Intelligent Retail

Khoảng những năm 1433, tiếng Pháp Trung cổ (Thế kỷ 14–16) hình thành từ Retail với nghĩa là bán một số lượng nhỏ với từ gốc là Tailler nghĩa là Cắt, cắt một phần, chia từ 1 mảnh. Hiện nay trong hầu hết các thứ tiếng Retail có nghĩa là bán một số lượng nhỏ cho người dùng. Vì vậy đa phần các định nghĩa đều xác định rằng thuật ngữ Bán lẻ nói đến toàn bộ quá trình trước, trong, sau quá trình bán hàng hóa hoặc dịch vụ tiêu dùng cho khách hàng thông qua các kênh phân phối khác nhau để kiếm lợi nhuận.

Ở cương vị một lĩnh vực nghiên cứu, bán lẻ luôn có nhiều đặc điểm hấp dẫn bởi những đặc điểm về:

(i) quy mô,(ii) tính đa diện và năng động,(iii) khả năng thu thập tri thức ngành,(iv) phạm vi ứng dụng rộng rãi (không nhất thiết nhất quán), và(v) tính khả dụng của dữ liệu

Mặc dù lĩnh vực bán lẻ không phải là lĩnh vực duy nhất có đặc điểm hấp dẫn này, nhưng sự hiện diện kết hợp của chúng khiến bán lẻ trở thành một hệ sinh thái rất màu mỡ để nghiên cứu, phát triển các ứng dụng công nghệ.

Bán lẻ là ngành kinh doanh lớn và là trọng tâm của nền kinh tế tất cả các nước. Ngành bán lẻ là một trong những ngành lớn nhất và đa dạng nhất trên thế giới, và một số doanh nghiệp bán lẻ được xếp hạng các tập đoàn khổng lồ trên thế giới (Geyskens, 31 Aug 2018). Đồng thời, lĩnh vực bán lẻ vẫn còn chứa đựng một số lượng lớn các hoạt động nhỏ lẻ theo kiểu “hộ kinh doanh” (Bart J. Bronnenberg, Paul Ellickson, July 2015), làm cho lĩnh vực này trở nên cần thiết cho cuộc sống của nhiều gia đình.

Ở châu Âu, ngay cả khi giới hạn chỉ trong nhóm lĩnh vực bán lẻ hàng tạp hóa, doanh số dự báo đạt 2289 tỷ euro vào năm 2022 (IGD forecasts the European grocery retail market to be worth €2,289 billion by 2022, 2018), với hàng triệu người làm việc trong lĩnh vực này . Với quy mô và sự hiện diện phổ biến của nó, phân tích bán lẻ có tiềm năng mang lại lợi ích và ảnh hưởng đến nhiều bên liên quan.

Ở Việt Nam, thị trường bản lẻ đang trong giai đoạn bùng nổ. Năm 2018, Việt Nam đứng thứ 11 (50,2 điểm) trên thế giới về chỉ số phát triển bán lẻ toàn cầu (GRDI), trong khu vực ASEAN, Việt Nam là thị trường có chỉ số cao thứ ba (sau Malaysia (61,9) và Indonesia (58,7)). Với quy mô ở giai đoạn đầu phát triển với chỉ số hấp dẫn thị trường bán lẻ 25,1, Việt Nam được coi là thị trường quan trọng khi độ bão hòa chung của thị trường còn rất thấp.

Lĩnh vực bán lẻ mang tính đa diện vì nó liên quan đến nhiều bên, bao gồm

người tiêu dùng,nhà sản xuất (nhà cung cấp),chuỗi bán lẻ,nhà đầu tư vàcác nhà hoạch định chính sách.

Tùy thuộc vào ý chí và mục đích riêng, các bên sẽ tập trung nghiên cứu những góc độ khác nhau, có sự đánh giá và thực hiện các ảnh hưởng khác nhau ảnh hưởng tới các khía cạnh của lĩnh vực bán lẻ, từ đó hình thành tính đa diện của lĩnh vực bán lẻ.

Một ví dụ cho thuộc tính này là sự tăng trưởng của nhãn hiệu (Private Label — PL) khi nghiên cứu từ các góc độ của người tiêu dùng, nhà sản xuất, nhà bán lẻ và quan điểm chính sách công, nó thay đổi mối quan hệ từ nhà sản xuất cho nhà bán lẻ (P. Farris, Kusum L. Ailawadi, 1992), còn giảm các hoạt động đổi mới trong ngành (Ariel Ezrachi, Ulf Bernitz, 2009). Ngoài ra, sự ảnh hưởng này đã được nghiên cứu cả từ cấp độ của một chuỗi bán lẻ , hay theo quy mô quốc gia và cả bối cảnh toàn cầu.

Đồng thời, lĩnh vực này có tính biến động vì xu hướng thay đổi liên tục, tính bất định này có thể nhận thấy thông qua việc quan sát vào các sự kiện rời rạc, công khai theo thời gian của thị phần PL với các biến động của chu kỳ kinh tế. Ví dụ chiến tranh giá (Harald J. Van Heerde, Els Gijsbrechts, Koen Pauwels, 2008), khủng hoảng sản phẩm (Kathleen Cleeren, Harald J. van Heerde, Marnik G. Dekimpe, 2013), và mâu thuẫn phân cấp (Sara Van Der Maelen, Els Breugelmans, Kathleen Cleeren, 2017) .

Trên hết, tính đa diện và biến động tạo ra số lượng lớn các thay đổi đối với mọi thành phần trong chuỗi giá trị trong lĩnh vực bán lẻ. Do tính chất đa diện và biến động này, mà lĩnh vực bán lẻ phải đối mặt với những thách thức như sự cạnh tranh gay gắt, tính liên kết kém, mức độ chuyên nghiệp thấp, không đáp ứng được với thói quen của người tiêu dùng… hơn các lĩnh vực khác như sản xuất, du lịch.

Bán lẻ là hình thức cung cấp hàng hóa, dịch vụ qua các kênh phân phối tới tận tay người tiêu dùng. Đây là mô hình kinh doanh B2C (Business to Customer), trong đó nhà bán lẻ (business) là người cung cấp các đơn hàng sản phẩm, dịch vụ có số lượng nhỏ cho người dùng (customer). Người dùng trong ngành bán lẻ là người dùng cuối (end — customer), tức là người sẽ trực tiếp sử dụng hàng hóa, dịch vụ đó chứ không phải khách hàng bán buôn (business) như mô hình kinh doanh B2B.

Trong cuộc sống cá nhân, tất cả chúng ta đều là người tiêu dùng — khách hàng của ngành bán lẻ. Chúng ta ghé thăm các cửa hàng thường xuyên và dày dặn kinh nghiệm trong việc tìm mua hàng giảm giá cũng như mua hàng trực tuyến. Đây là một bối cảnh rất khác so với việc các nhà nghiên cứu B2B (bán buôn) phải đối mặt. Lợi thế quan trọng của kinh nghiệm cá nhân là có thể quan sát trực tiếp thấy sự khác biệt giữa lý thuyết và thực tiễn. Ví dụ, nhiều nghiên cứu cho rằng bán lẻ cho hàng tiện lợi sẽ được phân phối hoàn toàn trực tuyến dựa trên lượng dữ liệu khách hàng các nhà bán lẻ thu thập được. Tuy nhiên, chưa có nghiên cứu nào đủ rõ ràng cung cấp các yếu tố:

(i) tài liệu khách quan(ii) ứng dụng với những nhà bán lẻ nào,(iii) ở những cơ sở nào,(iv) đối với loại quyết định mua hàng nào, và(v) có giá trị chứng thực dựa trên dữ liệu lớn.

Vì vậy, tri thức ngành bán lẻ không chỉ được đúc kết trên các dữ liệu, thông tin, nhận thức lý tính mà còn được những người quan tâm hình thành bằng trải nghiệm qua các giác quan.

Ngoài trải nghiệm và quan sát cá nhân, các nhà phân tích bán lẻ cũng được hưởng lợi từ sự bao quát rộng rãi (có thể không nhất quán) của các nguồn phân tích trong cùng lĩnh vực.

Edge Retail Insight (trước đây là PlanetRetail RNG) theo dõi hơn 2000 nhà bán lẻ hàng đầu trên toàn thế giới và xuất bản các bản tin tức cập nhật hàng ngày và báo cáo tóm tắt về nhiều xu hướng bán lẻ. Các báo cáo tương tự được xuất bản thường xuyên bởi Euromonitor, AC Nielsen. Các báo cáo này chứa nhiều thông tin và thường xuyên đưa ra các kỳ vọng đối lập, mang lại cơ hội đối chiếu đa chiều cho các nhà nghiên cứu.

