Pages Navigation Menu

ISSN 2227-6017 (ONLINE), ISSN 2303-9868 (PRINT), DOI: 10.18454/IRJ.2227-6017
ПИ № ФС 77 - 51217, 16+

Скачать PDF ( ) Страницы: 57-59 Выпуск: №5 (24) Часть 1 () Искать в Google Scholar
Цитировать

Цитировать

Электронная ссылка | Печатная ссылка

Скопируйте отформатированную библиографическую ссылку через буфер обмена или перейдите по одной из ссылок для импорта в Менеджер библиографий.
Витзон А. М. ПРИМЕНЕНИЕ ИНФОРМАЦИОННОЙ СИСТЕМЫ БИЗНЕС-АНАЛИЗА ДЛЯ ПРИНЯТИЯ ЭФФЕКТИВНЫХ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ В РИТЕЙЛЕ / А. М. Витзон // Международный научно-исследовательский журнал. — 2020. — №5 (24) Часть 1. — С. 57—59. — URL: https://research-journal.org/technical/primenenie-informacionnoj-sistemy-biznes-analiza-dlya-prinyatiya-effektivnyx-upravlencheskix-reshenij-v-ritejle/ (дата обращения: 03.06.2020. ).
Витзон А. М. ПРИМЕНЕНИЕ ИНФОРМАЦИОННОЙ СИСТЕМЫ БИЗНЕС-АНАЛИЗА ДЛЯ ПРИНЯТИЯ ЭФФЕКТИВНЫХ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ В РИТЕЙЛЕ / А. М. Витзон // Международный научно-исследовательский журнал. — 2020. — №5 (24) Часть 1. — С. 57—59.

Импортировать


ПРИМЕНЕНИЕ ИНФОРМАЦИОННОЙ СИСТЕМЫ БИЗНЕС-АНАЛИЗА ДЛЯ ПРИНЯТИЯ ЭФФЕКТИВНЫХ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ В РИТЕЙЛЕ

Витзон А.М.

Магистрант, Финансовый университет при Правительстве Российской Федерации

ПРИМЕНЕНИЕ ИНФОРМАЦИОННОЙ СИСТЕМЫ БИЗНЕС-АНАЛИЗА ДЛЯ ПРИНЯТИЯ ЭФФЕКТИВНЫХ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ В РИТЕЙЛЕ

Аннотация

В статье рассмотрены – основные проблемы в области анализа данных, с которыми сталкиваются компании розничной торговли, примеры эффективного решения аналитических проблем с помощью внедрения системы бизнес-анализа.

Ключевые слова: бизнес-анализ, бизнес-процесс, ритейл.

Vitzon A.M.

Master, Financial University under the Government of the Russian Federation

APPLICATION INFORMATION SYSTEM OF BUSINESS INTELLIGENCE FOR ADOPTION EFFECTIVE MANAGEMENT DECISIONS IN RETAIL

Abstract

The article describes the main problems in data analysis, faced retailers, examples of effective solutions analytical problems by implementing a business intelligence system.

Keywords: business intelligence, business process, retail.

Ритейл или розничная торговля это одна из самых динамичных и конкурентных областей российского бизнеса. Чтобы быть успешными, игроки данного рынка вынуждены постоянно искать способы повысить эффективность своей деятельности, максимизировать прибыль, повысить спрос и привлечь новых покупателей. Решающую роль в принятии эффективных управленческих решений играет наличие достоверной и актуальной информации, на основе которой можно анализировать как собственный бизнес, так и ситуацию на рынке [1]. В средних и крупных торговых сетях, наряду с банковским и телекоммуникационным сектором, имеются большие объемы данных, зачастую неструктурированные и хранящиеся в различных информационных системах, слабо связанных между собой. Чем больше торговая сеть, тем сложнее собрать, структурировать и проанализировать всю необходимую информацию. Большинство компаний просто не представляют, какую выгоду можно извлекать из этого вороха. А как показывает опыт, качество управления данной информацией напрямую влияет на позиции торговой сети на рынке, ценность ее бренда и повышение спроса. Именно поэтому во время жесткого соперничества за лояльность клиентов для ритейловых компаний очень важно иметь достоверную, актуальную и консолидированную информацию, которая позволит принимать наиболее эффективные управленческие решения.

