Date post: | 25-Dec-2014 |
Category: |
Documents |
Upload: | valery-bulevich |
View: | 127 times |
Download: | 0 times |
BUSINESS INTELLIGENCEкак инструмент
повышения эффективности
торговли
Конечная цель применения инструментария Business Intelligence (BI) в торговле – рост прибыльности бизнеса!
ИНСТРУМЕНТЫ ПОВЫШЕНИЯ ПРИБЫЛЬНОСТИ
1111
2222
ИНСТРУМЕНТЫ ПОВЫШЕНИЯ ПРИБЫЛЬНОСТИ
3333
4444
ОСОБЕННОСТИ АНАЛИТИЧЕСКОЙ ОТЧЕТНОСТИ
■ Быстрые ответы на запросы к неограниченному массиву информации (отсюда - возможность отслеживания динамики)
■Пользователь самостоятельно выбирает набор измерений и показателей
■Пользователь самостоятельно определяет состав строк и столбцов, уровни группировки, условия фильтрации, и дополнительные расчетные показатели
■ Возможность сохранения выбранного ракурса отчета с последующим автоматическим обновлением данных
■Иерархическое представление информации с функцией «проваливания» (drill-down) и «сворачивания»
■Мгновенное переключение столбцов и строк с автоматической перегруппировкой и пересчетом итогов
АНАЛИЗ ПРОДАЖ
Типовые группы аналитических отчетов по продажам:
① Товарооборот
② Суммы и структура чеков
③ Эластичность продаж
④ Наценка и прибыль
⑤ Эффективность работы персонала
1 – ТОВАРООБОРОТЦели:■Анализ товарооборота в суммовом и количественном выражении в разрезе точек продаж, товарных позиций и временных интервалов■Анализ динамики товарооборота, средней суммы покупки и количества покупок по дням недели
Примеры отчётов:■Общий товарооборот ■Товарооборот и средняя сумма покупок по дням недели■Рейтинг наиболее востребованных товаров ■Товарооборот по ассортиментным позициям■Товарооборот по точкам продаж■Товарооборот по производителям■…
2 – СУММА И СТРУКТУРА ЧЕКА
Цели:■Анализ продаж в разрезе точек продаж, временных промежутков, клиентов, анализ сумм и ассортимента продаж
Примеры отчетов:■Анализ чеков по суммам покупок, средний чек■Сравнительный анализ покупок клиентов■Продажи по картам с разбивкой по типам карт■Чеки с разбивкой по часам / дням недели / месяцам года■По выбранной точке продаж / географии продаж■Сравнение нескольких точек продаж■Анализ по типам покупателей■Покупки по конкретному клиенту■Сравнительный анализ покупок клиентов■…
3 – ЭЛАСТИЧНОСТЬ ПРОДАЖ
Цели:■Анализ влияния на товарооборот различных факторов:
■ скидки■ акции■ сезонный спрос■ …
Примеры отчётов:■Зависимость продаж от сезонности■Проведение акций, скидок■Изменение продаж в связи изменением выкладки■…
4 – НАЦЕНКА И ПРИБЫЛЬ
Цели:■Анализ прибыли и торговой наценки в различных аналитических разрезах
Примеры отчётов:■Наценка в различных ТП■Наценка по различным ассортиментным позициям■Сравнение прибыли по поставщикам■Сравнение прибыли по производителям■…
5 – ЭФФЕКТИВНОСТЬ ПЕРСОНАЛА
Цели:■Анализ работы кассиров в различных разрезах■Сравнительный анализ работы менеджеров и кассиров в различных точках продаж
Примеры отчётов:■Сравнительное количество чеков по кассирам■Количество отмен, ошибок по кассирам■Количество отработанных часов по кассирам■Эффективность работы менеджеров по точкам продаж■Сравнительные показатели недостач по точкам продаж■Потери от забывчивости покупателей■…
ТРАДИЦИОННАЯ АНАЛИТИЧЕСКАЯ ОТЧЕТНОСТЬ
ИНСТРУМЕНТАРИЙ DATA MINING
Data Mining – мощные инструменты анализа исторических данных, тенденций и скрытых зависимостей
НА КАКИЕ ВОПРОСЫ ОТВЕЧАЕТ DATA MINING?■ Классификация покупателей по точкам продаж и по компании в
целом■ Анализ состава чеков различных групп покупателей, в том числе,
на наличие в них акционных товаров■ Поиск наиболее часто встречающихся позиций в чеках:
с разбивкой по сумме чека (крупные, средние, мелкие, …) с разбивкой по группам покупателей и типам дисконтных карт в заданное время суток, заданный день года
■ Выявление совместно покупаемых товаров■ Поиск товаров, покупаемых в количестве N штук единым чеком■ Сравнение долей товарных аналогов по всей иерархии
ассортимента с учетом ценовых диапазонов■ Определение долей чеков с различным количеством позиций в
общем количестве чеков■ …
1 – КЛАССИФИКАЦИЯ
Классификация – это выделение групп и ранжирование таких объектов как:
Покупатели
Товары
Точки продаж
Чеки и т.п.