Trước đây, một doanh nghiệp bán lẻ vận hành thuần túy bằng cách phân phối sản phẩm vật chất từ đơn vị sản xuất đến tay người tiêu dùng và tạo ra lợi nhuận bằng cách mua rẻ/bán đắt. Tuy nhiên, cách này vốn không thể tạo ra lợi thế cạnh tranh bền vững.

Cùng với sự dịch chuyển của thị trường và thói quen mới của người tiêu dùng, doanh nghiệp bán lẻ chuyển sang cạnh tranh bằng cách tối ưu và mở rộng chuỗi giá trị tới khách hàng. Chiến lược này được chia thành ba giai đoạn chính:

Thu thập dữ liệu về sản phẩm, khách hàng, địa điểm bằng cách số hóa việc giao dịch với khách hàng trên toàn bộ điểm chạmTối ưu hoạt động nội bộ nhờ việc khai thác dữ liệu trong hệ thống: quy trình xử lý đơn hàng, quy trình vận chuyển giao nhận, quy trình lưu-xuất kho,…Thiết kế lại chuỗi giá trị và mô hình kinh doanh: mở rộng các dịch vụ mới nhằm gia tăng giá trị, kết hợp với các mô hình kinh doanh khác tạo thành hệ sinh thái,…5.1. Dữ liệu có cấu trúc và phi cấu trúc

Bán lẻ có nhiều chủ đề có thể được nghiên cứu bằng cách sử dụng các nguồn dữ liệu khác nhau. Tuy nhiên, khác biệt chính của lĩnh vực bán lẻ là lịch sử phát triển lâu dài và tính sẵn có của máy scan dữ liệu (J. Jeffrey Inman, Hristina Nikolova), đã tạo động lực vững chắc cho nghiên cứu kinh tế lượng về ngành này.

Lịch sử lâu dài về tính khả dụng của dữ liệu đã cung cấp cho các nhà bán lẻ một bước khởi đầu để tiếp cận với sự bùng nổ dữ liệu lớn gần đây.

Dữ liệu bán lẻ có thể được coi là có cấu trúc (bảng tính với các hàng và cột) và không có cấu trúc (hình ảnh, video và dữ liệu dựa trên vị trí khác).

Dữ liệu có cấu trúc

Dữ liệu có cấu trúc của bán lẻ truyền thống chủ yếu lấy từ các thiết bị điểm bán hàng (POS) và dữ liệu do bên thứ ba cung cấp. Dữ liệu POS thường thu thập thông tin bán hàng, số lượng mặt hàng đã bán, giá cả và thời gian của giao dịch. Kết hợp với lưu trữ hồ sơ hàng tồn kho, dữ liệu này cung cấp một lượng thông tin phong phú về các sản phẩm được bán, chủ yếu là giỏ sản phẩm (tập hợp các mặt hàng trong giỏ hàng). Các nhà bán lẻ có xu hướng sử dụng các chương trình khách hàng thân thiết để đính kèm thông tin khách hàng từ đó phân tích dữ liệu bán hàng của khách hàng. Dữ liệu của bên thứ ba thường bao gồm thông tin về đối thủ cạnh tranh, chẳng hạn như giá cả và các loại sản phẩm. Nó cũng bao gồm thông tin đa dạng về khách hàng của công ty, chẳng hạn như nhân khẩu học và vị trí của họ.

Dữ liệu phi cấu trúc

Xu hướng gần đây là thu thập ngày càng nhiều dữ liệu phi cấu trúc. Hiện nay đã có một số công nghệ có thể giúp các nhà bán lẻ thu thập thông tin không chỉ về doanh số bán hàng trực tiếp của khách hàng mà còn về so sánh sản phẩm, tức là những sản phẩm nào đã được khách hàng nghiên cứu, so sánh trước khi đưa ra quyết định.

5.2.1. RFID

Công nghệ RFID: Với sự ra đời của Internet of Things (IoT), tiềm năng thu thập dữ liệu tại cửa hàng đã tăng lên. Walmart bắt đầu sử dụng công nghệ nhận dạng tần số vô tuyến (RFID) khoảng một thập kỷ trước. Ban đầu, mục tiêu chính của việc sử dụng công nghệ này là theo dõi hàng tồn kho trong chuỗi cung ứng. Tuy nhiên, càng ngày, các nhà bán lẻ càng thấy có lợi khi theo dõi hàng tồn kho tại cửa hàng. Thẻ RFID dễ đọc hơn nhiều so với mã vạch vì chúng không yêu cầu quét trực tiếp. Tính dễ theo dõi này cho phép các thẻ được sử dụng để thu thập dữ liệu về sự di chuyển của các sản phẩm qua cửa hàng. Ví dụ, trong bán lẻ thời trang, nhà bán lẻ có thể theo dõi các mặt hàng được đưa đến phòng thử đồ; Sự kết hợp của các nhóm sản phẩm đã thử cũng có thể được theo dõi, và cuối cùng, có thể dễ dàng phát hiện xem các sản phẩm đã được chọn mua hay chưa. Các thẻ này cung cấp một tập dữ liệu phong phú để cung cấp vào hệ thống để phân tích.

5.2.2. NFC

Các nhà bán lẻ cũng sử dụng chip giao tiếp trường gần (NFC) để đơn giản hóa trải nghiệm mua sắm. Hầu hết việc sử dụng NFC hiện tại là nhắm mục tiêu vào thanh toán. Tuy nhiên, một số nhà bán lẻ cũng đang sử dụng tính năng quét NFC như một phương tiện để cung cấp cho khách hàng thông tin bổ sung về sản phẩm. Công nghệ này giúp thu thập thông tin về các sản phẩm mà khách hàng đang xem xét. Vì trình đọc NFC không có sẵn trong điện thoại thông minh, một số nhà bán lẻ cũng ứng dụng mã phản hồi nhanh (QR) cho sản phẩm của họ để khách hàng có thể quét bằng ứng dụng có sẵn trên điện thoại.

5.2.3. Beacon

Một phương pháp mới khác để thu thập dữ liệu khách hàng là thông qua cảm biến Bluetooth (Beacon). Cảm biến sử dụng Bluetooth Low Energy cùng với điện thoại thông minh cho phép gửi tín hiệu đến điện thoại thông minh thông qua các ứng dụng chuyên biệt. Beacon cho phép các nhà bán lẻ tương tác với khách hàng (trong trường hợp khách hàng có ứng dụng chuyên biệt). Nó có thể được sử dụng để đẩy thông báo thời gian thực về sản phẩm, phiếu giảm giá, v.v., cho khách hàng. Hơn nữa, vì khách hàng tương tác với ứng dụng để sử dụng thông tin này, hiệu quả của việc gửi thông tin đến khách hàng cũng có thể được theo dõi ngay lập tức. Công nghệ này có tiềm năng cá nhân hóa trải nghiệm bán lẻ tại cửa hàng vật lý cho khách hàng.

5.2.4. Camera AI

Cuối cùng, camera cùng với công nghệ thị giác máy tính có thể giúp thu thập dữ liệu về các tuyến đường của khách hàng trong một cửa hàng. Dữ liệu video này cũng có thể được sử dụng để thu thập dữ liệu nhân viên (ví dụ: nhân viên đang làm những công việc gì), khách hàng đang trải nghiệm cửa hàng như thế nào và khách hàng cần bao nhiêu thời gian để chờ được hỗ trợ), hàng hóa,…

Đối với ngành bán lẻ hiện đại, dữ liệu chính là trung tâm sự phát triển. Doanh nghiệp sẽ cạnh tranh nhau ở tốc độ và tính hiệu quả trong việc thu thập dữ liệu, chuyển các dữ liệu đó thành các insight (hiểu biết hữu ích), triển khai nhanh các hành động phù hợp với nhu cầu ngắn hạn cũng như dài hạncủa khách hàng.

Phân tích bán lẻ là thuật ngữ chỉ việc sử dụng các yếu tố khác nhau trong việc hỗ trợ ra quyết định trong kinh doanh bán lẻ. Thông thường, điều này bao gồm thu thập và lưu trữ dữ liệu (kho dữ liệu), phân tích dữ liệu liên quan đến một số mô hình thống kê hoặc mô hình dự đoán và ra quyết định.

