования ритейла и уровня сервисного обслуживания клиентов.
Ключевые слова: продовольственный ритейл; кластер; единый ассортимент; мультиформатность; стандартизация сервиса.
Информация о статье: поступила 17 февраля 2022 г.; доработана 15 марта 2022 г.; одобрена 21 марта 2022 г. Ссылка для цитирования: Ковалев В.Е., Новикова К.В., Антинескул Е.А. (2022). Кластерный анализ продовольственных ритейлеров России // Управленец. Т. 13, № 2. С. 70-84. РО!: 10.29141/2218-5003-2022-13-2-5. ЕР1\1: ВДНЕЛ.
Cluster analysis of food retailers in Russia
Viktor E. Kovalev1, Ksenia V. Novikova2, Ekaterina A. Antineskul2
1 Ural State University of Economics, Ekaterinburg, Russia
2 Perm State National Research University, Perm, Russia
Abstract. There is lack of studies on the theoretical and practical aspects of effective clustering of food retailers. The paper focuses on adapting the cluster analysis method to improve the financial performance of retail outlets by controlling relatively homogeneous objects, such as retail space, assortment depth, and average bill. Methodologically, the study relies on the theory of marketing. The research methodology rests on the adaptation of cluster analysis for food retailers. The information base includes retailers' official websites, expert and analytical materials, as well as databases statista.com and 2gis.ru. The study presents the results of a competitive analysis of changes in the Russian retail market and identifies industry leaders and the most promising retail formats. We propose a mathematical model by using k-means clustering to calculate evaluation criteria and use them as the basis for building a ranking of a food retailer's stores. The model was tested using the case study of a retail company in Perm (Perm krai, Russia). The identified evaluation criteria are sales volume, retail space, average bill, marginality, the number of SKUs, and service costs. The level of the dependence of retail development on these criteria is calculated. Based on the results of food stores clustering, we single out five clusters with similar approaches to the operational management of retail formats and determine the necessary inventory and logistics. The developed model of stores clustering contributes to the implementation of outlets provision standards and enhances retailers' performance and the level of customer service. Keywords: food retail; cluster; single assortment; multi-format; service standardization. Article info: received February 17, 2022; received in revised form March 15, 2022; accepted March 21, 2022 For citation: Kovalev V.E., Novikova K.V., Antineskul E.A. (2022). Cluster analysis of food retailers in Russia. Upravlenets/ The Manager, vol. 13, no. 2, pp. 70-84. DOI: 10.29141/2218-5003-2022-13-2-5. EDN: IZQHEA.
ВВЕДЕНИЕ
Российские продовольственные ритейлеры под влиянием высокой конкуренции трансформируют параметры организации торговых точек. Крупнейшие игроки на этом рынке стремятся к развитию нескольких форматов торговли. В настоящее время почти не осталось ритейлеров, работающих в одном формате, тогда как количество мультиформатных сетей постоянно возрастает. Мультиформатность подразумевает сосуществование в рамках одной сети магазинов различного типа: супермаркетов, гипермаркетов, дискаунтеров, а также торговлю разнотипными товарами (например, продовольственными и непродовольственными). Также наблюдается постоянное изменение предпочтительности форматов - какие-то из них увеличиваются, а какие-то, наоборот, сокращаются.
Современный формат ритейла отличают следующие характеристики. Во-первых, оптимизация условий для эффективного управления форматом через применение современных технологий. Во-вторых, ориентация на особенности территории размещения форматов (город, село, деревня и т. д.). В-третьих, организация индивидуального подхода к покупателю благодаря ассортименту, ценовой политике, коммуникации с клиентом и дизайн-концепции магазина. Индивидуальный подход в данном случае предусматривает не просто уровень сервиса, а ценностное предложение в соответствии с образом жизни. Кроме того, учитывается, что потребители рассматривают магазин с позиции возможности получения уникального опыта (дополнительных технологий и сервисов) и выбора хороших продуктов по отличной цене.
Последовательное и эффективное достижение перечисленных задач стало возможным в кластеризованном ритейле, предусматривающем специфику разработки торговых карт, определенных правил выкладки и стандартов ассортиментных матриц, комфортную атмосферу и дополнительные сервисы. Соответственно, для ритейлеров становится важным сокращение расходов на адаптацию и создание новых форматов, что повлияло на формирование кластеров внутри торговых сетей для оптимизации управления разными типами магазинов.
Цель исследования - разработка и тестирование модели кластеризации магазинов для эффективного управления развитием продуктового ритейлера.
Задачи исследования включали реализацию метода кластерного анализа в ритейле по следующим шагам:
• выявить количество кластеров;
• определить критерии, на основании которых будет проведено деление на кластеры;
• стандартизировать параметры магазинов в зависимости от кластера;
• провести кластерный анализ.
ТЕОРЕТИЧЕСКИЕ ОСНОВЫ °
КЛАСТЕРНОГО АНАЛИЗА В РИТЕЙЛЕ Я
Кластерный анализ в ритейле традиционно связан I с группировкой товаров по категориям (категорий- g ный менеджмент) и может реализоваться с помощью 2 разных технологий. Так, авторы статьи «Кластери- < зация розничных продуктов на основе поведения | клиентов» предложили метод кластеризации по х потребительской корзине [Holy' et al., 2017]. Соот- £ ветствующая модель сформулирована в виде задач, 5 решаемых с помощью алгоритма, следование которому позволяет ритейлерам оптимизировать ключе- = вые параметры формирования размера кластеров. Ученые также предполагают, что при формировании большего количества кластеров, чем исходное, метод дает дополнительную информацию о структуре категоризации продуктов. В одном из исследований продукты кластеризованы по уровню товарных запасов с использованием метода ^-средних [Kusrini, 2015]. Кроме того, кластеризация товаров в ритейле рассматривалась с учетом интуитивного мышления потребителя при выборе. Результатом такого подхода стала модель прогнозирования состава кластера товаров согласно поведению потребителя [Balak-rishnan et al., 2018].
В работе «Анализ структуры рынка: иерархическая кластеризация продуктов на основе замещения в использовании» применялись иерархические кластеры Теринга [Srivastava et al., 1981], а в исследовании сегментации рынка для позиционирования семейства продуктов - нечеткая кластеризация [Yiyang et al., 2007]. Еще один интересный подход к кластеризации клиентов и продуктов рассмотрен в работе «Мета-кластеризация потенциально сегментированных наборов данных розничной торговли. Нечеткие множества и системы» [Ammar, Elouedi, Lingras, 2016].
Методом кластеризации авторы определили три группы покупателей онлайн-торговли: случайные, нечастые и частые покупатели [Mateos-Minguez et al., 2022], применив, таким образом, кластерный анализ для онлайн-ритейла. Специфика использования метода кластеризации на основе формальных и неформальных связей в промышленности рассмотрена коллективом авторов под руководством Л.А. Валито-вой [Валитова, Шарко, Шерешева, 2021]. Исследователи идентифицировали кластеры и провели их анализ. Фактор неформальных связей впервые был применен для целей кластеризации.
Торговые сети имеют доступ к огромному количеству данных о рыночной корзине, содержащей наборы предметов, приобретаемых за одну покупку. Использование этих данных, как показано в исследовании «Методология сегментации рынка на основе покупок» [Tsai, Chiu, 2004], может позволить эффективно моделировать поведение клиентов. Однако при категоризации магазинов такой способ неприменим.
g Таким образом, кластерный анализ дает возможен ность формировать адресную политику управления £ тем или иным кластером. В разных источниках приве-g дены различные подходы к использованию методики я кластеризации. В одной из работ обобщена практика ш применения кластерного анализа в маркетинговых < исследованиях [Punj, Stewart, 1983]. Последние тен-g денции в розничной торговле показали, что ее представителям следует специализироваться на целевом маркетинге путем сегментации рынка, а не продуктов, и ориентироваться на массовый спрос [Segal, Giacobbe, 1994].