На помощь в данной ситуации приходят платформы Business Intelligence. BI -это системы, направленные на достижение целей бизнеса путем наилучшего использования имеющихся данных [2]. Все больше ритейловых компаний обращают свой взор на эти системы, потому что принимать эффективные управленческие решения без них становится все труднее, а для крупных ритейлеров наличие мощной BI-платформы уже стало жизненно необходимым условием. Решения по бизнес-аналитике для ритейла позволяют не только получать качественную отчетность, но и вести всесторонний анализ продаж, предупреждая риски и строя более точные прогнозы, оптимизировать запасы, разрабатывать эффективные программы лояльности и стимулирования спроса.

От теории к практике. Что анализируется?

Ежедневные данные о продажах становятся источником анализа основных показателей эффективности работы торговой сети. С их помощью формируется представление о покупательских предпочтениях, эффективности проведенных маркетинговых акций, отслеживается реакция покупателей на проведенные изменения в ассортименте и прогнозируется спрос [3].

Базовые показатели, которые ритейловые компании начинают анализировать в первую очередь, это:

Оборот;

Выручка;

Количество чеков;

Значение среднего чека.

Эти показатели анализируются в разных разрезах, в том числе как по отдельной торговой точке, так и по всей сети в целом. Выполняя анализ чеков, торговая сеть может контролировать динамику прибыли, т.е. в каких торговых точках наблюдается увеличение выручки, а в каких падение, динамику изменения количества покупателей, а также соотношение объемов выручки и количества покупателей. К примеру, если в конкретном магазине сумма среднего чека не велика или низкий уровень продуктовой корзины, то в нем целесообразно проводить маркетинговые акции для повышения продаж и лояльности клиентов.

С помощью BI-приложения можно анализировать, какую продукцию предпочитают покупатели: выбирают они более дорогие или дешевые товары, можно ли компенсировать падение объема продаж более дорогих товаров большим количеством дешевых в чеке.

Совокупный анализ динамики количества покупателей, среднего чека, количества товаров в чеке и объема продаж – может показать, в какую сторону необходимо развивать конкретный магазин и торговую сеть в целом, нужны ли изменения в ассортименте или достаточно использовать рекламные паллеты и маркетинговые акции [4]. С помощью полученной информации ритейловая компания может оперативно отслеживать реакцию магазина на проводимые изменения, что показывает целесообразность и направление его дальнейшего развития. В зависимости от изменений этих показателей становится понятно, нужно ли развивать магазин, менять его концепцию или же стоит задуматься о более радикальных мерах [5].

Помимо базовых широко используемых показателей возможность и варианты анализа данных для ритейловых компаний безграничны. Существуют, как стандартно используемые показатели, так и что-то особенное для конкретной компании. Приведем пример одного из таких внедрений:

Немного о компании

Компанией-ретейлером, столкнувшимся с проблемой анализа данных являлась ведущая продовольственная компания в России. Она ведет свою деятельность во многих регионах страны и включает в себя несколько торговых сетей.

Раньше в компании уже была разработана и внедрена аналитическая модель, в которой анализировались основные показатели продаж. Однако для полного анализа компании и каждого магазина в отдельности данной информации было недостаточно. Поэтому мы разработали для Заказчика несколько специфических моделей.

Группировка подозрительных чеков.

Данный анализ позволил выделить кластеры (группы) подозрительных чеков, выбиваемых в каждом магазине. Возникает вопрос, для чего это было нужно? Работники торговой сети компании получают премию за количество обработанных чеков, поэтому зачастую встречаются ситуации, когда в дни распродажи клиент покупает в магазине, к примеру, 20 пачек гречки, а кассир пробивает по 5 пачек в отдельные чеки. Таким образом, фиктивно увеличивая количество пробитых чеков, кассир повышает свои показатели. Модель позволила отслеживать такие ситуации, т.е. если встречались чеки, пробитые на одной кассе, с одним товаром, идущие подряд, то это был повод причислить их к группе подозрительных чеков, выделив в отдельный кластер.

