Аналитика в FMCG: бизнес как на ладони

Мария Богданова, руководитель департамента FPM&BI компании Navicon

Знакомая ситуация

Каков портрет сегодняшнего потребителя? Человек, приходя в магазин, обладает информацией о товаре на уровне обученного продавца или даже больше. Он менее лоялен к брендам и одновременно более требователен к характеристикам продукта. Он опирается не на консультацию продавца в магазине, а на свое социальное окружение и онлайн-рекомендации. Оффлайн-магазины становятся своеобразной «витриной»: там человек выбирает товар, а покупать его отправляется в онлайн, где действуют совершенно другие правила цифрового маркетинга и e-commerce. Уже сейчас наилучшее ценовое предложение легко определить благодаря специальным интернет-сервисам сравнения цен в онлайн-магазинах. И этот тренд будет усиливаться в связи с общей тенденцией к «уберизации» экономики, в которой сервисы-агрегаторы (наподобие сервиса заказа такси Uber или онлайн-ритейлера AliExpress) выстраивают абсолютно новые цепочки «продавец-клиент». Один удачный пост популярного блоггера в Instagram или видеоблоггера на YouTube может поднять продажи далеко не флагманского продукта до космических высот, а негативный отзыв – убить популярную новинку. И кажется, что контроль над рынком и потребителем полностью утрачен, мы не в состоянии что-либо спрогнозировать, все развивается слишком хаотично и непредсказуемо.

Это – реалии сегодняшнего дня. Поэтому фокус внимания FMCG-компаний смещается в сторону персонифицированных цифровых коммуникаций с потребителями, а основная конкурентная борьба – в сферу управления удовлетворенностью клиентов. В FMCG начался этап новых, математических подходов к моделированию и прогнозированию потребления на основе анализа данных, а также организации более «тонких» и продуманных взаимоотношений с клиентом.

Возможности аналитики

Выявлять факторы, влияющие на спрос и реализацию товаров, прогнозировать основные сценарии развития бизнеса в FMCG помогают технологии BI (бизнес-анализа), Big Data (анализа больших данных) и предиктивной (прогнозной) аналитики.

В условиях постоянно меняющихся трендов на рынке для производителей массовых товаров важно непрерывно вести мониторинг спроса. Это позволит вовремя сократить производство и запасы непопулярных товаров, переключить внимание на востребованные на рынке продукты, найти незанятые и перспективные ниши. Отчетная аналитика пост-фактум, которая главным образом использовалась до сих пор, уже не дает возможности оперативного управления в режиме реального времени. Стандартная отчетность не всегда позволяет формировать адекватные прогнозы и сценарии предстоящих событий, планировать управленческие решения – данные слишком быстро устаревают, поэтому их анализ должен происходить уже «на лету».

Многофакторный анализ помогает производителю широкого спектра товаров оптимизировать продуктовую линейку. К примеру, для того, чтобы скорректировать продуктовую матрицу, необходимо правильно определить «кандидатов на вылет» - не только на основании отчетов о продажах, но и учесть целый ряд показателей: динамику продаж в зависимости от сезона, маржинальность отдельных продуктов, объем издержек, связанных с поставками, логистикой и хранением и т.д. Помимо этого, необходимо учесть и локальные географические особенности – товар может совершенно по-разному продаваться в различных регионах страны. Здесь потребуется анализ разнородности спроса по отдельным товарам и товарным группам, учет покупательской способности населения региона, демографических характеристик и т.д.

Но и это еще не все. Важно проанализировать, к примеру, не упадут ли продажи сопутствующих товаров, спрос на которые зависит от продаж товара-«неудачника».

Фактически FMCG-компаниям приходится ежедневно решать серьезные аналитические задачи, требующие оперативного и всестороннего анализа всего массива имеющихся данных.

Еще одна «головная боль» многих топ-менеджеров в FMCG-отрасли – мониторинг динамики продаж и KPI продавцов-консультантов, которые зачастую не находятся под прямым контролем FMCG-производителя. Продажей товаров чаще всего занимаются конкретные ритейлеры, торговые сети. А производителю требуется понимать, как именно продаются те или иные группы товаров – по различным регионам, в зависимости от географических, климатических, культурных, национальных и иных особенностей. Сбор и последующий анализ данных дает FMCG-производителю массу полезной информации для оценки и планирования работы по конкретным брендам, магазинам, регионам. Например, в России подобный проект по мониторингу KPI бьюти-консультантов был реализован для Clarins Groupe – одного из крупнейших мировых производителей косметики и парфюмерии. В результате перехода на промышленную BI-платформу корпорация получила инструмент управления бизнесом и измерения эффективности работы сотрудников. Система анализирует размер среднего чека в магазине, количество наименований в чеке и ежедневное количество транзакций. Теперь изменения в покупательской способности людей, модных трендах на рынке, проходимости конкретного магазина или способностях отдельного продавца-консультанта перед топ-менеджерами Clarins Groupe как на ладони.