Проведение кластерного анализа для группировки магазинов не имеет отработанной программы реализации. Кластерный анализ позволяет осуществлять систематизацию неконтролируемой классификации объектов в группы. Он идентифицирует однородные группы объектов, которые в определенном специфическом кластере имеют схожие характеристики, но отличаются от параметров других магазинов [Jain et al., 1999].
Теоретически кластер представляет собой объединение объектов, похожих друг на друга по набору данных, которые дифференцируют их от организаций в других кластерах. Кластеризация - это процесс группировки физических или абстрактных объектов в классы похожих объектов [Phrabu, Venatesan, 2007].
Ниже на основании кластерного анализа рассмотрены параметры магазинов, по которым их группируют в кластеры. При этом необходимо четко понимать, что процесс кластеризации - это лишь инструмент эф-
фективного управления форматами торговых организаций. Для того чтобы развивать форматы в кластере, необходимо учитывать параметры кластеризации в ритейле (рис. 1).
Как показано на рис. 1, рассматриваемые параметры группируются по внешним и внутренним факторам кластеризации, размеру кластера и форматам ритейла. На определение границ параметров кластера в ритейле влияет их значение (табл. 1). Выбрать оптимальные факторы сложно из-за отсутствия четкого критерия качества кластеризации1.
Относительно кластеризации продуктового ритей-ла существует ряд дискуссионных моментов. Первый касается элемента ядра кластера - цены. Крупные ри-тейлеры управляют тысячами магазинов в стране. Во всех ли надо применять единую ценовую стратегию? Или стоит выделить более «дорогие» и «дешевые» магазины? Что может служить поводом отнести магазин к той или иной группе? Любой крупный розничный игрок однажды приходит к этим вопросам, но далеко не все и не всегда находят на них эффективный ответ.
Вполне возможно, что некий набор факторов приводит к высокоточной кластеризации, но нет причин полагать, что между полученными кластерами стоит варьировать цены. А если и стоит, то как? Точный ответ может дать только экспериментальный кластерный анализ, которому и посвящено данное исследование.
1 Каким будет РМСв в 2021 году: исследование 1\Не1БепЮ среди 100 + топ-менеджеров // 1\Не1БепЮ (2021). ШрБУ/те^епщ. сот/д1оЬа1/ги/тБ1д^Б/апа1уБ1Б/2021/как1т-Ь^еНтсд-у-2021-godu-¡ssledovan¡e-n¡elsen¡q-sred¡-100-top-menedzherov/.
Внутренние факторы кластеризации Затраты потребителя (уровень цен, карты лояльности) Плотность ритейла (конкуренция) Затраты на товародвижение Размер потребительского спроса Экономика формата (маржа и товарооборот)
Внешние факторы кластеризации Оптимальное количество объектов для управления и бэк-офис Матрица ассортимента под целевую аудиторию (единицы потребности и покупательская миссия) Параметры населенного пункта (платежеспособность и интересы населения)
Размеры кластеров Массовые Крупные Малые Мини-кластеры
Форматы ритейла По размещению (магазин «у дома» («Мегаполис», «Город» и «Деревня»), гипермаркет, бизнес-центр, стрит-ритейл) По ценовой стратегии (дискаунтер жесткий и мягкий) Взаимодополняющие (аптека, ветлечебница, химчистка, автосервис и др.) По потребительской миссии (^ go (товары потребления «на ходу»), суперстор, семейный супермаркет, интернет-магазин)
Рис. 1. Параметры формирования кластеров в ритейле Fig. 1. Clustering parameters in retail
Таблица 1 - Параметры кластеризации при определении форматов магазинов внутри сети £ Table 1 - Clustering parameters for determining retailer formats within the network 3
15
Параметры Характеристика параметров
Регион Масштаб населенного пункта
Географический регион
Место Место в населенном пункте (центр, спальный район, трасса)
Торговый центр / стрит-ритейл, окраина города
Площадь До 30 м2, до 100 м2, до 200 м2, до 1 000 м2, до 5 000 м2
Целевые покупатели Диапазон чека, количество чеков (среднедневно), товарооборот, группировка покупателей по чекам данного диапазона (среднедневно), доходам целевых категорий потребителей
Базовый ассортимент Ассортиментный минимум
Ассортименты форматов Ассортимент конкретных форматов магазинов
Отклонение ассортиментной матрицы в пределах одного формата Дельта ассортимента
Ближайшие сервисы Банкомат, аптека и др., развитость местной инфраструктуры
Динамика спроса Спрос в определенные часы, дни недели, сезоны
Объем целевой аудитории потребителей Количество квартир, расположенных поблизости от магазина
Окружение Количество близлежащих торговых точек, которые принадлежат конкурентам
Уровень возврата инвестиций Группировка магазинов по прогнозируемой величине выручки, марже - на год
Отметим, что в аналогичных маркетинговых исследованиях кластерный анализ в сфере food-ритейла не является широко распространенным.
МАТЕРИАЛЫ И МЕТОДЫ
Характеристика объекта исследования. Зарубежные продовольственные ритейлеры развивают и адаптируют форматы магазинов под потребителя [Gauri et al., 2021], а конкретнее - под определенные целевые группы. Существуют, например, магазины для семейных людей, для молодежи, для работников офиса, для определенной местности и т. п. Сеть Sainsbury (Великобритания) развивает форматы Central и Ьоса1 для сегментации по местоположению клиента [Deepa, Chltramanl, 2010]. Сегментация помогает ритейлерам занять свою долю рынка1. Так,
1 Системы управления предприятием (ERP-рынок России) // Tadviser. 2021. https://www.tadviser.ru/index.php/Статья:Систе-мы_управления_предприятием ^Р-рынок_России).
по данным Statista, в 2020 г. у крупнейшего фуд-ритейлера Walmart с оборотом свыше 527,8 млрд долл. лидирующим форматом являлся супермаркет. Онлайн-формат интернет-магазинов Amazon имеет высокие темпы развития, но по объему оборота эти магазины уступают супермаркетам (268,7 млрд долл.). Кроме того, в США тренд на омниканальность позволил ускорить темпы развития новых форматов в продуктовом ритейле (рис. 2) в сравнении со среднемировыми показателями.
На российском рынке тенденция выстраивания форматов под конкретного потребителя тоже имеет место. Но, согласно данным потребительской скан-панели Romir Consumer Scan Panel, в 2021 г. среднее количество торговых сетей «в кошельке потребителя» составило 11,5. Соответственно, одна и та же целевая аудитория отдает предпочтение разным форматам продуктового ритейла. Так, за период 2012-2021 гг. изменилась доля форматов торговых сетей в струк-
40 40 40
! | j j
Click-and-collect Купить онлайн, Доставка Купить онлайн,
забрать из магазина вернуть
в пункте выдачи потребителю в магазине
Рис. 2. Доля ритейлеров, использовавших многоканальные покупки клиентов к2020 г., в разбивке по услугам, %1 Fig. 2. Proportion of retailers that optimized multi-channel customer purchases by 2020, by services, °%
1 Источник: statista.com.
2 туре продаж РМСв (товаров широкого потребления) Я в потребительских расходах (табл. 2)1. £ В сравнении с 2012 г. в 2021 г. доля дискаунеров и 8 магазинов «у дома» в структуре оборота каналов про-я даж РМСв увеличилась на 11 %, а доля традиционной ш торговли, супермаркетов и гипермаркетов сократите лась на 21 %, 2 % и 1 % соответственно. Также зафик-
1 Пустовалов Р. Исследование вРК: тенденции и изменения спроса. https://2021.retailweek.ru/images/2021/programma/
presentations/0306_pustovalov.pdf.
сирован рост доли электронной коммерции на 3,8 % и хард-дискаунтеров на 4,1 %.
Российские продовольственные ритейлеры в течение исследуемого периода корректировали форматы магазинов по количеству БКи и торговой площади, адаптируя их с учетом изменения потребительского поведения (табл. 3).
