Розничный сектор имеет огромное количество данных, и он продолжает расти. Эти данные генерируются в каждой транзакции продажи, также с помощью множества датчиков, подключенных устройств, платежных систем, камер и других приложений интернета вещей (IoT). Хотя все сети уже используют разные приложения аналитики, но истинный потенциал данных все еще остается нераскрытым.
Что такое аналитика?
Аналитика – это комплекс методов и технологий извлечения информации и знаний (Insight) из данных.
Данные — это сырые и необработанные факты, которые фиксируются в соответствии с некоторыми согласованными стандартами. Данные могут быть числом, изображением, аудиоклипом, транскрипцией и т. д. На пример любая покупка через кассу содержит данные: что куплено, по какой цене, в каком количестве, когда.
Информация — это данные, которые были обработаны, агрегированы и организованы в более удобный для человека формат. Визуализация данных, отчеты и информационные панели - распространенные способы представления информации. На пример сколько конкретного товара куплено за определённой период, или в скольких чеках конкретный товар присутствовал.
Знания достигается путем анализа данных и информации, чтобы понять контекст конкретной ситуации, сделать выводы, которые приводят к рекомендациям, а в последствие к действиям. На пример, на сколько увеличится продажа товара при увеличении числа фейссов или количестве фейссов выкладка перестает быть эффективной.
Какие существуют виды аналитики?
Общепринято аналитику делить на четыре вида:
Описательная аналитика (Descriptive) – что случилось?
Задача описательной аналитики заключается в описании массивов данных одним числом, таблицей или графиком. Таким образом инструментами описательной аналитики являются агрегирующие функции, таблицы сопряженности, методы визуализации, которые в удобном для пользователя формате показывают, что произошло.
Как правило, торговые сети во всем мире применяют этот анализ в той или иной форме, используя повседневные инструменты Business Intelligence(BI).
Пример
С помощью инструмента описательной аналитики изучив продажи в категории Х, было получено знания – установлено удельные веса в продажах по отдельным СКУ.
Наименование | Среднедневная продажа, шт. | Удельный вес в продажах |
СКУ1 | 1 | 0.4 |
СКУ2 | 4 | 1.6 |
СКУ3 | 2 | 0.8 |
СКУ4 | 3 | 1.2 |
На основание полученных данных менеджер категории принимает первое предварительное решение – вывести СКУ1 из ассортимента.
Диагностическая аналитика (Diagnostic) – почему случилось?
Этот тип аналитики ищет причину и следствие, чтобы показать, почему что-то произошло. Цель состоит в том, чтобы сравнить прошлые события для определения причин. Диагностическая аналитика, используя результаты описательной статистики о процессах, изучает взаимосвязи как между процессами, так и влияние внешних факторов.
Диагностическая аналитика — это уже первый этап продвинутой аналитики. Она, как и описательная аналитика, рассматривает только устранение проблем, которые уже возникли или возникают в настоящее время. Настоящая ценность аналитики – будущее.
Пример (продолжение)
Поскольку товар к удалению имел высокую маржинальность, менеджер категории решил разобраться почему некоторые позиции в категории продаются значительно хуже других и исследовать представленность на полке в данной категории. С помощью инструмента диагностической аналитики менеджер обнаружил высокую корреляцию между продажами и представленностью на полке.
Наименование | Количество фейссов на полке | Удельный вес в продажах |
СКУ1 | 1 | 0.4 |
СКУ2 | 6 | 1.6 |
СКУ3 | 2 | 0.8 |
СКУ4 | 2 | 1.2 |
Получив новые знания, менеджер категории решил прежде, чем удалить СКУ1 из ассортимента спрогнозировать продажи используя данные о выкладке товара на полке (количестве фейссов).
Предсказательная аналитика (Predictive) – что случится?
Предсказательная аналитика говорит о том, что скорее всего может произойти. Этот тип аналитики использует результаты описательной и диагностической аналитики.
