Раскрываем мошенничество и увеличиваем оборот: как технологии помогают в ритейле

Кажется, термины Business Intelligence, Data Mining и Big Data сейчас используются во всех сферах бизнеса. Однако это не только дань моде. За этими названиями кроются серьезные технологии, которые при грамотном применении способны принести компании значительную прибыль.

Чтобы процесс внедрения аналитики в бизнес был экономически успешным, нужно четко понимать, на что способны современные технологии.

Успех не по карману?

На маркетинговых конференциях компании часто рассказывают о своих успешных кейсах. Они знают о клиенте все и могут оперативно сформировать для него уникальное предложение.

Но и из этой информации можно извлечь пользу. К примеру, через управление поведением покупателя. Сама по себе эта наука давно освоена и применяется без всякой аналитики. Однако, если говорить о ритейле, здесь решения на основе Business Intelligence помогут быстро выявить шаблоны поведения покупателя.

С подобной ситуацией мы сталкивались при внедрении аналитической системы в одном из гипермаркетов сети «Лента». Еще на этапе обучения сотрудников IT-шники проанализировали данные чеков покупателей. В результате было обнаружено, что клиенты, приобретающие яблоки, в 60% случаев покупают сыр. Причем обратной зависимости не было. После сыра яблоки не покупали. Получив эту информацию, руководство распорядилось выложить яблоки по маршруту покупателя непосредственно рядом с сыром. После чего продажи и того, и другого выросли более чем на 5% при стабильной общей картине.

Возможно, заметить подобную зависимость мог бы и хороший товаровед. Но, поставь он яблоки рядом с сыром, опираясь лишь на свой опыт, есть вероятность, что сломался бы другой шаблон, в котором участвуют эти товары. Так просто не посчитаешь, какой паттерн выгоднее стимулировать. Ведь один гипермаркет за два года работы генерирует объем данных в 2 млрд строк. Подобный массив информации невозможно проанализировать без применения технологий. И это один из вариантов того, как в ритейле использовать аналитическую систему для принятия выгодного решения.

А что еще?

Второй способ эффективного применения BI-технологий в сфере торговли — это контроль за движением товаров и денег в компании.

Каждому собственнику знаком эффект присутствия. Когда хозяин на складе, все работает безупречно. Стоит отлучиться — процессы пошли вразнос. Эту проблему также решает бизнес-аналитика.

Сидя за компьютером, руководитель может выявить мошеннические схемы сотрудников. На своем опыте мы убедились, что это не пустые слова. Разобравшись в интерфейсе нашей аналитической системы, президент одной московской сети супермаркетов совместил данные о закупках и продажах в один отчет. Уже через четыре часа он выявил мошеннические схемы — товароведы сговорились с поставщиками и повторно приходовали одни и те же товары. Убытки превышали миллион долларов. Таким образом, внедрение бизнес-аналитики оправдало себя буквально за несколько часов.

Знал бы, где упал...

Третье направление применения BI в ритейле – это анализ и прогнозирование продаж. Бизнесу интересен не только точный прогноз количества складских остатков на месяц вперед, но и модель будущего на год или на два вперед. Большинство собственников считает, что это наиболее надежный способ сократить издержки. Однако для меня вопрос применения бизнес-аналитики для прогнозирования является спорным, так как инфляция и скачки валютных курсов вызывают непредсказуемые изменения цен и потребительского спроса. Особенно остро ритейл это почувствовал в период начала кризиса в 2015 году.

На мой взгляд, прогнозы возможны только в одном случае — когда у нас консервативные входные данные в консервативной среде. Проще говоря, когда ничего особо не меняется. Более-менее подходящие условия мне встретились лишь один раз.

В «М.Видео» хотели точно предсказывать продажи крупной бытовой техники. Такой товар занимает много места, долго хранить его накладно, в то же время покупатель обычно хочет забрать свой холодильник сразу. То есть на складе он должен быть. Дело осложняется тем, что в этом сегменте товар остается актуальным несколько месяцев, потом ему на смену приходит другая модель. То были относительно спокойные 2005-2007 годы, и по завершении проекта мы достигли 91% точности прогнозирования складских остатков на неделю вперед. Но это был исключительный случай, таковым и оставшийся до сих пор.

Что в итоге

В ритейле на продажи влияет огромное количество факторов – от погоды до геополитики. Выше 60-65% точности прогноза достичь очень трудно. При этом эксперт, живой человек, проработавший в отрасли несколько лет, может справиться с этой же задачей с точностью 70% и выше. Тут бизнесу стоит задуматься, нужен ли ему проект за миллионы рублей, когда он и так платит зарплату биологическим аналитическим системам неплохого качества.

Проблема в неверной постановке задачи: мы пытаемся анализировать данные, которых у нас нет, ведь будущего мы не знаем. Гораздо эффективнее применять аналитические технологии для контроля прошлого, то есть для анализа собранных данных и выявления в них зависимостей и аномалий, как в случае с сыром и яблоками.

В целом ритейл по своему профилю – очень перспективная область применения бизнес-аналитики. Много клиентов, много товарных позиций, активное движение товаров и денег, все это создает огромные потоки данных, анализ которых позволит оптимально настроить бизнес, сократив издержки и повысив продажи.

Но важно учитывать, что аналитические системы бывают разные. Зачастую компании покупают BI-решения, которые предназначены лишь для агрегирования и визуализации информации, но никаких зависимостей не выявляют. Да, они рисуют графики и диаграммы, но при больших массивах данных пользу из этого может извлечь разве что математический гений масштаба Джона Нэша.

Внимательно изучайте возможности предлагаемой системы. Если нужна дрель, не берите молоток.

Материалы по теме:

Как анализ больших данных позволяет повысить продажи

Все еще на Google Analytics? Возможно, пора «вырасти»

Специалисты по big data могут зарабатывать космические суммы

Какие технологии используются в ритейле?

Мир big data в 8 терминах