За десятилетие все лидеры рынка адаптировали изначально созданные форматы: «Лента» уменьшила площадь стандартного гипермаркета, увеличив коли-
Таблица 2 - Доля каналов FMCG-продаж в потребительских расходах в 2012-2021 гг., % Table 2 - Proportion of FMCG sales channels in consumer spending in 2012-2021, %
Формат 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 Изменение 2021 г. к 2012 г., %
Гипермаркет / Cash&Carry 15 17 18 19 18 18 16 16 14 14 -1
Хард-дискаунтер 0,1 0,2 0,3 0,4 0,5 0,8 2 3 3,8 4,2 +4,1
Супермаркет 12 12 13 12 12 12 11 11 10 10 -2
Магазин «у дома» / Дискаунтер 19 20 22 23 25 26 28 28 29 30 + 11
Специализированный магазин 2 2 2 2 3 4 5 6 6 7 +5
Дрогери и парфюмерия 3 3 2 3 3 3 3 2 2 2 -1
Традиционная торговля 38 35 31 29 26 24 21 19 18 17 -21
Аптека 8 9 9 9 8 9 9 8 8 8 0
Электронная коммерция 0,3 0,6 0,7 1 1,3 1,7 2 3 3,6 4,1 +3,8
Другие каналы 2,6 1,2 2 1,6 3,2 1,5 3 4 4 4 + 1,4
Составлено по: Панель домашних хозяйств (https://scanner.gfk.ru); Аналитика GFK Русь (https://www.gfk.com/ru/insights).
Таблица 3 - Анализ форматов федеральныхритейлеров по параметрам площади и количества SKU в 2010 и 2020 гг.
Table 3 - Analysis of federal retailers formats by space and the number of SKUs in 2010 and 2020
Торговые сети и их форматы 2010 2020 Изменение среднего количества SKU на 1м2, ед.
Торговая площадь магазина, м2 Среднее количество SKU в магазине, ед. Среднее количество SKU на 1 м2, ед. Торговая площадь магазина, м2 Среднее количество SKU в магазине, ед. Среднее количество SKU на 1м2, ед.
Х5
«Пятерочка» 421 3 050 7,2 393 4 500 11,4 +4,2
«Перекресток» 1 040 11 000 10,6 1 087 11 500 10,5 +0,1
«Магнит»
Магазин «у дома» 320 2 750 8,6 341 6 447 18,9 + 10,3
Супермаркет 1 176 10 000 8,5 2 003 17 317 8,6 +0,1
«Лента»
Гипермаркет-стандарт 10 500 22 500 2,1 7 100 26 000 3,7 + 1,5
Компакт - - - 4900 18000 3,7 -
Суперкомпакт - - - 3000 12000 4,0 -
Супермаркет - - - 850 6200 7,3 -
«Красное и белое»
Магазин «у дома» 100 450 4,5 80 1500 18,8 + 14,3
«Светофор»
Жесткий дискаунтер 1000 1500 1,5 1000 2000 2,0 +0,5
«Ашан»
Гипермаркет 5000 30000 6 10000 50000 5,0 -1,0
Metro
Гипермаркет 635 5000 7,9 10000 30000 3,0 -4,9
Окончание табл. 3 ° Table 3 (concluded) g
Торговые сети и их форматы 2010 2020 Изменение среднего количества SKU на 1м2, ед.
Торговая площадь магазина, м2 Среднее количество SKU в магазине, ед. Среднее количество SKU на 1 м2, ед. Торговая площадь магазина, м2 Среднее количество SKU в магазине, ед. Среднее количество SKU на 1м2, ед.
ОК
Супермаркет 250 1000 4,0 7300 34000 4,7 +0,7
«ВкусВилл»
Магазин «у дома» 100 700 7,0 150 1600 10,7 +3,7
Супермаркет - - - 400 2600 6,5 -
Мини-маркет 10 70 7,0 50 700 14,0 +7,0
«Монетка»
Мягкий дискаунтер 400 2500 6,3 800 3500 4,4 -1,9
Источник: отчеты компаний перечисленных в таблице ритей
чество SKU на 1,5 на 1 м2; Metro и «Ашан», наоборот, увеличили площадь гипермаркетов, сократив количество SKU на 4,9 и 1,0 на 1 м2 соответственно. Но продовольственные ритейлеры не останавливаются на развитии текущих форматов магазинов, продолжая создавать форматы новые.
По данным крупных федеральных игроков (Х5 и «Магнит»), тестирование форматов происходит регулярно. Х5 сейчас делает ставку на онлайн-форматы, а «Магнит» тестирует новые эмоциональные типы магазинов на стыке офлайн и онлайн. В результате экспериментальных поисков появляются смежные по
еров, размещенные на их официальных сайтах.
характеристикам разновидности магазинов. Эксперты называют этот процесс «размытием» форматов магазинов. В табл. 4 обобщены соответствующие примеры1.
Эксперты выделяют три типа мягких дискаунтеров на российском рынке, восемь вариантов магазина «у дома» и по два варианта форматов супермаркетов, гипермаркетов, минимаркетов и суперсторов. Быстрое устаревание форматов - еще один результат рыночного процесса. Вследствие этого ритейлерам при-
1 Исследование вРК: тенденции и изменения спроса (2021).
https://2021.reta¡lweek.ru/¡mages/2021/programma/presenta-t¡ons/0306_pustovalov.pdf.
Таблица 4 - Вариации «размытия» форматов российского ритейла Table 4 - Variations of Russian retail formats blurring
Основные форматы Вариации форматов Ритейлеры
Дискаунтер жесткий «Светофор»
мягкий классический европейский «Пятерочка», «Да!»
«у дома» «Монетка», «Магнит у дома»
«долларовые» магазины FixPrice
Магазин «у дома» (семейный магазин) с акцентом на фреш (+ кафе) Фреш-маркет, «Ярче!»
food to go (+ кафе) AB Daily
магазин здорового питания «ВкусВилл»
кулинария (+ кафе) «Виолет»
пекарня (+ кафе) «Хлебница»
специализированный магазин «Рыбный день»
алкомаркет «Бристоль», «Красное и Белое»
магазин замороженных продуктов «ВкусВилл Айс»
Супермаркет классический (универсам) «Перекресток»
эмоциональный «Азбука вкуса»
Гипермаркет классический Globus, «Ашан», «Лента»
Cash & Carry Metro
Минимаркет магазин «по пути» «Лукойл»
магазин без продавца Вендинговые автоматы от «ВкусВилл»
Суперстор магазин без касс: • eGrocery • whitestore • dark store «Магнит Go»
«СберМаркет»
«Самокат», «Утконос»
2 ходится регулярно подстраиваться под меняющегося й потребителя. В экспертной среде для данного процес-ё са появился термин «магазин будущего», который мно-g гие неразрывно связывают с цифровизацией ритейла. я Поэтому в работу ритейлеров входит «построение ш экосистемы», которое уже активно осуществляется < крупными компаниями, такими как «Сбер» и «Яндекс». g Построение экосистем по типу «Магазин 4.0 - новый ритейл» для самих ритейлеров предполагает объединение в экосистему партнеров, поставщиков, кастоми-зацию продуктов. По мнению экспертов, Россия находится на «острие» развития данного процесса1.
Таким образом, форматы крупных торговых сетей активно меняются, рынок с каждым годом перестраивается, поэтому региональным ритейлерам также приходится учитывать эти изменения, чтобы не отставать от крупных конкурентов.
Методика исследования. Основным методом работы являлся кластерный анализ. В качестве объектов исследования выбраны магазины регионального продуктового ритейлера г. Перми.
При кластеризации использован метод k-средних. Согласно научной интерпретации, k-среднее - один из алгоритмов, который обычно используется в процессе кластеризации [Xie, Validity, 1991]. Буква k в его названии указывает на то, что алгоритм ищет фиксированное количество определенных кластеров с точки зрения близости результатов параметров данных магазинов друг к другу [Berry et al., 2004]. Этот метод использовался индонезийскими учеными для группировки розничных товаров [Stmik et al., 2015]. Исследование проводилось на основе моделирования кластера товаров с помощью данных о продажах для определения того, какие элементы входят в быстро движущийся или медленно движущийся кластер. Полученные результаты, по мнению авторов, должны стать ориентиром для определения минимального запаса и маржи прибыли согласно новой улучшенной модели группировки.