ПОЛЕЗНЫЕ КЛАССИФИКАТОРЫНа практике наиболее часто используются такие методы классификации:
ABC, деление по вкладу в общий результат: «A»-80% вклада (лучшие), «B»-15% вклада (средние), «C»-5% вклада (худшие)
XYZ, деление по степени стабильности: «X»-вариация до 10% (стабильный), «Y»-вариация до 25% (предсказуемый), «C»- вариация более 25% (случайный)
FMR (Fastest-Medium-Rare), деление по частоте операций в общем потоке: «F»-80% (часто), «M»-15% (средне), «R»-5% (редко)
RFM (Recency-Frequency-Monetary), ABC-подобное деление по 3 шкалам одновременно (давность, частота, деньги)
а также их комбинации: ABC + XYZ, ABC + FMR, …
1 – КЛАССИФИКАЦИЯ (ПРИМЕР)
• Наиболее результативный ассортимент (класс A = 80% эффекта) составляет всего 8% от общего числа
• Одновременно он же продается наиболее быстрыми темпами (класс F)
• Более 75% - это малорезультативные (класс C) и редко продаваемые (класс R) ассортиментные группы
2 – МОДЕЛИРОВАНИЕ
Моделирование – это определение:
Средних показателей
Трендов и периодических составляющих
Доверительных интервалов
2 – МОДЕЛИРОВАНИЕ (ПРИМЕР)
• В факте 2010-2011 выделен тренд и сезонная составляющая• Заметно, что сегменты сезонной составляющей за 2010 и 2011 годы хорошо совмещаются• Пики: месяцы 3-4, 7-8, 12• Провал: месяц 2
2 – МОДЕЛИРОВАНИЕ (ПРИМЕР)
• График автокорреляции имеет максимум 0,56 в 12–м месяце.
• Следовательно, периодичность = 12 месяцам
3 – ПРОГНОЗИРОВАНИЕ
Прогнозирование – это оценка перспектив, например, в отношении:
Покупателей
Товаров
Запасов
Акций
Прогнозирование – это инструмент поддержки принятия решений в условиях неопределённости
3 – ПРОГНОЗИРОВАНИЕ (ПРИМЕР)
• В факте 2010-2011 выделен тренд, использованный для прогноза на 2012 г.
• Для будущих периодов построены доверительные интервалы с надёжностью 80% по данным (1) 2010 г. и (2) 2010-1011 гг.
4 – ВЫЯВЛЕНИЕ СКРЫТЫХ ЗАКОНОМЕРНОСТЕЙ
Примеры скрытых закономерностей:
Совместно покупаемые товары
Совместно покупающие клиенты
Неслучайно одновременные события
Сфера применения – кросс-продажи
4 – ВЫЯВЛЕНИЕ СКРЫТЫХ ЗАКОНОМЕРНОСТЕЙПроанализируем 2000 чеков, среди которых:
800 чеков с SKU «Сметана»
700 чеков с SKU «Творог»
500 чеков с SKU «Сметана» и SKU «Творог»
Support = 500/2000=0,250доля чеков с такой парой SKU
Confidence (сметана) = 500/800 = 0,625доля чеков с парой среди чеков со сметаной
Lift = (500/2000) / ((800/2000)*(700/2000)) = 1,786во столько раз частота чеков с этой парой больше вероятности случайного
попадания обоих SKU в один и тот же чек
Confidence (творог) = 500/700 = 0,714доля чеков с парой среди чеков с творогом
Выявляем следующее:
0,714 > 0,625отсюда делаем
вывод, что скорее покупка творога влечет покупку сметаны, чем
наоборот
НАШЕ ПРЕДЛОЖЕНИЕ
Реализовать средства интеллектуального анализа торговых операций, в том числе:
Традиционную аналитическую отчетность по показателям продаж, запасов, поставок, ценовой и закупочной политики
Средства классификации элементов и участников операций
Средства моделирования динамики продаж
Средства прогнозирования перспективных результатов
Средства поиска скрытых закономерностей
Средства визуализации результатов анализа в виде графических и табличных отчетов и индикаторных панелей
НАШИ КОМПЕТЕНЦИИ В BUSINESS INTELLIGENCE (BI)
Профессиональная автоматизация бизнес-процессов:
Интеллектуального анализа данных
Планирования и управления стратегией предприятия
Консолидации и визуализации показателей эффективности
Выгрузки-трансформации-загрузки (ETL), хранения и представления корпоративной аналитики
SD
СПАСИБО ЗА ВНИМАНИЕ!
620026, г. Екатеринбургул. Белинского, 54, 3-й этажтел./факс: +7 (343) 287 09 51 www.itands.ru
Валерий БулевичДиректор по развитию бизнесаООО «Информационные технологии и сервисы»[email protected]