Качественный шаг между предсказательной и диагностической аналитикой - большой. Предсказательная аналитика использует боле продвинутые методы, как регрессионный анализ, прогнозирование, многомерная статистика, сопоставление с образцом, прогнозное моделирование и прогнозирование.
Однако надо помнить, что никакая аналитика не сможет точно сказать, что БУДЕТ в будущем. Предсказательная аналитика рассматривает то, что МОЖЕТ произойти, предоставляя соответствующие вероятности правдоподобия с учетом рассматриваемых переменных.
Пример (продолжение)
С помощью инструмента предсказательной аналитики менеджер категории начал прогнозировать продажи в категории пробуя разные варианты выкладки. Он выяснил, что существуют варианты выкладки в категории при которых ожидаемые продажи выше фактических. Один из вариантов представлен ниже.
Наименование | Количество фейссов на полке | Прогноз продаж, шт. |
СКУ1 | 2 | 2 |
СКУ2 | 5 | 4 |
СКУ3 | 2 | 2 |
СКУ4 | 2 | 3 |
На основании полученных новых знаний менеджер категории принял решение найти самый оптимальный вариант выкладки, который максимизирует валовую прибыль категории с учетом текущих коммерческих условий – ретро бонусов и договорённостям по представленности на полке.
Предписывающая аналитика (Prescriptive) – что надо делать?
Помимо прогнозирования результатов будущего, предписывающая аналитика рекомендует наилучшее возможное решение, которое следует предпринять, чтобы устранить будущую проблему или в полной мере использовать позитивный потенциал.
Предписывающая аналитика — это современный – самый продвинутый тип аналитики. Оно использует передовые инструменты и технологии, такие как машинное обучение, симуляция, нейронные сети, бизнес-правила. Оно использует не только исторические внутренние данные, но и внешнюю информацию.
Пример (продолжение)
С помощью инструмента предписывающей аналитики менеджер категории изучил все варианты выкладки и получил оптимальный вариант, который максимизирует валовую прибыль категории.
Наименование | Количество фейссов на полке | Прогноз продаж, шт. |
СКУ1 | 2 | 2 |
СКУ2 | 4 | 4 |
СКУ3 | 2 | 2 |
СКУ4 | 3 | 4 |
На основании полученных знаний менеджер категории решил оставить все СКУ в ассортименте категории Х и перераспределить пространство.
Из представленного примера можно чувствовать разницу между возможностями разных тип аналитики. Изначально менеджер категории, базируясь на знаниях полученных используя классический инструмент Business Intelligence (BI), планировал вывести СКУ1 из ассортимента, но в конце, применив инструмент предписывающей аналитики и получив новые знания, он решает увеличить представленность СКУ1.
Чем боле продвинутый вид аналитики, тем боле глубокие, более ценные знания можно получить из данных. Также чем боле продвинутый вид аналитики, тем меньше требуется участие человека в принятие решения, в плоть до полной автоматизации. Тем самым меньше становится зависимость от компетенции работников в принятие качественных решений.
Описание видов аналитики представлено ниже в схеме.
Продвинутая аналитика vs. Business Intelligence (BI)
Все торговые сети используют какой-то инструмент BI, но еще редкие сети используют инструменты продвинутой аналитики. Чем они похожи и отличаются?
С уверенностью можно сказать, что BI и инструменты продвинутой аналитики — это автоматизированные интеллектуальные методы управления, ориентированные на данные, которые торговые сети любого размера могут использовать для совершенства качества принятия решений.
Однако лучший способ понять различия между этими двумя типами инструментов — это вспомнить о разных вопросах, на которые они отвечают и уровня участия аналитики в принятие решения.
Business Intelligence (BI) обычно используется для объяснения того, что и почему что-то произошло в прошлом. Такие инструменты это – описательная аналитика. Они в основном предназначены для разработки разных отчетов. Помощь таких инструментов в принятие решений ограничена. Практически человек принимает решения – это есть большая проблема, так как работники должны иметь хорошие аналитические навыки. Очень часто они не знают, что делать с “кучей” полученной информации.