Theo truyền thống, phân tích dữ liệu được giới hạn trong việc theo dõi hồi cứu và trực quan hóa một số chỉ số hiệu suất chính (KPI). Một trong những vị trí quan trọng mà phân tích bán lẻ giúp doanh nghiệp là tối ưu hóa việc mua sắm. Bằng cách dự đoán tốt hơn số lượng bán hàng, mua sắm và sản xuất sẽ hiệu quả hơn. Các nhà bán lẻ cũng có thể thấy rõ hơn sự cân bằng chi phí cho một nhà cung cấp vật liệu nhất định, với khả năng hiển thị nhiều hơn các cách mua khác nhau từ một nhà cung cấp duy nhất.

Người ta có thể sử dụng thuật ngữ “kinh doanh thông minh” để chỉ hàng loạt các hoạt động làm nền tảng cho việc ra quyết định kinh doanh. Tuy nhiên, thuật ngữ này được sử dụng để chỉ việc thu thập và trình bày thông tin lịch sử một cách dễ hiểu thông qua các báo cáo, trang tổng quan, thẻ điểm, v.v.

Đối tượng của phân tích trong bán lẻ cần chia nhỏ các quyết định kinh doanh được thực hiện trong bán lẻ thành các danh mục sau: người tiêu dùng, sản phẩm, lực lượng lao động (nhân lực) và quảng cáo — tiếp thị.

2.1. Người tiêu dùng

Cá nhân hóa là một quyết định quan trọng ở cấp độ người tiêu dùng mà các công ty bán lẻ đưa ra. Một trong những quyết định như vậy là giảm giá cá nhân hóa. Cách tiếp cận này sử dụng việc thu thập dữ liệu để hiểu rõ hơn về các hình thức mua hàng của khách hàng cũng như mức độ sẵn sàng thanh toán và sử dụng dữ liệu đó để đưa ra mức giá được cá nhân hóa. Cá nhân hóa như vậy cũng có thể được sử dụng như một chiến lược giữ chân khách hàng.

2.2. Sản phẩm

Các quyết định về sản phẩm bán lẻ có thể được chia nhỏ ở mức một sản phẩm duy nhất hoặc một nhóm các quyết định về sản phẩm. Các quyết định về sản phẩm đơn lẻ hầu hết là các quyết định về tồn kho: số lượng sản phẩm cần đặt hàng và thời điểm đặt hàng. Ở cấp độ nhóm sản phẩm, các quyết định thường liên quan đến việc định giá sản phẩm (định giá bao nhiêu cho mỗi sản phẩm trong nhóm) và lập kế hoạch phân loại (cách đặt sản phẩm trên kệ cửa hàng, sự đa dạng của sản phẩm, số lượng của từng sản phẩm loại sản phẩm và vị trí). Để đưa ra những quyết định này, mô hình dự đoán phải dự báo được sản lượng sản phẩm.

2.3 Lực lượng lao động (nhân lực)

Các quyết định quan trọng liên quan đến số lượng nhân viên cần thiết trong cửa hàng tại các thời điểm khác nhau và cách sắp xếp lịch trình cho họ. Để đưa ra những quyết định này, công việc tổng thể mà nhân viên phải hoàn thành cần phải được ước tính. Việc này bị ảnh hưởng của các quyết định khác nhau, chẳng hạn như việc dự trữ hàng trên kệ, nhận hàng, đổi trả hàng, thay đổi giá, v.v. Công việc bổ sung đi kèm với số lượng khách hàng trong cửa hàng (bao gồm việc trả lời các câu hỏi của khách hàng và quầy thanh toán).

2.4. Quảng cáo — tiếp thị

Trong lĩnh vực quảng cáo — tiếp thị, các công ty phải đối mặt với quyết định điển hình là tìm ra kênh tốt nhất để quảng cáo (trực tuyến như Google Adwords, Facebook, Twitter và / hoặc các kênh truyền thống như ấn phẩm in, báo, POSM) và đâu là các sản phẩm tốt nhất để Quảng cáo. Điều này có thể kéo đến việc thực hiện một số “sản phẩm mồi” có giá thấp để lôi kéo khách hàng vào cửa hàng, vì vậy họ cũng có thể mua các mặt hàng khác với lợi nhuận đáng kể hơn.

Chúng tôi đồng tình với định nghĩa phân tích bán lẻ là “cách tiếp cận để giải quyết các vấn đề bắt đầu từ dữ liệu, xây dựng mô hình để đi đến quyết định tạo ra giá trị” trong bối cảnh bán lẻ. Cách tiếp cận này tập trung vào “các hoạt động liên quan đến việc bán hàng hóa cho khách hàng cuối”. Do đó, việc phân tích sẽ đánh giá, phân tích toàn bộ hoạt động ngoại tuyến, trực tuyến và đa kênh trên toàn bộ phạm vi chiến lược (ví dụ: giá trị của việc mở cửa hàng), chiến thuật (ví dụ: loại tối ưu) và các quyết định hoạt động (ví dụ: lượng hàng tồn kho cần đặt hàng).

Từ đó, chúng tôi kết luận rằng: Phân tích bán lẻ (Retail Analytics — RA) là toàn bộ các vấn đề liên quan đến dữ liệu và phân tích dữ liệu để thúc đẩy việc ra quyết định của một nhà bán lẻ ở mọi phạm vi chiến lược, chiến thuật và quyết định trong toàn bộ hoạt động của mình.

Phân tích bán lẻ có những vai trò cơ bản sau:

3.1. Cải thiện sự gắn kết khách hàng

Một trong những thử thách lớn nhất của các nhà bán hàng là làm thế nào để chuyển những khách hàng mua sắm một lần (one-time shoppers) thành những khách hàng trung thành của mình (brand loyalists). Những nhà bán hàng lớn trên thế giới như Amazon đã theo dõi những thói quen tiêu dùng của khách hàng, lịch sử tìm kiếm, thị hiếu… Không chỉ những công ty thương mại điện tử eCommerce lớn, mà kể cả những công ty vừa và nhỏ cũng cần sử dụng những phân tích này, kết hợp với phân tích dự báo (predictive analytics) để phát hiện ra những tiềm năng bán hàng, xu hướng bán hàng, các chương trình thu hút sự tham gia của khách hàng hoặc thậm chí là ý tưởng về những sản phẩm mới mà các khách hàng tiềm năng đang cần. Bằng việc kết hợp phân tích bán hàng (retail analytics) vào các mô hình dự báo, chúng ta có thể dự báo được nhu cầu khách hàng và khuyến khích họ quay trở lại.

3.2. Cải thiện quản lý kho hàng và chuỗi cửa hàng

Có nhiều các sản phẩm còn ứ đọng chưa bán được, hoặc chưa đủ các sản phẩm cần thiết có thể dẫn đến các tổn thất lớn cho doanh nghiệp. Sử dụng phân tích dự báo có thể giúp doanh nghiệp giảm chi phí trong quản lý hàng tồn kho, tăng hiệu quả sử dụng các kệ hàng, tập trung nguồn lực vào những khu vực có nhu cầu cao, nắm bắt nhanh các xu hướng bán hàng, tối ưu hóa việc vận chuyển, giảm chi phí tồn kho và cải thiện chuỗi cung ứng, gia tăng lợi nhuận cho doanh nghiệp.

3.3. Cải thiện các quyết định về giá bán

Trong xu hướng cắt giảm chi tiêu của người tiêu dùng và sự gia tăng của các kênh bán hàng, giá bán trở nên một trong những mục tiêu quan trọng mà các nhà quản lý cần cân nhắc. Tuy nhiên, việc xác định giá bán phù hợp không phải là một quyết định dễ dàng. Phân tích dữ liệu nâng cao (advanced analytics) sẽ giúp những nhà quản lý có thể có được một mức giá bền vững, đo lường sự khác biệt trong nhu cầu của từng phân khúc khách hàng, xác định các sản phẩm chủ chốt, việc quản lý phân phối các cửa hàng, phân tích hành vi người tiêu dùng qua các kênh phân phối,… Những thông tin này giúp nhà bán hàng có thể đưa ra các chiến lược về giá hợp lý khi đã cân nhắc sự phân hóa về đối tượng khách hàng, kênh bán hàng, đối thủ cạnh tranh, và các mặt hàng,… Theo một báo cáo phân tích của Deloitte về “Analytics in Retail” cho thấy rằng các giải pháp về giá bán có thể làm cải thiện tỷ suất hoạt động (margin performance) ngay lập tức lên đến 2%-4% và tăng trưởng doanh thu lên đến 1%-2%.

