3. Zarządzanie asortymentem i sterowanie zapasami w sklepie internetowym
3.3. Wielokryterialna analiza ABC dla sklepu internetowego
3.3.1. Analiza ABC w sklepie internetowym – charakterystyka modelu
W dalszej części rozdziału opisano model wykorzystany do przeprowadzenia ana-lizy ABC. W literaturze występuje wiele podobnych modeli (por. [Zhou, Fan, 2007], [Ramanathan, 2006], [Ching-Wu i in., 2008] [Hadad, Keren, 2013]). Wybrano
najbar-dziej popularny model sumy ważonej. Zasadniczą różnicą w stosunku do modeli spo-tykanych w literaturze jest zastosowanie tu dodatkowych kryteriów, które biorą pod uwagę środowisko handlu elektronicznego i dane dostępne w tej dziedzinie.
Rozważmy magazyn, w którym znajduje się N towarów, które mają być sklasyfi-kowane z wykorzystaniem J kryteriów. Miara i-tego towaru pod względem j-tego kryterium jest zdekomponowana jako yij. Istotą modelu jest przekształcenie wielu kryteriów w liczbę będącą oceną danego towaru. W modelu założono, że wartości wszystkich kryteriów są dodatnio skorelowane z funkcją celu. W przypadku, gdyby wartości kryterium były odwrotnie proporcjonalne do funkcji celu, należy dokonać transformacji, np. przyjąć odwrotność danego kryterium.
∑
= ⋅ = J j ij j i w y S 1 norm _∑
= = J j j w 1 1 (model 1) 0 ≥ j w N i=1,2,..., J j=1,2,..., A ∈ ⇒ > i i k y S B ∈ ⇒ ≤ ≤Si k yi m C ∈ ⇒ < i i m y S gdzie:Si – funkcja oceny i-tej pozycji asortymentowej. Duża wartość funkcji
suge-ruje, że towar powinien znajdować się w magazynie,
wj – waga istotności j-tego kryterium. Założono, że dla wszystkich towarów przyjmuje się takie same wartości wag,
yi – i-ta pozycja asortymentowa,
yij_norm – znormalizowana wartość j-tego kryterium i-tej pozycji asortymentowej
(por. wzór (3.3)),
k, m – wartości graniczne użyteczne w przypadku, gdy wynikiem ma być podział towarów na trzy grupy.
W celu umożliwienia porównywania różnych kryteriów, należy przeprowadzić normalizację. W proponowanym modelu przyjęto standardową normalizację, polega-jącą na sprowadzeniu wartości do przedziału [0, 1].
} { min } { max } { min ,..., 2 , 1 ,..., 2 , 1 ,..., 2 , 1 norm _ ij N i ij N i ij N i ij ij y y y y y = = = − − = (3.3) gdzie:
yij_norm – znormalizowana wartość j-tego kryterium i-tego towaru (ynorm ∈ [0, 1]),
yij – wartość j-tego kryterium i-tego towaru przed normalizacją, max {yij} – maksymalna wartość j-tego kryterium i-tego towaru, min {yij} – minimalna wartość j-tego kryterium i-tego towaru.
Kolejną procedurą, którą należy wykonać przed dokonaniem finalnej analizy ABC, jest określenie wag poszczególnych kryteriów. Jedynym ograniczeniem jest w tym przypadku sumowanie się wag do jedynki.
Biorąc pod uwagę różne podejścia zaczerpnięte z literatury można wyróżnić dwie odmienne metody. Pierwsza z nich zakłada, że wagi będą wyznaczone automatycznie, podczas procesu optymalizacji modelu [Ramanathan, 2006]. Do optymalizacji tego typu modeli można również wykorzystywać programowanie liniowe (por. np. [Kuch-ta, 2004], [Chanas, Kuchta 1998], [Kuch[Kuch-ta, 2008]). W tym podejściu wagi poszcze-gólnych kryteriów nie muszą być identyczne dla wszystkich towarów. Drugie podej-ście, które wydaje się bardziej naturalne, zakłada, że wagi są określane na zewnątrz modelu, np. przez menedżera. W zaproponowanym modelu przyjęto egzogeniczność wag oraz jednakową wartość dla wszystkich towarów.