Входом k-средних кластерного анализа являются исходные данные - информация о продажах в соответствии с переменными, используемыми для каждого сценария, и дельта - значение, которое будет применяться для определения допустимого разрыва между центром тяжести и средним значением. В этом исследовании дельта принята в значении, равном 2.
Метод k-средних обычно реализуется с помощью базового алгоритма [Larose, 2005]:
1) определение количества классов (кластеров);
2) определение начального центроида каждого класса;
3) помещение всех данных в класс, у которого есть ближайший центроид;
1 Миронова В. Что происходит с форматами FMCG-ритейла? (2020). https://www.retail.ru/articles/chto-proiskhodit-s-formata-mi-fmcg-riteyla/.
4) расчет среднего значения данных для каждого класса;
5) расчет среднего значения данных для всего класса. Если разница среднего значения и центроида превышает допустимую ошибку, то следует заменить значение центроида со средним классом и снова перейти к шагу 3.
Классы, полученные в результате процесса кластеризации, необходимо проверить. Индикатор кластеризации, результат оценки характеризуется степенями компактности и разделения. Небольшие значения этих критериев указывают на хороший кластер, который включает в себя магазины с близкими по значению показателями и, соответственно, схожими инструментами управления и решения оперативных задач.
В рамках кластерного анализа используются следующие показатели деятельности магазинов: общий товарооборот, товарооборот по товарным группам, маржа, общий трафик и трафик по размеру чека, расходные показатели (фонд оплаты труда, аренда, потери).
Первоначальное деление включало четыре кластера, где четвертый кластер - наиболее крупные объекты по всем анализируемым показателям, а первый -наиболее мелкие. Каждому магазину присваивался кластер в зависимости от значения того или иного показателя. Первоначальный анализ показывает результативность магазинов по таким показателям, как товарооборот, маржа, трафик и расходы.
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ
Конкурентная среда кластеризации магазинов торговых сетей г. Перми. Прежде чем перейти к рассмотрению результатов кластерного анализа регионального продуктового ритейлера Перми, уделим внимание сложившейся конкурентной среде локального рынка. Как мы уже отмечали, форматы крупных торговых сетей России активно меняются, рынок с каждым годом перестраивается, поэтому региональным ритейлерам также приходится выбирать новое форматирование, чтобы не отставать от крупных конкурентов.
Процесс адаптации форматов магазинов рассматривался нами ранее на примере Пермского края. Сравнив количество торговых точек с их общим количеством в России, мы выявили, что в 2020 г. Пермский край содержал всего 3,1 % магазинов, основная часть которых приходилась на «Магнит» и X5 Retail Group [Новикова, Колышкин, 2020]. На основании представленных в табл. 5 данных можно сделать вывод о том, что количество торговых точек во всех указанных розничных сетях имеет тенденцию к увеличению.
Новые магазины в 2020 г. открыли «Магнит», X5 Retail Group, «Красное и Белое». В 2012 г. среди торговых точек наибольшую долю занимали точки X5 Retail Group (31,6 %), «Лион» (19,2 %) и «Магнит» (16,2 %). В целом количество торговых точек в 2020 г. по срав-
Таблица 5 - Количество торговых точек в Пермском крае (по региону присутствия) в 2012,2016 и 2020 гг. ° Table 5 - Number of retail outlets in Perm krai (by regions of presence) in 2012,2016 and 2020 я
15
Торговые сети 2012 2016 2020 Изменение 2020 г. к 2012 г.
количество, ед. удельный вес, % количество, ед. удельный вес, % количество, ед. удельный вес, % количество, ед. удельный вес, %
«Магнит» 38 16,2 56 8,0 600 34,2 562 18,0
X5 Retail Group 74 31,6 109 15,6 450 25,6 376 -6,0
«Красное и Белое» 0 0,0 210 30,1 280 16,0 280 16,0
«Лион», «Берег» 45 19,2 120 17,2 211 12,0 166 -7,2
«Монетка» 14 6,0 21 3,0 100 5,7 86 -0,3
«СемьЯ» 21 9,0 33 4,7 76 4,3 55 -4,7
«Захоти» 3 1,3 47 6,7 30 1,7 27 0,4
«Лакшми» 0 0,0 7 1,0 2 0,1 2 0,1
«Ашан» 0 0,0 1 0,1 1 0,1 1 0,1
«Лента» 1 0,4 3 0,4 2 0,1 1 -0,3
«Азбука вкуса» 2 0,9 5 0,7 3 0,2 1 -0,7
«Наш» 0 0,0 2 0,3 0 0,0 0 0,0
«Виват» 36 15,4 83 11,9 0 0,0 -36 -15,4
Итого 234 100,0 691 100,0 llSS 100,0 lS2l х
Источник: 2gis.ru и официальные сайты перечисленных в таблице компаний-ритейлеров.
нению с 2012 г. выросло в 7,3 раза, наибольший рост зафиксирован в сети «Магнит» (в 5 раз).
Рассмотрим торговые точки Пермского края в 2016 и 2020 гг. по типам форматов: гипермаркет, супермаркет, магазин «у дома» (табл. 6).
В общем количестве торговых точек наибольшую долю занимают магазины «у дома» (58,5 %) [Керзи-на, Антинескул, 2017]. Данный формат использует
большинство продуктовых ритейлеров. Исключение составляют «Ашан» и «Лента» - в этом случае преобладающим форматом выступает гипермаркет. Мульти-форматность может себе позволить не каждая продуктовая сеть, а только компании, сумевшие обеспечить лояльность потребителей. Совокупность данных в табл. 5 и 6 позволяет судить о том, что тенденция консолидации рынка уже активно влияет на расстановку
Таблица 6 - Распределение торговых точек по типам магазинов в г. Перми в 2016 и 2020 гг.
Table 6 - Distribution of retail outlets by store type in Perm in 2016 and 2020
Торговые сети Количество торговых точек, ед.
всего по типам форматов
2016 2020 гипермаркет супермаркет магазин «у дома»
2016 2020 2016 2020 2016 2020
X5 Retail Group 109 302 7 1 16 7 86 294
«Магнит» 56 240 3 4 17 106 36 130
«Лион», «Берег» 120 211 - - 120 211 - -
«Красное и Белое» 210 172 - - - - 210 172
«Монетка» 21 100 - - 21 100 - -
«СемьЯ» 33 64 1 3 9 25 24 35
«Захоти» 47 16 - - 9 - 38 16
«Азбука вкуса» 5 3 - - 1 0 4 3
«Лакшми» 7 2 - - - - 7 2
«Лента» 3 2 3 3 - - - -
«Ашан» 1 1 1 1 - - - -
«Наш» 2 0 2 - - - - -
«Виват» 83 0 1 0 11 0 72 0
Итого б91 lll3 l8 l2 2Ü4 449 411 б52
Источник: 2gis.ru и официальные сайты перечисленных в таблице компаний-ритейлеров.
2 сил в регионе и вытеснение с рынка региональных Я продуктовых ритейлеров.
£ В конкурентной борьбе с федеральными сетями g важна оптимизация затрат на управление торговыми я точками, например сокращение расходов на аренду. ш Кроме того, одним из ключевых элементов является < удовлетворение спроса на товары категории «фреш», g в том числе благодаря местным товаропроизводителям. Это повлияло на формирование кластеров внутри торговых сетей для оптимизации обслуживания магазинов разного формата.
Кластеризация форматов регионального продуктового ритейла. При проведении кластерного анализа учитывались следующие показатели магазинов: общий товарооборот, товарооборот по товарным группам, маржа, общий трафик и трафик по размеру чека, расходные показатели (фонд оплаты труда (ФОТ), аренда, потери). В результате определялась принадлежность каждого магазина регионального продуктового ритейлера к определенному кластеру.
