15:58, 19 июля 2023, 15:58
Количество просмотров 1472

Интеллектуальные стенды: венец эволюции аналитики данных

Об эволюции аналитических инструментов для розницы и FMCG рассказывает Антон Меркулов, руководитель направления Аналитика данных для продуктовых компаний Axenix (экс-Accenture).
Интеллектуальные стенды: венец эволюции аналитики данных

Об эволюции аналитических инструментов для розницы и FMCG рассказывает Антон Меркулов, руководитель направления Аналитика данных для продуктовых компаний Axenix (экс-Accenture).

Что отличает компании с капитализацией в триллион долларов, например Amazon? Они раскрывают потенциал аналитики больших данных с помощью передовых технологий для развития бизнеса.

Розничные компании одними из первых начали накапливать огромные массивы данных о бизнесе, клиентах, рынке. Так, уже в 2020 году X5 Retail Group ежедневно собирала около 7 млн значений данных только через программы лояльности. FMCG-бизнес чуть позже, но тоже пришел к пониманию ценности такой информации.

Однако долгое время терабайты впустую «пылились» в хранилищах. Их загоняли в Excel, получали таблицы с цифрами и не понимали, что делать дальше. Для эффективной работы с данными их нужно обработать.

Бизнес в сфере ритейла и FMCG очень сложен, на него оказывают влияние сотни факторов: спрос, цена, запасы, ассортимент, конкуренты, поведение потребителей и т.д. К примеру, уменьшение цены на один из продуктов может привести к росту его продаж и лояльности покупателей, но негативно отразится на доходах.

Учесть каждый из факторов при ручных расчетах и построить сложные математические модели в Excel – невозможно. Здесь приходят на выручку инструменты аналитики.

Вот этапы эволюции, которые они прошли за время развития.

Фаза 1. Описательная аналитика

Чтобы использовать данные для принятия взвешенных решений в области ценообразования, управления запасами или продаж, требовалось находить закономерности и выводить их в инсайты. Компании применяют описательную или ретроспективную аналитику, отвечающую на вопрос «что произошло».

Такие решения собирают необработанные данные из разных источников – POS-терминалов, CRM, систем инвентаризации, ERP и других – для выявления той или иной проблемы или тенденции. Они очищают данные и упорядочивают их таким образом, чтобы их было легко воспринимать.

Даже достаточно простой ретроспективный анализ – выявление категорий продуктов с наибольшей выручкой за месяц с помощью чековой аналитики или поиск корреляции между маркетинговой кампанией и доходами бизнеса – помогает руководителям принимать экономически выгодные решения.

Например, с его помощью можно корректировать цены, запускать новые производственные линии или увеличивать инвестиции в один из маркетинговых каналов.

Ранее, когда рынок был относительно стабилен, а годовой ритм торговли — неизменным, такой подход к аналитике был полностью оправдан. Но сейчас его недостаточно.

Фаза 2. Демократизация аналитики

Скорость изменений в бизнесе начала расти, ритейлу и FMCG-компаниям пришлось искать способы быстрее реагировать. Часть проблем удалось решить в результате децентрализации и демократизации аналитики.

Во-первых, на рынке появились инструменты самообслуживания, которые позволяют руководителям и менеджерам компаний создавать собственные информационные панели даже без продвинутых технических навыков. Чтобы получить срез данных, например о росте продаж продукта, им не нужно обращаться в ИТ-поддержку. Это существенно сокращает сроки подготовки аналитических отчетов.

Во-вторых, начали стремительно развиваться инструменты визуализации. Благодаря информационным панелям, где данные отображаются в максимально наглядной форме, любой сотрудник может выполнять задачи аналитика и принимать решения на основании полученных инсайтов.

Но даже так на сбор, анализ и визуализацию данных требовалось время. А в текущей ситуации задержка даже в несколько дней может грозить бизнесу крупными финансовыми потерями.

Более того, ретроспективный анализ не дает самого главного – возможности быть впереди рынка. Например, прогнозировать изменение спроса и более точно планировать запасы товаров на складах или полках магазинов. Так начала развиваться интеллектуальная аналитика.

Фаза 3. Продвинутая аналитика

Интеллектуальная аналитика делится на несколько категорий.

1. Прогнозная аналитика

Если описательная аналитика говорит, «что» происходит в бизнесе, то прогнозная или предиктивная о том, «что будет дальше». Она задействует сложные алгоритмы и статистические методы, нередко — инструменты машинного обучения для прогноза тенденций.