Группировка товаров в чеках по интервалам

Для бизнес-пользователей компании было важно анализировать наличие мелкого опта в магазинах своих сетей, т.е. выявлять, какие товары наиболее часто покупаются не в единичном экземпляре. Этот анализ, производимый с помощью аналитической модели, позволяет проводить более эффективные маркетинговые компаний для повышения спроса и сумм продаж. Анализ проводился следующим образом: пользователь выбирает интересующий его товар и интервал количества единиц данного товара в чеке, например, от 5 штук. По этим параметрам система анализирует чеки и выдает информацию по тем, в которых обнаружен интересуемый товар в количестве более 5 штук. В результате пользователь получает отчет о том насколько хорошо покупают выбранный товар. Такая модель позволила оперативно отслеживать реакцию покупателей на акции, проводимые в магазине. Например, если в магазине проходит акция «Купи 3 пачки печенья и получи 4-ую в подарок», то, строя такой отчет, пользователь может увидеть на сколько эффективна акция, т.е. сколько встречается чеков за время ее проведения, в которых присутствуют 4 пачки печенья. Если пользователь видит, что такая акция не популярна. Он может оперативно принять решение об изменении ее условий, тем самым увеличивая эффективность. Данный отчет также позволяет компании оптимизировать объемы продаж, за счет предложения покупателям маркетинговых акций на те товары, которые они наиболее часто покупают в большом количестве, тем самым повышая объемы продаж и поддерживая спрос на эти товары.

Кросс-проникновение

Под кросс-проникновением в компании Заказчика понимается анализ рыночной корзины, т.е. поиск наиболее типичных шаблонов покупок в торговых точках компании. Разработанная модель производит анализ чеков торговых сетей компании, с целью определения комбинаций товаров, которые продаются совместно. Данный анализ позволяет компании выявлять товары, наличие которых в чеке влияет на вероятность появления других товаров или их комбинаций. Пользователю модели необходимо просто выбрать интересующий товар и сопутствующий ему, и система выполнит расчет количества совершенных покупок, т.е. чеков. Этот анализ для любой ритейловой компании очень важен и эффективен. Он позволяет оптимизировать расстановку ассортимента товаров в торговых залах магазина, а также увеличивать объемы продаж за счет маркетинговых акций и предложений покупателям сопутствующих товаров. Например, если в результате такого анализа будет установлено, что совместная покупка молока и печенья является часто встречающимся шаблоном, то при размещении этих товаров на одной витрине или неподалеку друг от друга можно специально «спровоцировать» покупателя на их совместное приобретение, тем самым увеличивая количество проданных товаров в магазине.

Ценовое позиционирование

Ценовое позиционирование – один из методов ведения эффективной ценовой политики для ритейловой компании. Важной задачей для рассматриваемой компании было понимание, как каждая из его торговых сетей ведет себя на рынке по отношению к друг к другу. Сложность в данном анализе заключалась в том, что механизм ценообразования для каждой из торговых сетей компании ведется по-своему, потому что каждая сеть рассчитана на привлечение определенной целевой аудитории.

Одна из сетей, например, является «дисконт» магазинами и цены в них должны быть меньше, чем в магазинах других торговых сетей компании. Ценообразование в данных магазинах происходит фиксированно, однако необходимо следить за тем, чтобы цены на товары не превысили показатели других торговых сетей компании.

Главной задачей для компании является контроль того, чтобы первая торговая сеть оставалась в ценовом диапазоне «дискаунтера», а цены второй торговой сети были более выигрышными, за счет верно просчитанного ценового индекса.

Анализ такого большого количества данных – это длительный и дорогой процесс, который может препятствовать своевременному принятию решений об изменении цен в торговых сетях, а в следствии помешать развитию и конкурентоспособности торговой компании.

Как проводился анализ цен до?

Главной сложностью, с который сталкивалась компания заключалась в том, что каждая торговая сеть компании имеет собственных специалистов, занимающихся мониторингом цен торговых сетей компании. Периодически представитель отдела ценообразования торговой сети вручную производит анализ продаж и выбирает наиболее оборачиваемые товары массового потребления, которые в сумме дают 25% от оборота всего ассортимента. Цены на эти товары он и проверяет относительно магазинов других сетей.