Для обоснования влияния указанных показателей на конечные финансовые результаты магазинов проведен их корреляционный анализ (табл. 7). В результате выявлена сильная и высокая зависимость по шкале Чеддока между параметрами кластеризации и результирующими показателями деятельности магазинов: розничный товарооборот (РТО) и маржа.
В ходе кластерного анализа на примере регионального продуктового ритейлера г. Перми первоначально осуществлено деление на четыре кластера, где четвертый кластер - наиболее крупные объекты по всем анализируемым показателям, первый - наиболее мелкие.
Формула формирования рейтинга магазинов посредством кластерного анализа, построенная на базе коэффициента кластеризации [Watts, Strogatz, 1998], предполагала определение кластера магазина по семи приоритетным критериям:
KK^i-^-, (1)
i=1 n £
a=l
где KKz - значение коэффициента кластеризации z'-го магазина; j - параметр кластеризации магазинов (1 - трафик по всем чекам; 2 - целевой трафик (свыше 500 руб. в чеке); 3 - «гуляющий» трафик (менее 300 руб. в чеке); 4 - товарооборот по категориям товаров и средняя маржа; 5 - товарооборот по категориям товаров без маржи; 6 - маржа и общий товарооборот; 7 - расходные показатели); CjZ - значение j-го параметра кластеризации /-го магазина; n - количество магазинов продуктового ритейлера.
Результатом анализа явился рейтинг магазинов регионального ритейлера (образец сводного рейтинга представлен в табл. 8).
Таблица 7 - Результаты корреляционного анализа показателей кластеризации магазинов продуктового ритейла
Table 7 - Results of correlation analysis of retail outlets' clustering indicators
Параметры корреляции Коэффициент корреляции
Торговая площадь Трафик по всем чекам Средний чек Маржа Активная матрица (количество SKU)
2019
РТО 0,9150240 0,956760 0,758338 0,999775 0,794647
Маржа 0,9143960 0,958386 0,755556 1,000000 0,794623
2020
РТО 0,911359 0,952940 0,832701 0,999805 0,797778
Маржа 0,909040 0,952147 0,831267 1,000000 0,795190
Параметр Кластеры
самые крупные очень крупные крупные умеренные средние
Трафик по всем чекам С± 4 3 2 2 2
Целевой трафик (свыше 500 руб. в чеке) С2 4 3 2 2 2
Гуляющий трафик (менее 300 руб. в чеке) С3 4 3-4 2 2 2
Товарооборот по группам и средняя маржа С4 4 3 2-3 2 1
Товарооборот по категориям товаров С5 4 3 2-3 2 1
Маржа и общий товарооборот С6 4 3 3 2 2
Расходы С7 4 3 2-3 2-3 4
Рейтинг КК, 24 18-19 13-15 12-13 10
Количество магазинов в кластере 4 6 6 18 3
Таблица 8 - Итоговый рейтинг кластеров магазинов регионального продуктового ритейлера (образец)
Table 8 - Final ranking of clusters of a regional food retailer's stores (sample)
Рейтинг выстраивается на основе оценки предложенных семи критериев, где, например, 4 - самая высокая доходная, расходная часть или трафик, 1 - самая низкая доходная, расходная часть или трафик. Показатели кластеров суммируются для доходной части и вычитаются для расходной. Итоговый рейтинг показывает эффективность магазина по таким показателям, как товарооборот, маржа, трафик и расходы.
Далее результаты определения рейтинга магазина сопоставляются с оценкой параметров глубины ассортиментной матрицы и площади (сдерживающий фактор). По итогам проведения кластерного анализа определяется принадлежность каждого магазина к определенному кластеру.
Перевод магазина из одного кластера в другой влечет за собой изменение торговой карты и/или расширение/сокращение ассортиментной матрицы, а также при необходимости дополнительное инвестирование в оборудование с целью приведения магазина в соответствие с качественными характеристиками кластера. Таким образом, региональный продуктовый ритейлер может осуществлять развитие форматов внутри сети.
Трансформация регионального ритейлера по результатам кластеризации. Осуществление инфраструктурных изменений направлено на стандартизацию магазинов и усиление конкурентных преимуществ регионального продуктового ритейла, например за счет развития ассортимента в приоритетных категориях, таких как алкогольные напитки, ФРОВ, «фреш», молочные продукты, весовые сыры и колбасы, мясной прилавок, охлажденная рыба на льду, свеже-выпеченный хлеб, готовая еда.
В качестве образца результата форматизации на основе кластерного анализа сформировано три типа
магазина торговой сети, имеющих разные характери- ° стики и ориентированных на разные модели поведе- й ния потребителей (табл. 9). I
Согласно данным в табл. 9, развитие формата «ги- д пермаркет» предусматривает создание «магазина- 2 праздника» с соответствующим ассортиментом и < сервисом дополнительных услуг. Приоритетным ста- | новится повышение эффективности уровня действу- х ющих гипермаркетов за счет трансляции единой ас- £ сортиментной матрицы по всем товарным категориям, 5 увеличение среднего чека, стандартизация внешнего вида магазинов. Наличие кулинарных островов, дет- = ских зон и творческих мастерских позволит сделать пребывание клиентов в гипермаркетах наиболее комфортным и увеличит общее время нахождения, что должно позитивно отразиться на финансовых результатах.
Для развития формата «супермаркет» предполагается введение требований относительно размещения товарных категорий, предоставляемых сервисов и внешнего вида магазинов. Необходимо перераспределение торговых площадей под расширение выкладки товаров категорий «фреш» и «ультрафреш», зон мини-кафе, хлеба и кулинарных островов через сокращение отделов, например, мяса, готовой еды или охлажденной рыбы.
Формат «у дома» рекомендуется развивать следующим образом: ввести требования для отделов «овощи - фрукты», увеличить зону выкладки категорий «фреш» и «ультрафреш», хлебных изделий, а также кофе-зону. Возможна оптимизация торговых площадей за счет сдачи в субаренду. Мероприятия должны быть направлены на поддержание позиционирования «магазин на каждый день» за счет первоочередного развития категорий «фреш» и «ультрафреш».
Таблица 9 - Сравнение форматов магазинов регионального продуктового ритейлера Table 9 - Comparative table of a regional food retailer's store formats
Показатели Гипермаркет Супермаркет Магазин «у дома»
Идеология магазина Магазин-праздник Магазин для всей семьи Магазин на каждый день
Количество магазинов 4 25 47
Площадь магазина, м2 > 2 000 601-1 499 < 600
Персонал, единицы персонала* 104 28 12
Ассортимент Максимально широкий уникальный ассортимент. Акцент на собственный импорт Широкий ассортимент. Категории «фреш», ФРОВ, алкоголь. Просторные торговые залы Оптимальный ассортимент товаров повседневного спроса для дома
Количество SKU Более 23 000 13 000-17 000 7 000-13 000
Особенности Открытая кухня. Пекарня полного цикла. Семейное кафе Кулинарный остров. Хлебно-кондитерский остров (выпечка хлебных полуфабрикатов 80 % готовности). Зона мини-кафе Магазин самообслуживания комбинированный с прилавками в секциях
* Количество сотрудников основного и вспомогательного персонала в расчете на один магазин.
8 0 Маркетинговые стратегии и практики
Отдельно обозначим необходимость изменений й в организационной структуре форматов магазинов. £ Данная задача предполагает изменения мотивации g и системы оплаты труда, пересмотр штатного распи-£ сания. Для региональных ритейлеров с учетом кла-ш стеризации магазинов возможен переход к системе < управления, предполагающей закрепление за одним g директором двух магазинов. При автоматизации бизнес-процессов возможно внедрение единого стандарта штатного расписания и оплаты труда (за счет создания норматива по количеству ставок и типовому графику работы).
