Теория графов – многовекторный анализ конкуренции брендов автозапчастей.
август 2024

Материал аналитического агентства Aftermarket-DATA ©. aDat © системно исследует рынок запчастей, собирает статистику цен в каналах b2b/b2с/c2c, вычисляет доли брендов, уровни качества, кроссы, и ликвидность SKU. Данные в систему поступают из открытых источников, гипермаркетов, сетей АЗС, от дистрибьютеров, автомагазинов и НСТО. В экосистему aDat © входят такие платформы как ВИН-КОД.РФ и Win-Sto.ru, с годовой аудиторией более 4 млн. UV. При этом, 9.000 пользователей заходят в систему ежедневно (проф-сообщество).

aDat © сотрудничает с крупнейшими игроками Рунета. Полученный материал фильтруется через призму собственной статистики. Таким образом получается релевантный и независимый анализ рынка.

Aftermarket-DATA © — победитель премии
«Мировые автокомпоненты 2021, 2023»

Эксперт Дмитрий Болховский
CEO аналитического агентства Aftermarket-DATA©

Российский рынок автозапчастей переживает значительные изменения из-за быстрого роста СТМ, расширения ассортиментных линеек корейских поставщиков, и развития локального производства. В мае 2024 мы опубликовали «Обзор рынка автозапчастей для легковых автомобилей и LCV».

Из результатов исследования aDat © видно, что среди ТОП-50 брендов уже практически нет производителей, специализирующихся лишь на одной или двух группах автокомпонентов. Универсалы забрали рынок у моно-производителей.

Таким образом, при конкурентном анализе возникает проблема выбора целевых оппонентов. В каждой товарной группе бренды конкурируют с разным пулом игроков. То есть, конкуренция становится многовекторной, и для эффективного анализа, классического табличного представления данных уже недостаточно.

В этом контексте «Теория Графов» (Graph Theory) предоставляет уникальные возможности для структурирования и визуализации информации, что позволяет более точно ориентироваться в многовекторной конкуренции и принимать обоснованные стратегические решения.

Теория графов – это способ изучения и понимания различных систем, состоящих из объектов и связей между ними. Представьте, что у вас есть набор точек (объектов), которые могут быть чем угодно: людьми, городами, компьютерами и т.д. Эти точки соединены линиями (связями), которые показывают, как они взаимодействуют друг с другом.

Примеры графов для рынка автозапчастей

Вот несколько простых примеров, которые помогут лучше понять теорию графов, и её применение для рынка автозапчастей:

1. Граф «Склад запчастей». Узлы графа – это складские ячейки, а рёбра (или связи) – это перемещения, которые совершают кладовщик от одной ячейки к другой. Граф поможет визуализировать ячейки с сильными и слабыми связями, чтобы оптимизировать складские операции.
2. Граф «Возвраты». Узлы – это сегменты клиентов (например, по каналам продаж, специализации или регионам) и товарные группы запчастей. А рёбра – это потоки возвратов. Граф поможет выявить проблемные связи, и зависимости от внешних факторов (поставщиков, перевозчиков, сезонности).
3. Граф «Программы лояльности». Узлы – это маркетинговые акции и сегменты клиентов. А рёбра – это степень отклика аудитории. Граф поможет определить, какие акции работают лучше всего и как изменяются KPI программ лояльности со временем.
4. Граф Автопарк и применимость, – поможет лучше понять взаимосвязи между автомобилями и брендами автозапчастей.
   Узлы – это марки-модели автомобилей и бренды автозапчастей. При этом, размер модели – соответствует обслуживаемому карпарку.
   Узлы брендов сегментированы на товарные группы, что позволяет анализировать каждый бренд детально.
   Рёбра – это применимость ассортимента конкретного бренда к каждому автомобилю. Толщина и каждого ребра зависит от кол-ва SKU, предоставляемых брендом для данного автомобиля.
   Для раскраски рёбер – применяется условное форматирование. Чем жарче цвет – тем шире ассортимент бренда для данного автомобиля по сравнению с конкурентами.
   Эта визуализация позволит быстро выявить, какие бренды предлагают наибольший выбор запчастей для определённых автомобилей, и поможет в оптимизации ассортимента и стратегий производства.

