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»v.bulevich@itands.ru