Вместе с тем кластеризация форматов регионального продуктового ритейла не будет способствовать развитию торговой сети, если нет качественной и интересной для целевой аудитории идеи относительно форматирования. Создание уникального формата -это ключевая возможность увеличения доли рынка за счет удовлетворения потребностей в новом магазине при условии оптимизации затрат на открытие, повышения плотности продаж, поиска быстро тиражируемой модели. Некоторые ритейлеры в борьбе с федеральными сетями создают алкомаркеты с низкими ценами или магазины мясной продукции либо делают акцент на обеспечение самыми необходимыми товарами сотрудников офисов. Эксперты рекомендуют при создании новых форматов фокусироваться на здоровом образе жизни, диджитализации покупок, приоритете времени клиента. Региональный продуктовый ритейлер должен предлагать концепцию, от-
вечающую требованиям целевой аудитории, таким как ориентация на продукцию «фреш», качественный алкоголь, удобство и скорость покупок за счет расположения в жилых массивах.
Таким образом, внедрение или «перезагрузка» формата может позволить региональному ритейлеру решить следующие задачи:
1) «ускорить» органическое развитие сети за счет тиражируемого формата магазина с низким инвестиционным входом и высокой операционной эффективностью;
2) применить лучшие практики, отработанные в рамках деятельности магазинов нового формата, с целью
• снижения затрат на аренду;
• повышения имиджа и привлекательности работодателя для линейного персонала за счет высоких зарплат (выше рыночных) при условии высокой доли централизации, найма сотрудников-универсалов и автоматизации управления операционной деятельностью;
3) обеспечить рост доли рынка благодаря возможности открываться в перспективных районах с жилой застройкой на маленькой площади;
4) повысить маржинальность за счет кластеризации товарной матрицы под интересы аудитории в локации, акцента на уникальный ассортимент.
Образец формирования значений параметров, характеризующих формат магазина по рассмотренным выше критериям, представлен в табл. 10.
Таблица 10 - Образец определения значений критериев нового уникального формата
магазина регионального продуктового ритейлера Table 10 - Establishing values of criteria for a new unique store format of a regional food retailer (sample)
Требования Критерии Значения критериев
Локация и помещения Перспективные локации с количеством домохозяйств От 1 500
Общая площадь До 400 м2
Соотношение торговых и неторговых площадей 80/20
Минимум складских помещений Алкогольный склад и низкотемпературные холодильники
Ассортимент Персонализированная ассортиментная матрица в соответствии с интересами аудитории в локации -
Отдельная зона кафе с кондитерским островом и бариста -
Широкий ассортимента ФРОВ -
Доля собственных торговых марок, прямых поставок и готовой еды в товарообороте и марже До 40 %
Алкогольный отдел 20 % площади
Наличие зон прилавочной торговли -
Бизнес-процессы Ежедневная поставка товаров категории А из распределительного центра 1 машина - 1 магазин
Сотрудники Универсалы
Снижение и оптимизация затрат на ФОТ за счет изменения штатного расписания Директор + 2 администратора + линейный персонал; корреляция с производительностью труда сотрудников
Автоматизация операционной деятельности -
Региональному продуктовому ритейлеру необходимо помнить, что успех тестирования и реализации новых форматов магазинов возможен также за счет создания их франшизы. Рекомендуем учитывать, что магазин «зиждется» на четырех «колесах»: локация и помещение, ассортимент, цены, сотрудники и бизнес-процессы. Только предусмотрев все детали функционирования этих элементов формата магазина, можно быть уверенным, что «машина» поедет.
Практика показывает, что региональные ритейле-ры, не развивающие новые форматы под целевую аудиторию, уходят с рынка, уступая место федеральным сетям. Для федеральных сетей вопрос оптимизации управления форматами с использованием кластеризации уже решен и реализуется на практике. Еще одним из трендов управления форматами ритейла становится цифровизация бизнес-процессов, специфику которой мы рассмотрим в следующем разделе.
Проведение инфраструктурных изменений направлено на стандартизацию магазинов и усиление конкурентных преимуществ сети за счет развития ассортимента в приоритетных категориях: алкогольные напитки - «правильное вино», ФРОВ, фреш - молочные продукты, весовые сыры и колбасы, мясной прилавок, охлажденная рыба на льду, свежевыпеченный хлеб, готовая еда.
Для развития указанных категорий необходимо стандартизировать оборудование в магазинах разного формата (табл. 11).
При формировании кластеров для форматов в ритейле необходимо осознанно подойти к выбору системы кластеризации и подбору критериев, позволяющих учитывать конкретную стратегию самого ри-тейлера по удержанию внимания целевой аудитории в условиях меняющегося поведения потребителей.
ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ °
Кластерный анализ форматов ритейла имеет разные й вариации. Авторы из Марокко использовали в каче- I стве основы формирования кластеров в ритейле фор- g му нанокластеров по способу оплаты (наличными, без- 2 наличными или онлайн) [Boulaksil et al., 2019]. <
Специфичны и интересны результаты кластерного | анализа ритейла на основе сегментации его потреби- х телей. Одно из исследований позволило выделить кла- £ стеры, ориентированные на целевого клиента [Calvo- 5 Porral et al., 2018]. Изучались также факторы, влияющие на кластеризацию по территориальному принципу = [Yoon, 2018], и проводились исследования кластеров розничной торговли, формируемых под влиянием конкурентного соседства [Kang, 2019].
Таким образом, в практике функционирования торговых сетей присутствует достаточно много различных способов применения кластерного анализа. Вместе с тем рынок продолжает развиваться, запросы потребителей меняются, и для сохранения конкурентных позиций магазинов необходимо учитывать эти запросы, совершенствуя обслуживание форматов магазинов при помощи кластеризации.
В исследовании проанализированы кластеры магазинов регионального продуктового ритейлера Перми. В соответствии с полученными результатами разработано предложение по совершенствованию системы управления кластерами магазинов с подробным описанием требований к стандартам обеспечения оборудованием исходя из формата магазина.
В предложенной модели кластеризации магазинов сформированы значения критериев определения кластера магазинов внутри торговой сети. К наиболее значимым из них относятся площадь, товарооборот, расходы и средний чек, базовый ассортимент.
Таблица 11 - Стандартизация оборудования в разноформатных магазинах Table 11 - Inventory standardization in stores of different formats
Товарная категория Гипермаркет Супермаркет Малый супермаркет У дома / фреш
Алкогольные напитки 23-49 стеллажей 15 стеллажей 11 стеллажей 9 стеллажей
ФРОВ 18-25 развалов 10-12 развалов 6-8 развалов 4-6 развала
Молочные продукты 11-16 горок по 1,25 м 7-9 горок по 1,25 м 5-6 горок по 1,25 м 3,5-4 горки по 1,25 м
Весовые сыры и колбасы 12 прилавков по 1,25 м 6-8 прилавков по 1,25 м 3 прилавка по 1,25 м 2 прилавка по 1,25 м
Мясной прилавок «Мясной остров» 3 прилавка -мясо и полуфабрикаты 1 прилавок по 1,25 м Только упакованная продукция
Рыба «Рыбный остров» + аквариум Стол для рыбы на льду + горка с пресервами Стол для рыбы на льду + горка с пресервами Горка с рыбой и пресервами
Свежевыпеченный хлеб Наличие пекарни Выпекание в магазинах + 2 хлебные горки Выпекание в магазинах + 2 хлебные горки Выпекание в магазинах + 2 хлебные горки
Готовая еда Хлебно-кондитерский отдел с наличием пекарни. Кулинарный остров с приготовлением в торговом зале Отдел с готовой едой 1 прилавок, 3 холодильные витрины под выкладку готовой еды / 1 вертикальная горка 1,5 м 2 холодильные витрины под выкладку готовой еды / 1 вертикальная горка 1,25 м
2 На данном этапе исследование не завершено и в Я дальнейшем требует апробации на продуктовых ри-£ тейлерах других территорий.
сч
N
3 ЗАКЛЮЧЕНИЕ
ш
35 Управление продуктовым ритейлом неизбежно связа-| но со стандартизацией - создание типовых магазинов Ш позволяет наиболее оперативно внедрять технологии, отслеживать изменения в поведении покупателей, управлять ассортиментом. Для определения кластеров регионального продуктового ритейлера и разработки стандартов для каждого формата необходимо провести кластерный анализ существующих магазинов торговой сети. Он должен быть направлен не на определение ассортимента и цен, хотя это необходимо для завершения процесса, а на улучшение финансовых показателей магазинов за счет управления относительно однородными объектами, схожими между собой по характеристикам, глубине ассортимента и торговым картам.