Kluczową rolę w modelu spełnia właściwy dobór kryteriów oraz odpowiednie dobra-nie wag. Kryteria dotyczące popytu, które zostały uwzględnione w modelu, podzielono na te, które występują w handlu tradycyjnym oraz internetowe. Wśród kryteriów, które dotyczą handlu internetowego i tradycyjnego, można wyróżnić [Chodak, 2011A]:
• Sprzedaż ważoną czasem. Istnieje wiele metod ważenia wielkości sprzedaży czasem (np. [Holt, 2004]). W proponowanym modelu przyjęto wagi zmniejszające się wraz z upływem czasu w sposób liniowy. Sprzedaży z ostatniego okresu przypisana zostaje wa-ga 1. Sprzedaż z poprzednich okresów staje się coraz mniej istotna, więc wagi są zmniej-szane przez 1/liczbę okresów. Narzucającą się alternatywą byłoby przyjęcie eksponencjal-nego ważenia, jednak przyjęte rozwiązanie wydaje się lepsze do zastosowania, np. w przypadku rynku książek i multimediów, charakteryzującego się nieco mniejszą dynami-ką zmian popytu niż np. rynki high-tech, ze względu na wolniejsze starzenie się produktu.
k n k S n k n TWS=
∑
− − ⋅ = 1 0 (3.4) gdzie:TWS – średnioważona czasem wielkość sprzedaży,
n – liczba okresów, (k = 0 oznacza najbardziej aktualny okres, o największym stopniu istotności, wraz ze wzrostem wartości k, czyli cofaniem się w czasie o kolejne okresy, waga sprzedaży maleje),
k – numer okresu,
• Liczba dni, która upłynęła od dodania pozycji asortymentowej do oferty. Założono, że pojawienie się nowej pozycji asortymentowej w sklepie internetowym powoduje automatyczne dodanie jej do kategorii nowości, co powinno mieć wpływ na popyt. Wraz z upływem czasu dana pozycja asortymentowa jest promowana w coraz mniej-szym stopniu, dlatego im dłużej znajduje się w ofercie, tym mniej konieczne jest utrzy-mywanie jej w magazynie. Ponieważ założono w funkcji celu, że wartości kryteriów są wprost proporcjonalne do zagregowanej wartości funkcji, dlatego w modelu przyjęto odwrotność liczby dni, która upłynęła od dodania pozycji asortymentowej do oferty. Waga tego kryterium jest uzależniona od szybkości starzenia się produktu. W przypadku branż high-tech to kryterium powinno mieć wpływ na wartość zagregowanej funkcji celu, ze względu na gwałtownie zmniejszający się popyt wraz z wiekiem produktu.
• Odchylenie od średniej ceny w L sklepach internetowych, które mają największy udział procentowy sprzedaży w danej branży lub są najlepiej wypozycjonowane w wyszukiwarkach (w zbiorze indeksów wszystkich sklepów, dla każdej pozycji asor-tymentowej wyróżniono L-elementowy zbiór sklepów stanowiących punkt odniesienia). Jest to istotne kryterium dotyczące popytu na daną pozycję asortymentową. Jeśli cena w danym sklepie internetowym znacząco odbiega od innych sklepów, to zakładając dużą elastyczność cenową popytu spowodowaną możliwością szybkiego porównania cen w różnych sklepach, należy przyjąć, że będzie to miało kluczowy wpływ na popyt na dany produkt. Można zastanawiać się czy do średniej arytmetycznej ceny powinna zostać zaliczona cena analizowanego sklepu. Trudno udzielić jednoznacznej odpowiedzi na to pytanie, jednak zakładając, że średnia cena ma być reprezentatywna dla danej branży, można przyjąć, że jeśli analizowany sklep należy do L reprezentantów, z powo-du np. znacznego udziału w rynku, to jego cenę należy uwzględnić w średniej.