3.4. Cải thiện các chiến lược marketing

Ngày nay, các nghiên cứu cho thấy chiến lược marketing “cá nhân hóa” (personalized marketing) có tác động mạnh đến hành vi người tiêu dùng. Khi Facebook và Instagram có thể cho chúng ta thấy những quảng cáo liên quan dựa trên những thông tin chúng tachia sẻ hằng ngày; thì các nhà bán hàng cũng có thể thu thập những thông tin mang tính cá nhân như sở thích, lịch sử tìm kiếm, xu hướng và thói quen tiêu dùng… Do đó, thay vì tạo ra các chiến lược quảng bá lớn với chi phí khổng lồ nhưng lại có ít tác động trực tiếp, việc ứng dụng phân tích dữ liệu và dự báo có thể “cá nhân hóa” (personalize) các quá trình tiếp thị này. Bằng việc đưa ra các thông tin trực tiếp (direct messages) có nghĩa là chúng ta có thể kiểm soát không chỉ nội dung, mà còn khi nào, bằng cách nào, và tại sao, và cuối cùng, giúp cải thiện tỷ lệ lợi nhuận ròng trên tổng chi phí đầu tư (Return on Inᴠeѕtment — ROI) và hiệu quả bán hàng cho công ty.

Mối liên hệ dẫn đến quyết định của nhà bán lẻ đều được coi là một hoạt động phân tích. Phân tích bán lẻ gồm năm hình thức như sau:

Phân tích diễn giải;Phân tích chẩn đoán;Phân tích nâng cao;Phân tích mô phỏng;Phân tích tự động.

Phân tích diễn giải và chẩn đoán là các phân tích cơ bản hoặc truyền thống nhằm tìm hiểu quá khứ. Phân tích diễn giải sử dụng cách tiếp cận nhìn lại để mô tả những gì đã xảy ra, trong khi phân tích chẩn đoán tìm kiếm thêm lời giải thích cho lý do tại sao mọi thứ lại xảy ra, từ đó mở rộng nhận thức một cách sâu sắc hiện trạng thực tại.

Phân tích nâng cao chỉ mô hình dự đoán áp dụng cho dữ liệu thông qua các phương pháp thống kê hoặc học máy. Thuật ngữ “phân tích nâng cao” đề cập đến cả phân tích dự đoán (điều gì sẽ xảy ra?).

Phân tích mô phỏng (làm thế nào chúng tôi có thể làm cho điều đó xảy ra?) nhằm cung cấp tầm nhìn về tương lai chưa diễn ra. Đầu tiên, hành động dự báo các sự kiện trong tương lai có thể là dự báo về nhu cầu khách hàng, sản phẩm hoàn trả. Điều thứ hai liên quan đến việc đưa ra các khuyến nghị chuẩn tắc (tức là, các phương thức hành động tối ưu).

Phân tích tự động là một loại phân tích yêu cầu ít hoặc không có sự can thiệp của con người và đề xuất hành động tối ưu trong thời gian thực.

Chúng tôi cũng phân biệt giữa dữ liệu và dữ liệu lớn vì sự gia tăng của phân tích kinh doanh dựa trên dữ liệu lớn. IBM mô tả dữ liệu lớn theo năm chiều: khối lượng (quy mô dữ liệu lớn hơn nhiều), tính đa dạng (dữ liệu có nhiều dạng khác nhau, ngày càng không có cấu trúc), vận tốc (tần suất ngày càng tăng của các điểm dữ liệu mới), tính xác thực (tính toàn vẹn của dữ liệu) và giá trị (giá trị kinh doanh từ dữ liệu).

Phân tích dữ liệu lớn có nghĩa là áp dụng các công cụ công nghệ phân tích để xử lý các dữ liệu lớn. Từ đó chúng tôi coi việc nghiên cứu phân tích sử dụng dữ liệu có khối lượng, sự đa dạng hoặc tốc độ cao là phân tích dữ liệu lớn.

Hệ thống phân tích bán lẻ hiện tại hệ thống hóa và khai thác dữ liệu nhằm thực hiện sáu mục tiêu sau:

Xác định phân khúc khách hàng;Đo hiệu quả của các chiến dịch;Phân nhóm khách hàng tiềm năng, trung thành trong bán lẻ;Phân tích yếu tố giá tác động từng phân nhóm khách hàng;Xác định phương pháp tiếp cận gần nhất với khách hàng mục tiêu.

5.1. Xác định phân khúc khách hàng

Đây là một nhân tố quan trọng trong hoạt động tiếp thị bán lẻ. Phân khúc khách hàng cho nhà bán lẻ một cái nhìn sâu về đối tượng khách hàng tại phân khúc đó bao gồm: giới tính, độ tuổi, xu hướng,.. Ví dụ như: Phân khúc khách hàng giúp nhà bán lẻ phân loại được đối tượng khách hàng để tung ra các chiến dịch phù hợp:

Phân khúc khách hàng nào phù hợp với chương trình khuyến mãi sắp tới;Phân khúc khách hàng nào phù hợp để ra mắt sản phẩm mới;Những khách hàng nào phù hợp với chiến lược giảm giá của doanh nghiệp.

5.2. Thước đo hiệu quả của các chiến dịch

Rõ ràng, khi nhà bán lẻ tung ra một chiến dịch nào đó, nhà bán lẻ cần phân tích được hiệu quả của chiến dịch đo mang lại bao gồm chi phí bỏ ra và lợi ích thu về. Một số câu hỏi có thể đặt ra trong khi phân tích như: Trước đây công ty đã từng sử dụng những kênh truyền thông thành công nào trong các chiến dịch tiếp thị?

Chiến dịch đó phù hợp với địa điểm nào?Chi phí bỏ ra và lợi ích của chiến dịch như thế nào?Phân khúc khách hàng nào phù hợp với chiến dịch của doanh nghiệp?

5.3. Phân nhóm khách hàng tiềm năng, trung thành trong bán lẻPhân nhóm khách hàng tiềm năng, trung thành

Có nhiều khách hàng mà nhà bán lẻ không thể thấy ngay được lợi nhuận mà họ mang lại, bởi có thể họ sẽ là những khách hàng trung thành trong tương lai. Vì vậy, việc xác định được tập khách hàng tiềm năng thông qua những chiến dịch tiếp thị là vô cùng quan trọng.

Việc giữ chân một khách hàng trung thành ít tốn kém và kinh tế hơn việc đi tìm kiếm một khách hàng mới. Do đó, việc tạo ra tập khách hàng trung thành cho cửa hàng là rất cần thiết. Để thực hiện được việc này, nhà bán lẻ phải triển khai các chương trình chăm sóc khách hàng. Muốn có được những chương trình chăm sóc khách hàng hiệu quả, nhà bán lẻ cần phân tích cơ sở dữ liệu trong quá trình họ tiếp xúc trước, trong, sau mua hàng để hiểu, nhận biết thời điểm, và thông điệp phù hợp từ đó tạo ra các lý do lôi kéo khách hàng sử dụng sản phẩm, dịch vụ lâu dài.

5.4. Phân tích yếu tố giá tác động từng phân nhóm khách hàng

Đây là một trong những yếu tố quyết định đến thành công trong các chiến dịch tiếp thị của các nhà bán lẻ. Thông thường, việc nhà bán lẻ tăng giá trực tiếp của các sản phẩm, dịch vụ sẽ làm khách hàng khó gia tăng hành vi mua sắm, và như vậy doanh thu của cửa hàng sẽ giảm.

Nhà bán lẻ phải biết cách xử lý thật thông minh khi tăng giá, làm thế nào để tăng giá nhưng vẫn khiến cho khách hàng hài lòng khi mua sản phẩm, dịch vụ. Nhà bán lẻ cần sử dụng kho dữ liệu của khách hàng, phân tích để đưa ra các thay đổi về giá hoặc một chiến lược về giá tốt nhất để khách hàng tiếp nhận dễ dàng hơn, giảm thiểu lý do ảnh hưởng đến doanh số bán hàng.

5.5. Tiếp cận gần nhất mục tiêu khách hàng

Các nhà bán lẻ cần tiếp thị càng gần, càng cụ thể mục tiêu khách hàng càng tốt. Tiếp thị khách hàng có thể dựa trên những phân tích thói quen mua sắm của khách hàng. Hiện nay những công cụ khai thác dữ liệu khách hàng ngày càng được sử dụng nhiều hơn, nó cho nhà bán lẻ những thống kê cụ thể, chi tiết đáp ứng được những chiến dịch tiếp thị đặc biệt mỗi cửa hàng.