Вектор конкуренции

Теперь перейдём к конкретной реализации. Построим граф для ТОП-брендов автозапчастей и сравним их ассортимент. Чтобы продемонстрировать возможности теории графов для анализа многовекторной конкуренции, разместим на одном макете СТМ (STELLOX, LYNX, PATRON), и классические моно-бренды (NGK-NTK, OSRAM, SANGSIN-BRAKE).

Разместим узлы брендов на макете, диаметр каждого узла соответствует ликвидному ассортименту бренда. Произведем кроссировку артикулов и распределим SKU по товарным группам при помощи нейросети MaxGPT.pro.

Каждую пару брендов сравним по ассортименту в разрезе товарных групп. Введём метрику «конкуренция», которая будет показывать, насколько ассортимент второго номера отличается от первого в процентах. Вдоль рёбер отобразим товарную группу с максимальным пересечением кроссов, по которой происходит максимальная конкуренция.

На рёбрах отобразим стрелки, показывающие направление конкуренции по товарной группе с наибольшем пересечением кроссов. Стрелка направлена на бренд с меньшим ассортиментом, т.е., на того, кто под ударом.

Таким образом, бренды, из узлов которых выходит максимальное количество стрелок, обладают наиболее сильным ассортиментом (с точки зрения SKU). Напротив, входящие стрелки свидетельствуют о том, что ассортимент бренда находится под ударом.

Резюме

В статье «Многовекторный анализ конкуренции брендов» эксперт Дмитрий Болховский, рассмотрел применение теории графов (Graph Theory) для выработки конкурентных стратегий на российском рынке автокомпонентов. В условиях растущей многовекторной конкуренции, вызванной расширением ассортиментных линеек и развитием локального производства, традиционные методы анализа становятся неэффективными. Теория графов позволяет визуализировать сложные взаимосвязи между брендами и их ассортиментами, что помогает более точно определить конкурентные преимущества и уязвимости.

Математическая модель рынка aDat ©

Аналитики aDat © разработали атомарную модель* оценки рынка запчастей, применив свёрточные нейронные сети к данным об автопарке РФ и результатам мониторинга маркетплесов.

Сначала была сделана привязка параметризированного автопарка (марка, модель, год, код двигателя, мощность) к каталогу автозапчастей MaxGPT.pro. C учётом статистических норм потребления, это позволило вычислить общий объём рынка в OE-номерах. Далее, при помощи кроссов, исходя из весов поисковой статистики, позиции запчастей были распределены по конкретным брендам.

Независимо, была произведена оценка ликвидности конкретных SKU на основе мониторинга маркетплейсов, поставщиков, и реальной статистики основных каналов продаж.

Итоговая ликвидность каждого конкретного SKU подбиралась таким образом, чтобы суммы потребления, полученные на основе мониторинга, и при помощи параметризированного автопарка, совпали.

Всего для обучения нейросети аналитики aDat © использовали ассортимент ~ 4.7 млн. исходных SKU запчастей.

Затем, была сделана свёртка рынка по брендам и товарным группам. Результаты были откорректированы независимыми экспертами, что привело к возникновению множества таблиц – возможных представлений рынка. Эти таблицы были вновь промультиплицированы путём добавления флуктуаций ликвидности в разрезе каналов продаж и классификаторов.

Таким образом, мы получили входные данные для обучения свёрточной нейронной сети. А валидация результатов производилась на статистике реальных продаж экосистемы aDat ©.

В итоге, нам удалось получить модель с быстрой сходимостью, а функция потерь составила менее 2.5 %, что для данного класса задач является вполне приемлемым результатом.

Уникальные аналитические обзоры, эксклюзивные инсайты и прогнозы в нашем Tg-канале t.me/BolkhovskyInsight Присоединяйтесь к нам, чтобы всегда оставаться на волне ключевых трендов и изменений в отрасли!