Niestety dane potrzebne do wyliczenia wartości tego kryterium znajdują się poza systemem informatycznym sklepu i muszą zostać pobrane z innych witryn, co wyma-ga dodatkowego oprogramowania. Autor brał również pod uwagę pobranie danych z internetowych serwisów porównujących ceny tzw. porównywarek cenowych, jednak pomysł ten został porzucony, ponieważ najtańsze sklepy niekoniecznie będą stanowić reprezentatywną próbkę branży. W celu uzyskania symetrii w wyliczaniu odchylenia ceny w sklepie od średniej ceny w innych, użyto funkcji logarytmicznej. Ponieważ przyjęto w funkcji celu, że wartości kryteriów są wprost proporcjonalne do zagrego-wanej wartości funkcji, dlatego w modelu dokonano odwrócenia znaku logarytmu. Wzór (3.5) prezentuje metodę wyznaczania wartości kryterium.
⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ − = l i i P P DoP ln (3.5) gdzie:
DoPi – odchylenie logarytmów od średniej ceny w L sklepach dla i-tej pozycji asortymentowej,
Pi – cena w analizowanym sklepie,
l
P – średnia cena i-tej pozycji asortymentowej w L sklepach, która określona jest wzorem
∑
= = L n n L P P 1 (3.6) gdzie:L – liczba wybranych sklepów, względem których wyliczane jest odchylenie od średniej ceny. Cena analizowanego sklepu (Pi) może, ale nie musi, na-leżeć do zbioru L. Liczba L sklepów, z którymi porównywana jest cena, zależy od struktury rynku. Im bardziej konkurencyjny jest rynek, tym po-winna być ona większa. Należy zaznaczyć, że nie dla każdego produktu będzie to ta sama lista e-sklepów, ze względu na fakt, że nie w każdym sklepie wszystkie analizowane towary będą dostępne. Również liczba wybranych sklepów (L) dla poszczególnych produktów nie musi być taka sama.
• Kryterium dotyczące promocji produktów może być uwzględnione na dwa spo-soby. Najprostsza metoda to wartość boolowska: 1 – dla produktów podlegających jakiejkolwiek formie promocji; 0 – dla produktów niepodlegających promocji. Taką wersję przyjęto w opisanym w dalszej części przykładzie. Jest również możliwość zastosowania innej skali, lepiej odzwierciedlającej wydatki marketingowe konkretne-go sklepu internetowekonkretne-go, np. kilkustopniowej skali typu: promocja intensywna, pro-mocja średnia, propro-mocja sporadyczna itp. W przypadku używania przez sklep mie-rzalnych wydatków na konkretne produkty lub grupy produktowe jako wartość tego kryterium można przyjąć wartość budżetu przypadającą na daną pozycję asortymen-tową. Przykładowo korzystając z systemu Google AdWords, istnieje możliwość do-kładnego ustalenia wydatków na reklamę w poszczególnych grupach asortymento-wych (kategoriach sklepu internetowego) lub nawet wydatków na konkretne towary, do których będzie prowadził sponsorowany link. Należy jednak pamiętać, podczas pobierania danych z systemu Google AdWords, że analiza ABC jest realizowana dla dużej liczby pozycji asortymentowych i znaczne komplikowanie wyliczeń dotyczą-cych wydatków marketingowych przypadajądotyczą-cych na każdy produkt może zwiększyć czas takich obliczeń, dlatego zastosowanie najprostszej wersji zerojedynkowej tego kryterium może być zasadne.