Ранее автоматическое формирование отчетности в компании не было предусмотрено, поэтому руководству приходилось каждую неделю с помощью написанного вручную запроса выгружать необходимые данные из внедренной в компании ERP-системы. Данные находились в нескольких таблицах в формате Excel и представляли собой набор несвязанной и сложной для анализа информации. Работа по приведению данных к пригодному виду занимала у представителя торговой сети около недели. Руководитель отдела ценообразования должен был через сложные ссылки на таблицы сгруппировать данные и рассчитать вручную ценовой индекс.

В результате чего появлялось три варианта оценки для каждой торговой сети в отдельности. В то время, как для высшего руководства компании необходимо анализировать данные как по отдельной торговой сети, так и по всей компании в целом. Для того, чтобы избежать возможности возникновения ошибочных данных и их фальсификации высшему руководству компании было необходимо параллельно с представителями торговых сетей сводить воедино данные по торговым сетям для представления на совете директоров.

Из-за сложности анализа данных процесс формирования жизненно важных отчетов для компании занимал огромное количество времени, а сами данные в отчете могли быть уже не актуальны. Отсюда и возникла жесткая необходимость в аналитической модели, которая бы позволила упростить жизнь сотрудникам компании, включая руководство отдела ценообразования, которые при приближении дня формирования отчета впадали в панику.

Решение проблемы. Возможности аналитической модели

Разработанная модель позволила автоматически формировать отчетность для ценового позиционирования всего за несколько секунд. Теперь для получения результата нужно просто выбрать интересующие параметры, такие как торговая сеть, дата анализа, товар.

За счет интеграции с внедренной в компании ERP-системой модель позволяет автоматически выгружать нужную информацию. Ранее информация выгружалась раз в неделю и ценовой индекс рассчитывался только на один день. Модель же позволяет формировать отчет, делая выгрузку каждый день, что значительно повышает актуальность данных, а также обеспечивает возможность следить за ежедневной динамикой влияния проведенного мониторинга на цены товаров.

Модель позволила разделить магазины каждой торговой сети на три канала сбыта:

Low cost;

Standart;

Luxury.

Ранее такой сегментации не проводилось из-за сложности анализа данных. С получением возможности разделить каждую торговую сеть на каналы сбыта в пределах определенного региона, компания смогла формировать ценовой индекс более эффективно, ведь цена в торговых сетях рассчитывается относительно местоположения магазина и его целевой аудитории. К примеру, в магазинах одной и той же торговой сети, но расположенных в центре города и на его окраине цены могут отличаться, т.е. магазины относятся к разным каналам сбыта. Такой гибкий ценовой индекс помогает в разы повысить лояльность покупателей, а значит и прибыльность.

Кроме преднастроенных отчетов был реализован конструктор, который позволяет анализировать информацию в различных интересных для бизнеса разрезах.  Формирование отчетов по различным параметрам позволяет компании более точно прогнозировать спрос на товары, сократить издержки, оперативно реагировать на действия конкурентов, повысить качество обслуживания и увеличить лояльность покупателей.

Подведем итоги

Таким образом можно смело сказать, что качественно разработанная BI-модель позволяет решать практически неограниченное количество проблем и потребностей, с которыми сталкивается большинство ритейловых компаний. Модель является инструментом, который в короткие сроки может доказывает свою необходимость, повышая эффективность управленческих решений и управления бизнесом.

Литература

  1. Харитонова А.В. BI: как отделить зерна от плевел. Jet Info, 2013.
  2. Business Intelligence Market by Types, Function, Deployment, Features, Verticals, Organization Size & Regions: Worldwide Trends, Market Forecasts and Analysis (2013 – 2018), 2013. 329 с.
  3. Александр Гуревич. BI в ритейле: ожидаемый эффект [Электронный ресурс] URL: http://www.topsbi.ru/default.asp?artID=2126. (дата обращения 18.04.2014).
  4. BIG DATA в ритейле: новая ценность [Электронный ресурс] URL: http://ibusiness.ru/blog/cio_i_it_v_rossii/19185. (дата обращения 13.04.2014).
  5. Антон Жлудов. BI-системы в ритейле окупаются за 3 месяца – реальность или маркетинговая уловка? Пресс-служба Digia, 2011.

Оставить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Лимит времени истёк. Пожалуйста, перезагрузите CAPTCHA.