Tuy vậy thách thức lớn mà hệ thống phân tích bán lẻ hiện nay cần phải giải quyết là sự thay đổi gần như liên tục về cách nhìn nhận của khách hàng đối với cửa hàng, nhà bán lẻ. Vì vậy việc hệ thống phân tích bán lẻ hiện tại cần phát triển trở thành công cụ theo dõi sự biến động về nhận thức của khách hàng về cửa hàng, cũng như nhãn hàng.

Phân tích bán lẻ có thể đóng góp vào sự phát triển của ngành bán lẻ bằng cách (i) thực hiện các quyết định mới và tiêu chí quyết định, (ii) sử dụng các phân tích nâng cao, (iii) tận dụng các nguồn dữ liệu mới hoặc (iv) áp dụng vào các phương pháp chuyên sâu.

1.1. Các quyết định mới và các tiêu chí

Một quyết định có thể là sự kết hợp của một mục tiêu cụ thể trong một lĩnh vực và một khả năng thực hiện quyết định cụ thể. Ví dụ như khả năng phục hồi chuỗi cung ứng, bản địa hóa các quyết định, định hướng đa kênh và các quyết định trong một vấn đề cụ thể.

Một lĩnh vực hứa hẹn khác cho các nghiên cứu là việc xem xét các tiêu chí mới để ra quyết định trong hoạt động bán lẻ, ví dụ, tính phát triển bền vững ở nhiều phân khúc bán lẻ. Điều này đã dẫn đến nhiều thay đổi, chẳng hạn như bao bì có thể tái sử dụng trong bán lẻ hàng tiêu dùng đóng gói (Consumer Packaged Goods — CPG).

Tuy nhiên, ngay đối với chủ đề này, vẫn tồn tại những mâu thuẫn hành vi thú vị, chẳng hạn như trong lĩnh vực may mặc. Một mặt, các nhà bán lẻ thời trang nhanh, một số phân khúc người tiêu dùng thường xuyên thay thế tủ quần áo của họ khi xu hướng thời trang mới xuất hiện, trong khi những bộ phận khác có cách tiếp cận có ý thức về môi trường hơn việc tiêu dùng. Các vấn đề bao gồm hiểu người tiêu dùng coi trọng các vấn đề môi trường và xã hội ở mức độ nào và cách xem xét tối đa hóa lợi nhuận ngắn hạn và tính bền vững trong dài hạn.

1.2. Phân tích nâng cao

Hầu hết các nhà bán lẻ tìm cách áp dụng các phân tích nâng cao trong các lĩnh vực được nghiên cứu kỹ lưỡng bởi các nhà nghiên cứu khoa học (ví dụ: lập kế hoạch phân loại). Ứng dụng các phân tích nâng cao (dự đoán và chuẩn đoán) trong các lĩnh vực như: hoạt động dịch vụ khách hàng, quản lý nhân viên và xử lý đơn hàng và hiểu rõ hơn về ứng dụng của phân tích tự trị.

1.3. Nguồn dữ liệu mới

Phù hợp với việc đo lường hành vi của người tiêu dùng tại cửa hàng, chọn lựa định hướng đa kênh và phương pháp tận dụng các phương tiện truyền thông xã hội phù hợp với dữ liệu ngữ cảnh.

Hơn nữa, đối với mỗi nguồn dữ liệu, chúng tôi phân tích các trường hợp sử dụng theo nhóm quyết định như việc quan sát hành vi người tiêu dùng mới có thể cải thiện việc ra quyết định như thế nào.

1.4. Các phương pháp chuyên sâu

Các phân tích được sử dụng cho thấy nhiều cơ hội để phát triển các phương pháp mới để giải quyết các thách thức về phân tích bán lẻ. Điều này bao gồm việc sử dụng các phương pháp suy luận Bayesian và học máy (Machine learning — ML).

Đầu tiên, với thống kê Bayes, có thể áp dụng cho việc mô hình hóa các lựa chọn. Mô hình cây lựa chọn Bayes cũng có thể giúp nắm bắt các động lực tiềm ẩn của hành vi người tiêu dùng khi có cùng mô hình đầu vào (ví dụ: lưu lượng truy cập cửa hàng, lao động, số liệu thực hiện của cửa hàng) và kết quả (ví dụ: doanh thu, lợi nhuận) để tìm tính đồng nhất. Việc này thường rất khó thực hiện nếu theo các phương pháp phân tích thông thường. Tuy nhiên, những tiến bộ về hiệu quả tính toán, chẳng hạn như phương pháp Hamiltonian Monte Carlo, làm cho những vấn đề ước lượng này trở nên khả thi hơn.

Ngoài ra, lý thuyết quyết định Bayes có thể liên kết một hành động với một hàm tổn thất, là một cách tự nhiên để tích hợp giữa phân tích chẩn đoán (ước tính) với phân tích mô tả (tối ưu hóa). Cuối cùng, các phương pháp học dựa trên kinh nghiệm Bayes có thể giải thích cho việc người tiêu dùng tích lũy kinh nghiệm để suy ra chất lượng của sản phẩm hoặc dịch vụ hoặc tạo ra kỳ vọng về giảm giá trong tương lai (Tulin Erdem, Michael P.Keane, 1996). Việc ứng dụng các mô hình học này trong một phạm vi có thể giúp giải thích hành vi thay đổi trong quyết định về giá cả và xu hướng phát triển của khách hàng về nhu cầu sử dụng dịch vụ.

Thứ hai, các phương pháp bán thực nghiệm có thể nâng cao khả năng tiến hành phân tích chẩn đoán của các nhà bán lẻ. Tuy nhiên, việc phân tích các thử nghiệm bán thực nghiệm thường dựa vào các mô hình hiệu ứng cố định (TWFE) hai chiều (diff-indff) mà bỏ qua sự không đồng nhất về kích thước hiệu ứng (ví dụ: giữa các danh mục sản phẩm, địa điểm và người tiêu dùng) và nhu cầu. Quy luật nhân quả có thể kết hợp với phân tích hồi quy (Phân tích hồi quy là một quá trình thống kê để ước tính mối quan hệ giữa các biến phụ thuộc hoặc biến tiêu chí và một hoặc nhiều biến hoặc yếu tố dự báo độc lập. Phân tích hồi quy giải thích những thay đổi trong tiêu chí liên quan đến những thay đổi trong các yếu tố dự báo được chọn. Phân tích hồi quy là một phương pháp phân tích thường sử dụng Máy học — Machine Learning) để suy luận nhân quả theo cách phân vùng dữ liệu thành các nhóm con khác nhau, từ đó xác định giá trị phản ứng trung bình của chúng khi tác động với biến quan sát được. Những hiểu biết sâu sắc về các phản ứng không đồng nhất này đặc biệt phù hợp với các điểm chạm trực tuyến nơi nhà bán lẻ có thể dễ dàng tùy chỉnh/cá nhân hóa các dịch vụ của mình cho các phân khúc khách hàng khác nhau.

Thứ ba, công nghệ AI — ML hiện có đã cho thấy những cải tiến dự báo ấn tượng so với các phương pháp truyền thống, nên có cơ hội áp dụng các phương pháp này cho các thách thức bán lẻ khác. Cụ thể, các kỹ thuật học không giám sát có thể chắt lọc các tính năng từ dữ liệu lớn không có cấu trúc (ví dụ: phương tiện truyền thông xã hội, đánh giá sản phẩm), trong khi các kỹ thuật học có giám sát (phân tích hồi quy) có thể sử dụng để phân tích dự đoán. Với kích thước của dữ liệu lớn đang tăng lên nhanh chóng, cùng với tiềm năng của phi tuyến tính, chúng tôi kỳ vọng sẽ ứng dụng nhiều hơn mạng nơ-ron cho cả việc học không giám sát và có giám sát trong phân tích bán lẻ.

Học tăng cường (Sutton & Barto, 2018) là một kỹ thuật ML mà ở đó người ra quyết định lựa chọn các hành động giải quyết sự không chắc chắn một cách linh hoạt. Một lợi ích của phương pháp này là nó cho phép những người ra quyết định hiểu về tình trạng thực tế của thế giới (“học”) và thu lại một số mục tiêu dài hạn (“kiếm được”).

Những kỹ thuật phân tích này có tiềm năng vô hạn trong việc phân tích bán lẻ, ví dụ như chúng có thể giúp thông báo việc đặt sản phẩm trên trang web và cá nhân hóa chủng loại đã tối ưu và đồng bộ với tình trạng hàng trên kho trong môi trường đa kênh.