Как работать с аналитикой при минимальных затратах

Еще недавно внедрение системы бизнес-аналитики требовало значительных временных и финансовых затрат от компании, наличия целого аналитического отдела, серьезных инвестиций в инфраструктуру. Сама же аналитическая отчетность была доступна только профессиональным аналитикам, обычные сотрудники, включая топ-менеджеров, не могли без помощи специалистов строить какую-либо аналитику, проверять гипотезы, отслеживать тренды в любом требуемом разрезе.

Сегодня появилось новое поколение ИТ-продуктов в области аналитики, требующее минимальных затрат на внедрение технологической платформы, обучение сотрудников и последующее сопровождение.

Современные решения отличаются простотой интерфейса, гибкостью настроек, продуманной эргономикой и качественной визуализацией отчетов. Системы уже «заточены» под обработку больших массивов данных – очевидно, что их объемы будут только расти с каждым годом. И что, пожалуй, самое важное – такие инструменты теперь доступны широкому кругу пользователей, то есть рядовому сотруднику компании не обязательно прибегать к помощи ИТ-отдела или обученных аналитиков, чтобы настроить отчетность, построить график или сформировать в системе прогнозную модель на основе различных вводных. С аналитикой может работать каждый – от топ-менеджера, для построения прогноза для всего предприятия в целом, до маркетолога или руководителя направления, для анализа текущей ситуации по отдельно взятому продукту. Интерфейс понятен интуитивно, не нужны сложные «визарды», настройки и слои мета-данных. Кроме того, в системе можно работать в любое время и из любого места: анализ данных доступен даже с мобильных девайсов, а благодаря качественной визуализации данных информацию можно воспринимать «на лету».

Благодаря доступности аналитики для всех заинтересованных сотрудников временной промежуток между моментом выявления проблемы и постановкой задач, направленных на ее решение, стремительно сокращается.

Современные аналитические системы развертываются проще и быстрее их более ранних аналогов. К примеру, по данным Tableau Software, лидера магического квадранта Gartner по BI, ранее при внедрении сложных аналитических систем, до 25% стоимости и длительности проекта уходило только на формирование многомерного OLAP-куба, а еще 15% занимала настройка визуализации. Сегодня решение, со всеми необходимыми для работы модулями и настройками, разворачивается в облаке за несколько минут, не требуя специальной ИТ-инфраструктуры.

Вместе с тем, использование удобного ИТ-решения еще не означает успех аналитического проекта. Компании важно правильно сформулировать бизнес-цели, понять, какое новое знание (о продуктах, потребителях или рынке) она хочет получить, определить, где именно концентрируются данные, которые можно проанализировать, и быть готовой оперативно меняться, перестраивать бизнес-процессы на основе получаемых аналитических выводов и прогнозов. Безусловно, внедрение аналитических методов в работу компании невозможны и без грамотного бизнес-аналитика или data scientist внутри организации.

Будущее – за data-ориентированным бизнесом

Основные преимущества новых математических подходов к анализу данных для FMCG-компаний заключаются в возможности создания адресного предложения для клиентов (в части не только формирования релевантной интересам клиента продуктовой линейки, но и определения подходящего момента для предложения), а также выделения ключевых клиентов и анализа эффективных способов их удержания. Конкурентными преимуществами для FMCG-компаний становятся более точное профилирование клиента, включая управление его жизненным циклом, прогнозное моделирование, динамическое ценообразование по нескольким каналам, более оперативное и продуманное управление продуктовыми линейками.

Безусловно, ближайшее будущее для любого бизнеса – это работа на основе анализа получаемой информации. Поэтому будущее – за теми компаниями, которые раньше и лучше других научатся использовать имеющиеся у них данные и аналитические инструменты, будь то прогнозирование спроса на конкретные товары или повышение лояльности и удовлетворенности клиентов.