Do kryteriów typowo „internetowych”, związanych nieodłącznie ze środowiskiem handlu elektronicznego, zaliczono [Chodak, 2011A]:
• Średnią dzienną liczbę odsłon strony z danym towarem (ang. page views). Jest to kryterium typowo „internetowe”, które w tradycyjnym handlu jest nieosiągalne dla precyzyjnego obliczenia. Można założyć, że duża liczba odsłon strony z danym pro-duktem potencjalnie powinna przełożyć się na jego sprzedaż. Liczba odsłon może być
automatycznie wyznaczona przez oprogramowanie sklepu internetowego (np. system OsCommerce umożliwia tworzenie takiego raportu) lub może zostać wyznaczona przez oprogramowanie do analizy logów serwera. Bardziej zaawansowane analizy umożliwiające dynamikę liczby odsłon strony z towarem powinny dać lepszy rezultat, ale autor zrezygnował z uwzględniania dynamiki, ponieważ nie spotkał się z oprogra-mowaniem dla sklepu internetowego, które realizowałoby taką funkcjonalność.
• Liczbę powiązanych produktów, które będą prezentowane klientom dzięki zasto-sowaniu w sklepie internetowym systemu rekomendacji. Jest wiele różnych rodzajów systemów rekomendacji opartych na eksploracji danych (ang. dataminingu), regułach asocjacyjnych czy wnioskowaniu z użyciem drzew decyzyjnych [Kim i in., 2003]. Problemem może być uzyskanie danych dotyczących powiązanych produktów w przypadku, gdy system rekomendacji jest dynamicznym systemem opartym na tar-getowaniu behawioralnym. W takim przypadku konieczne będzie dodatkowe opro-gramowanie zapisujące w bazie danych macierz powiązań (wspólnych wyświetleń towarów). W przypadku prostych systemów rekomendacji stosowanych w wielu skle-pach internetowych, wyświetlających towary, na podstawie wcześniejszych zakupów klientów („klienci, którzy kupili dany produkt, kupili również...”), macierz powiąza-nych towarów można wygenerować prostym zapytaniem SQL analizującym histo-ryczną sprzedaż. Niezależnie od zastosowanego rodzaju systemu rekomendacji, ma on wpływ na popyt towarów, które będą wyświetlane razem. Im więcej połączeń dany towar ma z innymi pozycjami asortymentowymi, tym częściej będzie wyświetlany, prawdopodobieństwo więc jego zakupu wzrośnie, dlatego liczba zlinkowanych towa-rów została uwzględniona jako kolejne kryterium w proponowanej analizie ABC.
• Pozycję w naturalnych (organicznych) wynikach najbardziej popularnej wyszuki-warki internetowej, po wpisaniu frazy opisującej dany towar, np. jego nazwy. Strony towarów dobrze wypozycjonowane w wyszukiwarce (np. Google), znajdujące się w pierwszej dziesiątce organicznych wyników (pierwsza strona listy) powinny gwaran-tować częstsze wizyty klientów, a więc i większy popyt. Niestety pozycji w wynikach wyszukiwania nie można uzyskać z wewnętrznych baz danych, dlatego konieczne jest dodatkowe oprogramowanie generujące zapytanie do wyszukiwarki i pobierające od-powiedź. Oprogramowanie to musi poradzić sobie z problemem geolokalizacji (wynik wyszukiwania jest zależny od lokalizacji IP serwera, z którego generowane jest zapyta-nie), aby wyniki były poprawne. Ponieważ w funkcji celu założono, że wartości kryte-riów są wprost proporcjonalne do zagregowanej wartości funkcji, dlatego w modelu przyjęto odwrotność numeru pozycji w wynikach wyszukiwania. Osobną kwestią badań można by objąć postać funkcji korygującej wartość kryterium. W literaturze można spotkać analizy dotyczące zastosowania funkcji logarytmicznej, która uwydatnia pierw-sze pozycje w wynikach wyszukiwania i zmniejsza rolę dalszych [Craswell i in., 2008].
Kryterium dotyczące kosztu:
• Za istotne kryterium kosztowe przyjęto przeciętny koszt magazynowania towaru. Jeśli poddajemy analizie, które towary powinny być magazynowane oraz określamy
stany magazynowe, wtedy im większy jest przeciętny koszt magazynowania towaru, tym mniej powinno go być w magazynie (biorąc pod uwagę tylko to jedno kryterium). Dlatego w modelu należy przyjąć odwrotność tego kryterium.