Có thể thấy rằng, AI&ML có thể được sử dụng để phân tích dữ liệu và để tiến hành tối ưu hóa quy mô lớn không cần điều kiện. Từ đó giúp các mô hình kinh doanh trực tuyến và đa kênh đã cắt giảm đáng kể khoảng thời gian đưa ra quyết định. Và việc tích hợp các thuật toán ML và tối ưu hóa tổ hợp hứa hẹn tuyệt vời để giải quyết nhanh chóng các vấn đề khó khăn trong công việc tối ưu hóa.

Chúng tôi giới thiệu ba mô hình thực hiện phân tích bán lẻ bao gồm:

Sử dụng dữ liệu để dự đoán tốt hơn về nhu cầu để cấp hàng (SKU/cửa hàng/kỳ);Dự báo lợi nhuận của sản phẩm và tối ưu hóa các quyết định cấp hàng trong bối cảnh đa kênh;Tối ưu nhân viên cửa hàng để cải thiện dịch vụ khách hàng.

Mỗi hướng triển khai nhằm đem lại sự hiểu biết tốt hơn về hành vi của người tiêu dùng và phản ứng của họ đối với các quyết định hoạt động khác nhau.

2.1. Sử dụng dữ liệu để dự đoán tốt hơn nhu cầu để cấp hàng (SKU/cửa hàng/kỳ)

Dự đoán nhu cầu chính xác hơn có thể cải thiện hiệu quả của một loạt các quyết định bán lẻ bằng cách điều chỉnh các nguồn lực hoạt động phù hợp với nhu cầu của người tiêu dùng. Từ đó, các cơ hội tối ưu mới có thể phát hiện từ các nguồn dữ liệu mới, nhờ việc áp dụng công nghệ mới.

Thách thức ở phương pháp này là kết hợp các nguồn dữ liệu có cấu trúc đa dạng và các dữ liệu không có cấu trúc một cách chặt chẽ và hiệu quả để đưa ra các dự đoán nhu cầu chính xác hơn, chi tiết hơn, từ đó đưa ra các hành động có thể thực hiện được.

2.1.1. Mô hình và giải pháp

Các phương pháp tiếp cận mô hình hóa nhu cầu thường được sử dụng trong tài liệu xuất phát từ các quá trình ngẫu nhiên (ví dụ, phân phối Poisson), lý thuyết kinh tế (ví dụ, mô hình lựa chọn thử nghiệm rời rạc), thống kê (ví dụ, mô hình log-tuyến tính) và ML (phân tích hồi quy).

Các khả năng mới được tạo ra nhờ cung cấp dữ liệu mới và đa dạng (các yếu tố dự báo). Tuy nhiên, dữ liệu mới có thể thiếu cấu trúc (ví dụ: văn bản, âm thanh, hình ảnh hoặc video). Một giải pháp chiến lược là chuyển đổi các đầu vào thô này thành dữ liệu có cấu trúc. Mã hóa thủ công chỉ có khả năng mở rộng hạn chế, nên nhiều phương pháp AI&ML đã được áp dụng: (i) các kỹ thuật khai thác văn bản/ âm thanh cho hoạt động của người tiêu dùng trên các kênh truyền thông xã hội, bản ghi các tương tác với dịch vụ khách hàng và đánh giá trực tuyến (ví dụ: Phân bổ Dirichlet tiềm ẩn — LDA, word2vec,…) và (ii) các thuật toán nhận dạng hình ảnh để phân tích các hình ảnh về sản phẩm, kệ hàng, người mua sắm hoặc hình ảnh trên mạng xã hội (ví dụ: Deeplearning, Neural Networks).

Tính khả dụng của các phương pháp này sẽ cho phép hiểu sâu hơn, cũng như dự đoán về giá trị của các bài đăng trên mạng xã hội, đánh giá trực tuyến và video về hoạt động của khách hàng, nhân viên tại cửa hàng, quá trình diễn ra tại cửa hàng. Một số nhà bán lẻ, nhà điều hành đã thu được giá trị từ những công cụ này (ví dụ: video tại cửa hàng), sử dụng những thông tin chi tiết được phân tích ra từ hình ảnh để điều chỉnh hành động của họ trong thời gian thực.

Hơn nữa, một số nghiên cứu gần đây đều đánh giá càng ngày càng cao giá trị của các nguồn thông tin mới, chẳng hạn như kênh truyền thông xã hội, dữ liệu tìm kiếm. Mô hình nhu cầu cũng đưa ra được một thuật toán bao trùm các thuộc tính sản phẩm. Thông tin thuộc tính sản phẩm, đôi khi không có sẵn, việc sử dụng công nghệ nhận diện ký tự quang học (Optical character recognition — OCR) để khai thác văn bản đẻ chuyển mô tả sản phẩm thành thuộc tính có thể là cầu nối quan trọng để cải thiện khả năng dự báo nhu cầu.

Cuối cùng, một vấn đề khác là tầm quan trọng của khả năng diễn giải mô hình, giúp người dùng (chủ sở hữu vấn đề) nắm được logic và cơ chế hình thành hành vi từ đó dẫn đến một dự đoán hoặc khuyến nghị cụ thể. Các mô hình củng cố của các phương pháp phân tích. Khả năng diễn giải cao hơn có thể đạt được bằng cách ứng dụng lý thuyết phối hợp cùng công nghệ sẽ thúc đẩy việc đưa ra các dự báo và các kết quả có mối liên hệ. Ngoài ra, bằng cách nâng cao khả năng diễn giải của AI&ML, các phát hiện có thể dễ dàng đối chiếu với lý thuyết hoặc thậm chí giúp xây dựng một lý thuyết mới.

Tuy nhiên, khả năng diễn giải cao hơn có thể phải đánh đổi bằng việc giảm hiệu suất dự đoán. Trong tương lai có thể cần nghiên cứu giải quyết vấn đề này theo ít nhất hai cách: (i) đánh giá sự cân bằng giữa khả năng diễn giải và độ chính xác bằng cách xếp hạng hiệu suất dự đoán của các mô hình tương đồng ở các mức độ khác nhau. Hơn nữa, (ii) sự phát triển của các phương pháp tiếp cận mới cho phép mở ra các “hộp đen thuật toán ML” để hiểu rõ hơn lý do tại sao một mô hình ML cụ thể được chọn hoặc tại sao một dự đoán cụ thể được đưa ra. Ví dụ: Giá trị Shapley là một số liệu hữu ích thể hiện mức đóng góp biên trung bình của một đối tượng cụ thể đối với một điểm số xác định. Nghiên cứu trong tương lai có thể phát triển thêm các thước đo và công cụ mới để nâng cao khả năng diễn giải của các mô hình ML.

2.1.2. Nguồn dữ liệu

Các nguồn dữ liệu truyền thống (ví dụ: dữ liệu lịch sử bán hàng, lưu lượng khách hàng, lao động) với các nguồn dữ liệu mới, chẳng hạn như thời tiết, hoạt động của khách hàng tại cửa hàng, điều tra dân số, dữ liệu nhân khẩu học, hoạt động truyền thông xã hội, dữ liệu luồng nhấp chuột và xu hướng tìm kiếm trực tuyến, và các nguồn dữ liệu phi cấu trúc như âm thanh về các tương tác với dịch vụ khách hàng, hình ảnh và video về hành vi tại cửa hàng, đánh giá của khách hàng và việc sử dụng phòng thử đồ ảo…

2.1.3. Bảng vai trò và giá trị của dữ liệu trong mô hình

Bảng nghiên cứu này tạo ra các mô hình nhu cầu với độ chính xác cao hơn, hiểu rõ hơn về vai trò và giá trị dự đoán của các nguồn dữ liệu khác nhau và hiểu sâu hơn về sự cân bằng giữa khả năng diễn giải và độ chính xác trong các loại mô hình nhu cầu.

2.2. Dự báo lợi nhuận của sản phẩm và tối ưu hóa các quyết định cấp hàng trong bối cảnh đa kênh

2.2.1. Mô tả

Việc trả lại sản phẩm chủ yếu mang tính chất chẩn đoán như việc các nhà nghiên cứu khám phá một số yếu tố thúc đẩy trả lại sản phẩm, chẳng hạn thông tin về kích thước trong bán lẻ hàng may mặc trực tuyến và đặc điểm của nhân viên bán hàng, cũng như tác động của lợi nhuận. Công việc dự đoán, dự báo lợi nhuận của sản phẩm, đã bị hạn chế khi chỉ thực hiện trên kênh đơn lẻ: truyền thống hoặc chỉ trực tuyến.