Обычно прогнозы — дело неблагодарное. Если сегодня в магазине продано 100 пакетов молока, не факт, что завтра, через неделю или через год показатель останется на том же уровне. На объемы продаж влияет слишком много переменных, от маркетинговой активности производителя до модных трендов и погоды за окном.

А баланс крайне важен: недостаток товара приведет к падению лояльности покупателей, переизбыток – к их простаиванию и финансовым потерям. Предиктивная аналитика помогает собрать все переменные воедино и сделать более точный прогноз.

С помощью сложных математических моделей можно рассчитать почти все, что угодно: динамику спроса, оптимальное количество персонала в торговой точке для лучшей конверсии, наиболее выгодное местоположение нового магазина, потенциальный результат промо или готовность покупателя вернуться за товаром.

К примеру, в сети магазинов «Пятерочка» с помощью инструментов прогнозирования на базе машинного обучения выявляют снижение продаж в магазинах, анализируют причины и устраняют их. Потери из-за снижения доступности продуктов, по оценкам компании, могли бы составлять до 20% от оборота по отдельным товарным позициям.

2. Предписывающая аналитика

Данные могут предоставить информацию не только о том, что произойдет в компании, но и о том, как это могло бы произойти, если бы были предприняты определенные шаги. Предписывающая аналитика может подсказать: как доставлять товары, где их хранить и как продавать.

Например, крупному ритейлеру мы помогли создать гибкую систему управления цепочками поставок. Команда проанализировала исторические данные и с помощью кластерного анализа данных выделила 4 категории товаров: высокого спроса, с высокой маржой, с низкой ценой и с низкой точностью прогноза.

Для каждого мы разработали собственную стратегию поставок. Так, высокомаржинальные товары лучше доставлять самолетом для скорости. А продукцию высокого спроса — морем, так дешевле. В итоге ритейлер начал экономить на логистике и обеспечил бесперебойную доступность товаров.

 

3. Аналитика с использование инструментов компьютерного зрения

Отдельно стоит выделить направление компьютерного зрения — оно быстро набирает популярность в ритейле и FMCG. С помощью компьютерного зрения уже сейчас анализируют поведение покупателей, делают им целевые предложения или управляют ассортиментом: например, выявляют, на каких полках люди чаще останавливают взгляд или контролируют правильность выкладки.

Так, в сети «Магнит» развернули видеосистему с нейросетью, которая проверяет корректность расположения товаров, наличие товаров и остатки на складах. По итогам тестирования в нескольких магазинах продажи выросли на 0,6%.

Интеллектуальные стенды

Удивительный факт – большинство ритейлеров до сих пор не перешло на стадию продвинутой аналитики, что говорить о более консервативных FMCG-компаниях. Они собирают огромные массивы информации, делают ретроспективный анализ и… всё.

Потенциал работы с данными не реализуется. В основном это связано с распространенным убеждением, что интеллектуальные технологии – удел монстров типа Amazon и Walmart. Хотя это давно не так.

Поэтому на рынке начали появляться продукты, которые позволяют «пощупать» интеллектуальные технологии и убедиться в их эффективности — мы называем их «Аналитическими стендами».

В свое время одна из крупных зарубежных DIY-сетей сделала коллаборацию с Pinterest. Когда человек начинал просматривать доски с фасадами, полками, планами зданий, но еще не сделал выбор — его квалифицировали как потенциальный лид и помогали определиться с выбором.

С аналитическими стендами похожая идея. Это библиотека кейсов с фильтрацией по конкретным темам. Потенциальный клиент может полистать примеры, покликать интерактивные дашборды и создать информационную панель на основе обезличенных данных. То есть посмотреть, с чем предстоит работать. В результате он приобретает продукт, который протестировал собственными руками.

Традиционные для знакомства с новыми аналитическими решениями форматы типа презентаций или вебинаров не дают возможности сделать полноценный «тест-драйв», примерив возможности аналитики на свои данные, специфику процессов и бизнес-задачи.

Благодаря таким инструментам интерес к продвинутой аналитике постепенно растет, что вскоре может вылиться в небольшую технологическую революцию в отрасли. По данным экспертов, 35% компаний согласны, что интеллектуальные инструменты анализа — один из основных приоритетов для них в области цифровизации.

Думаю, уже в ближайшее время мы увидим, как системы на базе искусственного интеллекта будут в значительной мере контролировать закупки и ассортиментную матрицу в торговых сетях и производство в FMCG-бизнесе, а интерес к ним будет подкрепляться в том числе более широким распространением аналитических стендов.
Рубрика:
{}Технологии

ТАКЖЕ ПО ТЕМЕ