В результате целью кластеризации становится группировка магазинов по форматам кластера, которая позволяет стандартизировать бизнес-процессы аналогично процессу пошива платья, когда меняется размер под фигуру (специфику объекта магазина), а модель, цвет, элементы и гарнитура (формат, дизайн, ассортимент и цены, сервис) остаются прежними. Соответственно, затраты на производство изделия снижаются за счет того, что ткань и гарнитура приобретаются оптом по максимально низкой цене, а ресурс дизайнера используется однократно для разработки модели.
При этом руководство продуктового ритейлера должно понимать, что кластеризация форматов магазинов - это инструмент, который способствует перезагрузке этих форматов и адаптации торговых штатов и оборудования к новым условиям работы. Кроме того,
к задачам кластеризации магазинов регионального продуктового ритейла относится:
• определение критериев деления на форматы;
• стандартизация внешнего вида магазинов в зависимости от формата;
• оптимизация ассортиментной матрицы;
• оптимизация затрат на оплату труда в зависимости от товарооборота и количества выполняемых функций;
• установка параметров финансовых показателей для магазинов кластера.
Рынок ритейла с каждым годом меняется: потребитель быстро привыкает к новым форматам продаж и желает получить нечто новое и интересное. На рынок продаж повлияла также пандемия COVID-19, которая способствовала увеличению онлайн-покупок. Несмотря на это, интернет-магазины по объему товарооборота не способны заменить офлайн-каналы продаж продовольствия.
Крупные торговые сети в максимально короткие сроки адаптируются под трансформации запросов потребителей. Например, федеральные игроки тестируют такие форматы магазинов, как dark store, «сити», «магазин без продавца», to go, «моя семья» и т. д. В связи с изменением форматов крупных ритейлеров и преобразованием рынка в целом региональным торговым сетям приходится подстраиваться под динамично изменяющийся рынок, а также предлагать собственные форматы. Но новый тип магазина не гарантирует эффективного функционирования и развития регионального продуктового ритейла.
Это определяет значимость данного исследования для региональных и местных ритейлеров, которым необходимо сохранять конкурентоспособность. Оптимизация системы управления в магазинах при помощи кластеризации может стать ключевым направлением развития для локального продуктового ритейла.
Источники
Валитова Л.А., Шарко Е.Р., Шерешева М.Ю. (2021). Выделение промышленных кластеров на основе анализа бизнес-связей: пример текстильной отрасли // Управленец. Т. 12, № 4. С. 59-74.
Керзина Е.А., Антинескул Е.А. (2017). Специфика поведения потребителей продовольственных товаров г. Перми // Конкурентоспособность в глобальном мире: экономика, наука, технологии. № 1, ч. 1. С. 77-80.
Новикова К.В., Колышкин А.В. (2020). Анализ рынка продуктового ритейла в Пермском крае и перспективы развития данной отрасли // Экономическая среда. № 1 (31). С. 32-38.
Ammar A., Elouedi Z., Lingras P. (2016). Meta-clustering of possibilistically segmented retail datasets. Fuzzy Sets and Systems, vol. 286, pp. 173-196. https://doi.org/10.1016/j.fss.2015.07.019
Balakrishnan J., Cheng C.H., Wong K.-F., Woo K.-H. (2018). Product recommendation algorithms in the age of omnichannel retailing - An intuitive clustering approach. Computers & Industrial Engineering, vol. 115, pp. 459-470. DOI: 10.1016/j. cie.2017.12.005
Berry M.J.A., dan Linoff G.S. (2004). Data mining techniques for marketing, sales, and customer relationship management. 2nd ed. Indianapolis, Indiana: Wiley Publishing Inc.
Boulaksil Y., Fransoo J.C., Blanco E.E., Koubida S. (2019). Understanding the fragmented demand for transportation - Small traditional retailers in emerging markets. Transportation Research Part A: Policy and Practice, vol. 130(C), pp. 65-81. DOI: 10.1016/j.tra.2019.09.003
Calvo-Porral C., Lévy-Mangi n J.-P. (2018). From "foodies" to "cherry-pickers": A clustered-based segmentation of specialty food
retail customers. Journal of Retailing and Consumer Services, vol. 43, pp. 278-284. DOI: 10.1016/j.jretconser.2018.04.010 3 Deepa S., Chltramanl P. (2010). Brand building of retail stores. https://www.semanticscholar.org/paper/Brand-Building-of-Re- § tail-Stores-Deepa-Chitramani/07c3f8c2bd4a3cedc7c3f7eb7bd3bfce9e3de8ba S
Holy V., Sokol O., Cerny M. (2017). Clustering retail products based on customer behaviour. Applied Soft Computing, vol. 60, 8 pp. 752-762. DOI: 10.1016/j.asoc.2017.02.004 §
Gauri D.K., Jindal R.P., Ratchford B., Fox E., Bhatnagar A., ... Howerton E. (2021). Evolution of retail formats: Past, present, and | future. Journal of Retailing, vol. 97, no. 1, pp. 42-61. DOI: 10.1016/j.jretai.2020.11.002 *
Jain A.K., Murthy M.N., Flynn P.J. (1999). Data clustering: A review. ACM Computing Surveys, vol. 31, issue 3, pp. 264-323. https:// Ê doi.org/10.1145/331499.331504 £
Kang C.D. (2019). Effect of neighborhood income and consumption on retail viability: Evidence from Seoul, Korea. Habitat 5 International, vol. 94, 102060. DOI: 10.1016/j.habitatint.2019.102060 |
Kusrini K. (2015). Grouping of retail items by using k-means clustering. Procedía Computer Science, vol. 72, pp. 495-502. https:// S
doi.org/10.1016/j.procs.2015.12.131 Larose D.T. (2005). Discovering knowledge in data. An introduction to data mining (pp. 116-126, 153-158). John Wiley and Sons. Mateos-Mínguez P., Arranz-López A., Soria-Lara J. (2022). Analysing the spatial impacts of retail accessibility for e-shoppers'
groups. Transportation Research Procedia, vol. 60, pp. 544-551. https://doi.org/10.10167j.trpro.2021.12.070 Phrabu S., Venatesan N. (2007). Data mining and warehousing (pp. 34-40). New Age International Publisher. Punj G., Stewart D.W. (1983). Cluster analysis in marketing research: Review and suggestions for application. Journal of Marketing Research, vol. 20, no. 2, pp. 134-148. https://doi.org/10.2307/3151680 Segal M.N., Giacobbe R.W. (1994). Market segmentation and competitive analysis for super-market retailing. International Journal of Retail & Distribution Management, vol. 22, pp. 38-48. DOI: 10.1108/09590559410051395 Srivastava R.K., Leone R.P., Shocker A.D. (1981). Market structure analysis: Hierarchical clustering of products based on substitu-
tion-in-use. Journal of Marketing, vol. 45, no. 3, pp. 38-48. https://doi.org/10.1177/002224298104500303 Stmik A.Y., Jl. Ringroad U.C.C., Depok S.Y. (2015). Grouping of retail items by using k-means clustering. The Third Information
Systems International Conference, Procedia Computer Science, vol. 72, pp. 495-502. Tsai C.Y., Chiu C.C. (2004). A purchase-based market segmentation methodology. Expert Systems with Applications, vol. 27, issue
2, pp. 265-276. https://doi.org/10.1016/j.eswa.2004.02.005 Watts D.J., Strogatz S.H. (1998). Collective dynamics of "small-world" networks. Nature, vol. 393, pp. 440-442. https://doi. org/10.1038/30918
Xie X.L., dan Beni G. (1991). A validity measure for fuzzy clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence,
vol. 8, no. 13, pp. 841-847. http://dx.doi.org/10.1109/34.85677 Yiyang Z., Jianxin J., Yongsheng M. (2007). Market segmentation for product family positioning based on fuzzy clustering. Journal of Engineering Design, vol. 18, issue 3, pp. 227-241. https://doi.org/10.1080/09544820600752781 Yoon H. (2018). Interrelationships between retail clusters in different hierarchies, land value and property development: A panel VAR approach. Land Use Policy, vol. 78(C), pp. 245-257. DOI: 10.1016/j.landusepol.2018.06.032
References
Valitova L.A., Sharko E.R., Sheresheva M.Yu. (2021). Identifying industrial clusters based on the analysis of business ties: A case
of the textile industry. Upravlenets/The Manager, vol. 12, no. 4, pp. 59-74. DOI: 10.29141/2218-5003-2021-12-4-5 Kerzina E.A., Antineskul E.A. (2017). The specificity of the behaviour of food products consumers in Perm. Konkurentosposob-nost' v global'nom mire: ekonomika, nauka, tekhnologii / Competitiveness in a Global World: Economics, Science, Technology, no. 1, part 1, pp. 77-80.