Để giúp các nhà bán lẻ định hướng đa kênh và bản địa hóa các quyết định, hai ưu tiên quan trọng được những người được phỏng vấn của chúng tôi đưa ra, bất kỳ công việc nào trong tương lai về quản lý hàng trả lại nên nhắm đến định hướng đa kênh (ví dụ: mua trực tuyến, trả lại tại cửa hàng) với cách tiếp cận phân tích hiện đại hơn. Cụ thể hơn, nghiên cứu có thể giải quyết thách thức của việc dự báo lợi nhuận trong bối cảnh đa kênh (khối lượng và kênh). Nó cũng có thể phát triển một phương pháp để giúp các nhà bán lẻ quyết định xem có nên cung cấp lại một mặt hàng cho cửa hàng hay vận chuyển nó trở lại Kho trung tâm.

2.2.2. Mô hình và giải pháp

Các phương pháp tiếp cận mô hình hóa có thể dự đoán khối lượng lợi nhuận cấp cá nhân dựa trên dữ liệu cấp giao dịch, sau đó được tổng hợp thành dự báo về lợi nhuận cấp SKU (dự đoán-tổng hợp) hoặc trước tiên tổng hợp dữ liệu để sau đó dự báo lợi nhuận ở cấp SKU (tổng hợp — dự đoán). Hai lựa chọn tiếp cận có thể được cân nhắc để lập mô hình dựa trên cả kênh và khối lượng dữ liệu. Đầu tiên, khối lượng phân bổ của mỗi kênh có thể được dự đoán theo cả hai cách tiếp cận tùy thuộc vào khối lượng. Thứ hai, cách tiếp cận đồng thời có thể dự báo trực tiếp khối lượng hàng trên mỗi kênh.

Trong cách tiếp cận dự đoán song song (khối lượng và kênh) — (ở cấp độ riêng lẻ) sau đó tổng hợp (đối với cấp SKU), mô hình logic lồng nhau (cấp độ 1: trả hoặc không, cấp 2: lựa chọn kênh) có thể ước tính đầu tiên để dự đoán quyết định kênh trả hàng cho mỗi giao dịch. Tiếp theo, các xác suất dự đoán này có thể được hợp nhất để dự báo mức SKU về khối lượng trả hàng trên mỗi kênh.

Để hỗ trợ các nhà bán lẻ quyết định cung cấp lại sản phẩm tại cửa hàng hoặc vận chuyển đến kho trung tâm, phương pháp phỏng đoán để theo dõi nhu cầu dự kiến tại cửa hàng cho đến lần cấp hàng tiếp theo từ kho trung tâm đến kho tại cửa hàng, đánh giá cơ hội chi phí bán hàng bị mất tiềm năng từ việc dự trữ (dự kiến) của cùng một mặt hàng tại các địa điểm khác. Các quy tắc quyết định khác nhau có thể được tính điểm dựa trên mức độ sẵn có và khối lượng bán hàng sau khi triển khai những hệ thống này ở.

2.2.3. Nguồn dữ liệu

Các hệ thống trên yêu cầu dữ liệu giao dịch và trả hàng trên tất cả các kênh. Việc đầu vào thêm các đặc điểm sản phẩm — lý tưởng nhất là các đặc điểm ở cấp độ người tiêu dùng — có thể sẽ nâng cao chất lượng của các dự báo và khuyến nghị.

Dữ liệu đánh giá sản phẩm cũng đại diện cho một đầu vào đầy hứa hẹn để dự đoán tỷ lệ trả lại theo thời gian. Dữ liệu đánh giá sản phẩm và nội dung phương tiện truyền thông xã hội cũng có thể được sử dụng để hiểu các yếu tố thúc đẩy lợi nhuận. Những thông tin chi tiết này có thể được tận dụng bởi các nhân viên bán lẻ để xử lý việc trả lại hàng tại cửa hàng hay đề xuất các sản phẩm thay thế.

2.2.4. Kết quả dự kiến

Hệ thống này sẽ trang bị cho các nhà bán lẻ các công cụ để dự đoán tỷ lệ hoàn vốn trong bối cảnh đa kênh. Sự gia tăng của hành vi “mua trực tuyến, trả lại tại cửa hàng” càng nhấn mạnh tính cấp thiết của những thông tin chi tiết này. Ngoài ra, hệ thống này sẽ giúp các nhà bán lẻ tối ưu hóa việc quản lý hàng tồn kho đa kênh của họ trong việc điều phối các vị trí giữa các cửa hàng và Kho trung tâm (DC).

2.3.1. Mô tả

Dịch vụ khách hàng liên quan đến một số khía cạnh ảnh hưởng đến trải nghiệm của người mua sắm. Chúng bao gồm thời gian chờ đợi, tính sẵn có của sản phẩm cũng như hỗ trợ trong, trước, và sau khi mua.

Vấn đề quan trọng được quan tâm là việc phân bổ nhân viên hiệu quả vào các vai trò dịch vụ khách hàng khác nhau. Thách thức thú vị là điều chỉnh phân bổ này theo thời gian thực để phù hợp với các mẫu hành vi của khách hàng.

Việc sử dụng video để đo lưu lượng khách hàng, quan sát và phân tích các hành vi khách hàng trong các khu vực cửa hàng khác nhau có thể được dùng để thực hiện phân bổ nhân viên theo thời gian làm việc thực tế. Những ví dụ này minh họa việc số hóa các cửa hàng vật lý giúp triển khai các tính năng, đo lường các dữ liệu thường được các ứng dụng cửa hàng trực tuyến sử dụng (ví dụ: lưu lượng khách hàng đến các phòng ban khác nhau, chuyển đổi, đặt hàng sản phẩm từ nơi khác địa điểm).

2.3.2. Mô hình và giải pháp

Việc phân bổ hiệu quả thời gian làm việc của nhân viên vào các vai trò dịch vụ khách hàng đòi hỏi phải ước tính giá trị tối đa của việc thêm một nhân viên vào một nhiệm vụ dịch vụ nhất định (ví dụ: hỗ trợ khách hàng trong một bộ phận cửa hàng cụ thể) và sử dụng kiến thức đó để tối ưu hóa các nhiệm vụ này.

Việc ước tính yêu cầu như một mô hình nhân quả về hành vi mua của người tiêu dùng là cần một hàm bao gồm dữ liệu về sự sẵn sàng của nhân viên cùng với các yếu tố dự báo dữ liệu tần suất cao về nhu cầu của khách hàng (ví dụ: lưu lượng truy cập cửa hàng và trực tuyến, khuyến mại và thời tiết). Việc tối ưu hóa đòi hỏi phải xây dựng một mô hình dựa trên các dự đoán về nhu cầu và tính đến chi phí, tính sẵn có và các ràng buộc liên quan đến nhân viên. Tối ưu hóa có thể được xây dựng ở hai cấp độ là mức trung bình và mức cao cấp.

Đối với mức trung bình: Hệ thống khuyến nghị có thể chỉ định yêu cầu cho các hoạt động dịch vụ khách hàng khác nhau trong thời gian thực.Đối với mức cao cấp: Hệ thống khuyến nghị có thể quy định các yêu cầu tổng thể đối với cửa hàng, chẳng hạn như hoạt động hàng ngày.

2.3.3. Nguồn dữ liệu

Việc phân tích yêu cầu sự kết hợp của nhiều nguồn dữ liệu, một số nguồn dữ liệu sẵn có như dữ liệu bán hàng tần suất cao (ví dụ: doanh số bán hàng theo danh mục sản phẩm trong khoảng thời gian nhỏ hơn 1 giờ). Thông tin này có thể được bổ sung bằng cách lưu trữ dữ liệu lưu lượng khách hàng có thể thu được, ví dụ, từ cảm biến hoặc máy quay video. Những dữ liệu này lý tưởng nên được cung cấp từ cấp độ khu vực — bộ phận của cửa hàng, ngành hàng hoặc lối đi, trong đó bao gồm thông tin về tình trạng sẵn sàng của nhân viên trong các bộ phận đó. Cuối cùng, được thúc đẩy bởi những hiểu biết sâu sắc về ngành bán lẻ, cần thiết bổ sung với dữ liệu về các yếu tố dự báo nhu cầu khác, chẳng hạn như thời tiết, khuyến mại và hoạt động trực tuyến vào nguồn dữ liệu phân tích.

2.3.4. Kết quả dự kiến

Kết quả của hệ thống phân tích dữ liệu bán lẻ này có thể phát triển thành các công cụ hỗ trợ phân bổ lao động cho một nhà bán lẻ để kịp thời phản ứng theo thời gian thực đối với các sự kiện ảnh hưởng, thay đổi nhu cầu của người tiêu dùng.