Инструменты продвинутой аналитики обычно используется для объяснения того, почему что-то происходит в настоящем, что скорее всего будет в будущем и что надо делать для достижения наилучшего результата. Инструменты продвинутой аналитики используют и структурированные и не структурированные данные, которые надо трансформировать перед анализом, в то время BI инструменты работают только со структурированными данными. Инструменты такой аналитики предоставляют знания и рекомендации для принятия решений или могут принимать решения без участия человека – это уже инструменты искусственного интеллекта.
Почему так важна продвинутая аналитика в ритейле?
В интернете можно найти результаты разных студий, которые были проведены ведущими консалтинговыми компаниями за последние несколько лет. Ниже приведены некоторые из этих результаты:
Эффективно управляя ассортиментом торговые сети могут (McKinsey & Company):
увеличить валовую маржинальность на 0.5 процентных пункта улучшая микс ассортимента через систематический вывод товаров;
повысить продажи на 2–4% заводя в ассортимент новые товары для покрытия нужд покупателей, которые ранее было не покрыты или покрыты достаточно;
улучшены условия закупки товара на 1–3% через боле сильные переговорные рычаги благодаря лучшему пониманию важности поставщика и брендов.
Среднемировой уровень нехватки товара на полке (ООS) в рознице составляет около 8,3% и это есть причина потери около 4% продаж (Thomas W. Gruen, Ph.D., University of Colorado at Colorado Springs, USA And Dr. Daniel Corsten, IE Business School Madrid):
Около 25% событий ООS обусловлены проблемами доступности товара на полке, когда товар был в магазине, 47% событий обусловлены аккуратностью планирования спроса и заказов, 28% событий обусловлены другими факторами.
Уровень совпадения фактических остатков и остатков в учете составляет 35–45% случаев. Присутствие товаров в остатках в учете, которых по факту нет в магазине – основная причина не корректного планирования спроса и заказов.
Сети могут уменьшить потребность персонала в магазинах на 5–15% если планировать графики работы с помощи современных инструментов.
59% промо в мире не окупается (45% в Западной Европе). По 23 категориям промо вообще не надо делать (AC Nielsen).
Эти цифры показывает на ровном месте потеряны несколько миллиардов долларов, множество обиженных покупателей, разбросанно огромное количество времени работников на малоценную техническую работу.
В такой ситуации сети застряли уже больше 10 лет. Поэтому требуются качественно боле совершенные решения.
Продвинутая аналитика, и особенно предписывающая аналитика, может помочь реализовать потенциал данных, предоставляя чрезвычайно точные прогнозы, глубокие знания и практические рекомендации решений.
Как выбрать правильно решение продвинутой аналитики?
Имея так много доступных инструментов аналитики, может быть сложно выделить один из них как наиболее подходящий для бизнеса. Нет одного универсального инструмента на все случаи жизни. Разные инструменты решают разные задачи, и скорее понадобится несколько инструментов – для планирования и оптимизации ассортимента, планирования спроса и заказов, повышения представленности товара на полке, составления графиков работы персонала в магазине, управления промо, управления ценообразованием и т. д.
Сперва надо ответить себе на вопросы:
Насколько глубоко мне нужно погрузиться в данные? Имею ли ответы на свои проблемы?
Насколько далеки текущие знания от знаний, которые требуются?
Какой желательный уровень автоматизации принятия решения?
От этого будет зависеть выбираемые инструменты какого типа аналитики должны быть.
SUMATUS предлагает полный набор инструментов продвинутой аналитики, которые могут эффективно решать любые проблемы с данными в области определения оптимального ассортимента, эффективного использования пространства магазина и полки, планирования спроса, управления запасами, повышения представленности товара на полке. Наши инструменты позволяет сетям использовать ранее неизученные данные для принятия обоснованных решений, оптимизации своих процессов и использования преимуществ самого высокого уровня бизнес-аналитики. Наши продукты анализа данных и машинного обучения объектно-ориентированного программирования могут использоваться как автономные приложения, так и интегрированные в собственные продукты сетей.