Novikova K.V., Kolyshkin A.V. (2020). The analysis of food retail market in Perm territory and development prospects of the
branch. Ekonomicheskaya sreda /Economic Environment, no. 1(31), pp. 32-38. Ammar A., Elouedi Z., Lingras P. (2016). Meta-clustering of possibilistically segmented retail datasets. Fuzzy Sets and Systems,
vol. 286, pp. 173-196. https://doi.org/10.1016Zj.fss.2015.07.019 Balakrishnan J., Cheng C.H., Wong K.-F., Woo K.-H. (2018). Product recommendation algorithms in the age of omnichannel retailing - An intuitive clustering approach. Computers & Industrial Engineering, vol. 115, pp. 459-470. DOI: 10.1016/j. cie.2017.12.005
Berry M.J.A., dan Linoff G.S. (2004). Data mining techniques for marketing, sales, and customer relationship management. 2nd ed.
Indianapolis, Indiana: Wiley Publishing Inc. Boulaksil Y., Fransoo J.C., Blanco E.E., Koubida S. (2019). Understanding the fragmented demand for transportation - Small traditional retailers in emerging markets. Transportation Research Part A: Policy and Practice, vol. 130(C), pp. 65-81. DOI: 10.1016/j.tra.2019.09.003
Calvo-Porral C., Lévy-Mangi n J.-P. (2018). From "foodies" to "cherry-pickers": A clustered-based segmentation of specialty food
retail customers. Journal of Retailing and Consumer Services, vol. 43, pp. 278-284. DOI: 10.1016/j.jretconser.2018.04.010 Deepa S., Chltramanl P. (2010). Brand building of retail stores. https://www.semanticscholar.org/paper/Brand-Building-of-Re-
tail-Stores-Deepa-Chitramani/07c3f8c2bd4a3cedc7c3f7eb7bd3bfce9e3de8ba Holy V., Sokol O., Cerny M. (2017). Clustering retail products based on customer behaviour. Applied Soft Computing, vol. 60, pp. 752-762. DOI: 10.1016/j.asoc.2017.02.004
2 Gauri D.K., Jindal R.P., Ratchford B., Fox E., Bhatnagar A., ... Howerton E. (2021). Evolution of retail formats: Past, present, and
3 future. Journal of Retailing, vol. 97, no. 1, pp. 42-61. DOI: 10.1016/j.jretai.2020.11.002
| Jain A.K., Murthy M.N., Flynn P.J. (1999). Data clustering: A review. ACM Computing Surveys, vol. 31, issue 3, pp. 264-323. https://
S doi.org/10.1145/331499.331504
§ Kang C.D. (2019). Effect of neighborhood income and consumption on retail viability: Evidence from Seoul, Korea. Habitat
| International, vol. 94, 102060. DOI: 10.1016/j.habitatint.2019.102060
< Kusrini K. (2015). Grouping of retail items by using k-means clustering. Procedia Computer Science, vol. 72, pp. 495-502. https://
2 doi.org/10.1016/j.procs.2015.12.131
^ Larose D.T. (2005). Discovering knowledge in data. An introduction to data mining (pp. 116-126, 153-158). John Wiley and Sons. Mateos-Minguez P., Arranz-Lopez A., Soria-Lara J. (2022). Analysing the spatial impacts of retail accessibility for e-shoppers'
groups. Transportation Research Procedia, vol. 60, pp. 544-551. https://doi.org/10.10167j.trpro.2021.12.070 Phrabu S., Venatesan N. (2007). Data mining and warehousing (pp. 34-40). New Age International Publisher. Punj G., Stewart D.W. (1983). Cluster analysis in marketing research: Review and suggestions for application. Journal of Marketing Research, vol. 20, no. 2, pp. 134-148. https://doi.org/10.2307/3151680 Segal M.N., Giacobbe R.W. (1994). Market segmentation and competitive analysis for super-market retailing. International Journal of Retail & Distribution Management, vol. 22, pp. 38-48. DOI: 10.1108/09590559410051395 Srivastava R.K., Leone R.P., Shocker A.D. (1981). Market structure analysis: Hierarchical clustering of products based on substitu-
tion-in-use. Journal of Marketing, vol. 45, no. 3, pp. 38-48. https://doi.org/10.1177/002224298104500303 Stmik A.Y., Jl. Ringroad U.C.C., Depok S.Y. (2015). Grouping of retail items by using k-means clustering. The Third Information
Systems International Conference, Procedia Computer Science, vol. 72, pp. 495-502. Tsai C.Y., Chiu C.C. (2004). A purchase-based market segmentation methodology. Expert Systems with Applications, vol. 27, issue
2, pp. 265-276. https://doi.org/10.1016/j.eswa.2004.02.005 Watts D.J., Strogatz S.H. (1998). Collective dynamics of "small-world" networks. Nature, vol. 393, pp. 440-442. https://doi. org/10.1038/30918
Xie X.L., dan Beni G. (1991). A validity measure for fuzzy clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence,
vol. 8, no. 13, pp. 841-847. http://dx.doi.org/10.1109/34.85677 Yiyang Z., Jianxin J., Yongsheng M. (2007). Market segmentation for product family positioning based on fuzzy clustering. Journal of Engineering Design, vol. 18, issue 3, pp. 227-241. https://doi.org/10.1080/09544820600752781 Yoon H. (2018). Interrelationships between retail clusters in different hierarchies, land value and property development: A panel VAR approach. Land Use Policy, vol. 78(C), pp. 245-257. DOI: 10.1016/j.landusepol.2018.06.032
Информация об авторах Information about the authors
Ковалев Виктор Евгеньевич
Доктор экономических наук, профессор кафедры мировой экономики и внешнеэкономической деятельности. Уральский государственный экономический университет (620144, РФ, г. Екатеринбург, ул. 8 Марта/Народной Воли, 62/45). E-mail: kovalev@usue.ru.
Новикова Ксения Владимировна
Доктор экономических наук, профессор кафедры маркетинга. Пермский государственный национальный исследовательский университет (614068, РФ, г. Пермь, ул. Букирева, 15). E-mail: ksenia--27@yandex.ru.
Антинескул Екатерина Александровна
Кандидат экономических наук, заведующий кафедрой маркетинга. Пермский государственный национальный исследовательский университет (614068, РФ, г. Пермь, ул. Букирева, 15). E-mail: antineskul-e-a@yandex.ru.
Viktor E. Kovalev
Dr. Sc. (Econ.), Professor of Global Economy and Foreign Economic Activities Dept. Ural State University of Economics (62/45 8 Marta/ Narodnoy Voli St., Ekaterinburg, 620144, Russia). E-mail: kovalev@ usue.ru.
Ksenia V. Novikova
Dr. Sc. (Econ.), Professor of Marketing Dept. Perm State National Research University (15 Bukireva St., Perm, 614068, Russia). E-mail: ksenia--27@yandex.ru.
Ekaterina A. Antineskul
Cand. Sc. (Econ.), Head of Marketing Dept. Perm State National Research University (15 Bukireva St., Perm, 614068, Russia). E-mail: antineskul-e-a@yandex.ru.