Tôi nhận thấy nhiều Nhà bán lẻ Việt Nam đang ở Giai đoạn 6 của Quá trình phát triển - Cửa hàng trực tuyến và một số nhà đi đầu đang ở Giai đoạn 7 - Bán lẻ đa kênh, và điều chắc chắn rằng các nhà bán lẻ Việt Nam đang nhanh chóng nhập cuộc và đổi mới.

Vì vậy chúng tôi muốn tham gia cùng Nhà bán lẻ Việt Nam trong quá trình cách mạng này và chúng ta sẽ sớm gặp Nhà bán lẻ Toàn cầu ở cấp độ phát triển cao nhất: Intelligent Retail - Bán lẻ Thông minh. Quá trình phát triển ngày đòi hỏi sự tham gia Trí tuệ nhân tạo (AI) với Dữ liệu lớn.

Các đề xuất thông minh có thể được đưa ra cho khách hàng mua sắm tại cửa hàng dựa trên dữ liệu được thu thập về khách hàng và những gì khách hàng đang tìm kiếm trong kênh trực tuyến. Hoặc hơn nữa, Trí tuệ nhân tạo có thể dự đoán cho nhà bán lẻ loại cửa hàng nào, vị trí của cửa hàng và loại sản phẩm họ nên chuẩn bị và cung cấp cho khách hàng.

Một số thành phần thiết yếu trong Bán lẻ thông minh là Tiếp thị hợp nhất dữ liệu khách hàng và thông minh, Cửa hàng thông minh và liên kết kênh và Chuỗi cung ứng thông minh. Nhà bán lẻ Việt sẽ sớm thống nhất mọi trải nghiệm của khách hàng với kiến thức vận hành. Và các nhà bán lẻ của họ sẽ có thể đạt được điểm hiệu quả vàng, nơi họ đáp ứng trải nghiệm thống nhất ở mức chất lượng tối đa cho khách hàng với chi phí vận hành tối thiểu.

Có thể hình dung được Chiến lược kết hợp mua sắm trực tuyến và ngoại tuyến — các hoạt động được triển khai nhờ sử dụng dữ liệu phù hợp — có tính liên quan cao với khách hàng bằng cách sử dụng trí tuệ nhân tạo. Với phương pháp này, Bán lẻ Việt sở hữu khả năng chuyển đổi nhanh chóng và khả năng thành công cao khi triển khai đổi mới mô hình kinh doanh. Đây là nguồn lợi thế cạnh tranh bền vững thiết yếu và đòn bẩy quan trọng để cải thiện hiệu quả hoạt động bền vững của các tổ chức.

Trong thế giới kỹ thuật số, lãnh đạo kỹ thuật số là thách thức lớn nhất đối với các nhà quản lý bán lẻ. Tuy nhiên, chuyển đổi kỹ thuật số không thể dừng lại được nữa và ngày càng nhiều công ty bán lẻ chấp nhận sự thay đổi mô hình này. Để thành công trong việc lãnh đạo trong thế giới kỹ thuật số, các nhà lãnh đạo cần phải có sáu năng lực kỹ thuật số:

a. Tầm nhìn và đổi mới: Lãnh đạo kỹ thuật số cần phát triển các khái niệm cho nhóm của họ, nhận ra các lựa chọn dài hạn và tiếp cận các vấn đề của tương lai bằng các ý tưởng đổi mới. Họ sẵn sàng rời khỏi vùng an toàn của mình và thử điều gì đó mới.

b. Kỹ năng kỹ thuật số: Lãnh đạo kỹ thuật số ưu tiên các chủ đề và sự phát triển lấy khách hàng làm trung tâm, đồng thời sử dụng các công cụ và kỹ thuật linh hoạt để quản lý chúng. Họ cần có kiến thức về các mô hình kinh doanh, quy trình và chuỗi giá trị sáng tạo mới.

c. Kiến thức về công nghệ và dữ liệu: Lãnh đạo kỹ thuật số dựa trên dữ liệu và sử dụng nó để đưa ra quyết định, đặc biệt là trong phát triển sản phẩm hoặc trong việc lựa chọn các ưu tiên đầu tư. Họ am hiểu công nghệ và hiểu được sự tích hợp và ứng dụng công nghệ vào hoạt động kinh doanh của họ.

d. Suy nghĩ và hành động được nối mạng: Lãnh đạo kỹ thuật số nhận ra rằng những phát triển đột phá trong thay đổi kỹ thuật số không còn có thể được quản lý bằng các phương pháp và giải pháp tuyến tính. Họ cùng nhóm của mình tìm kiếm các cơ hội để can thiệp, kiểm soát đòn bẩy và cải tiến hệ thống toàn diện. Mạng của họ được mở rộng thông qua các khả năng giao tiếp kỹ thuật số và kiến thức hiện có được liên kết một cách có ý nghĩa.

e. Siêu giao tiếp và mục đích: Các nhà lãnh đạo kỹ thuật số có thể giúp cho các sự kiện, quy trình và vấn đề trở nên dễ quan sát hơn. Họ có thể nhìn từ góc độ cao và đưa ra quyết định thông minh. Họ cũng có thể đào tạo nhân viên của mình để làm việc hiệu quả hơn trong môi trường kỹ thuật số và giúp họ hiểu rõ hơn về bối cảnh và mục đích của công việc.

f. Quản lý thay đổi: Các nhà lãnh đạo kỹ thuật số là những người dẫn đầu trong việc thay đổi và liên tục cải tiến quy trình làm việc, tài nguyên và hệ thống CNTT. Họ đầu tư cho bản thân bằng cách tham gia huấn luyện và đào tạo và sử dụng tính cách lãnh đạo của mình để thúc đẩy sự thay đổi. Họ cũng huấn luyện nhân viên của mình để trở thành các nhà đổi mới.

g. Tạo bản sắc, truyền cảm hứng và tham gia: Làm việc như là các huấn luyện viên, các nhà lãnh đạo kỹ thuật số khuyến khích các nhà lãnh đạo khác phát triển trí thông minh tập thể và giúp nhóm đạt được hiệu suất cao bằng cách trao cho họ sự tự do. Họ đưa ra phản hồi chi tiết và đánh giá cá nhân. Bằng cách làm như vậy, họ có thể quản lý tài năng của nhóm một cách hiệu quả.

2. Văn hóa kỹ thuật số phù hợp và yêu cầu tổ chức kỹ thuật số

Văn hóa doanh nghiệp là yếu tố thành công trung tâm của tất cả các công ty thành công. Không thể phủ nhận rằng các thái độ, giá trị và chuẩn mực mà nhân viên của một công ty đang sống đang ảnh hưởng đến hành vi và quyết định của họ. Điều này không được hiểu theo cách tĩnh vì các nhà bán lẻ luôn thay đổi. "Vòng quay của ngành bán lẻ" quyết định chiến lược và do đó, luật "cấu trúc theo chiến lược" và "văn hóa theo cấu trúc" được thiết lập. Trên hết, Tương lai kỹ thuật số đang khởi động một thái độ thay đổi trong các công ty và một thiết kế mới của quy trình làm việc. Điều này, lại phụ thuộc vào khả năng đổi mới của các công ty.

Các khía cạnh đó phải chính xác những điều làm cho các công ty trở nên thành công về mặt số và việc tạo hình những điều đó là nhiệm vụ của các nhà quản lý. Giả định là sự số hóa của công ty bán lẻ phụ thuộc vào những đặc điểm cụ thể của văn hóa doanh nghiệp; ngược lại, nó ảnh hưởng đáng kể đến thành công của công ty.

Trong các cấu trúc quản lý dựa trên cung cấp hàng hóa, nơi mà sự thay đổi tổ chức trong quản lý trung gian và quản lý trách nhiệm cho kinh doanh hàng ngày đôi khi phải được yêu cầu trong nhiều năm, tốc độ yêu cầu cho kỷ nguyên số không thể nảy sinh. Các tổ chức được căn chỉnh số đang đi xa hướng tới trọng tâm chức năng và đặt niềm đam mê và tính đáng tin cậy của toàn bộ lãnh đạo và một tổ chức “sử dụng mong muốn của khách hàng số hóa không điều kiện" vào trung tâm các hoạt động kinh doanh. Loại trọng tâm “khách hàng tâm trí” này thấm permeates toàn bộ hệ thống kinh doanh của công ty trong khi cung cấp cho nhân viên một khung hướng dẫn cho các quyết định hàng ngày của họ.