2. Конечная цель применения инструментария Business Intelligence (BI)
в розничной торговле – рост прибыльности бизнеса!
02
3. Анализ продаж указывает
направления:
• Более полного удовлетворения
текущего спроса
• Формирования нового спроса
• Повышения результативности
маркетинга
Анализ запасов определяет
возможности для:
• Сокращения уровня запасов
• Повышения оборачиваемости
запасов
• Совершенствования поставок и
выкладки товара
Рост прибыли за счет:
• Увеличения объема
продаж
• Увеличения средней
стоимости чека
• Сокращения издержек на
логистику
ИНСТРУМЕНТЫ ПОВЫШЕНИЯ ПРИБЫЛЬНОСТИ
1
2
03
4. Анализ цен и торговой
наценки открывает пути для:
• Исследования эластичности спроса
• Активной ценовой конкуренции
• Планирования маркетинговых
акций
Анализ закупочной политики
способствует:
• Оптимизации закупочных цен
• Формализации процедур отбора
поставщиков
• Поддержанию необходимого
складского запаса
Рост прибыли за счет:
• Повышения
маржинальности бизнеса
• Гибкого ценообразования
• Оптимизации стратегии
закупок
ИНСТРУМЕНТЫ ПОВЫШЕНИЯ ПРИБЫЛЬНОСТИ
3
4
04
5. ТРАДИЦИОННАЯ АНАЛИТИЧЕСКАЯ ОТЧЕТНОСТЬ
Традиционные средства бизнес-анализа в торговле – это
отчеты о фактах в абсолютных и относительных величинах
Типовая аналитика
Направления
бизнеса
Покупатели
Ассортиментные
группы и позиции
Точки (география)
продаж
Акции и
мероприятия
Временные
интервалы
Поставщики и
производители
Типовые показатели
Количество
Стоимость
Наценка, скидка
Выручка
Прибыль
Оборачиваемость
Рентабельность
Число позиций
документа (чека)
Процентная доля
Позиция в рейтинге
05
6. ИЗМЕРЕНИЯ И ПОКАЗАТЕЛИ В ХРАНИЛИЩЕ ДАННЫХ
Товар 3
Товар 2
Товар 1
Клиент 1
Клиент 2
Клиент 3
Месяц 3
Месяц 2
Месяц 1
Товары
Клиенты Время
Объем продаж
Товара 2
Клиенту 3
в Месяце 2
06
7. ПОСТРОЕНИЕ ОТЧЕТА НА БАЗЕ ХРАНИЛИЩА ДАННЫХ
Товар 1 Товар 2 Товар 3
Месяц 1 30 800 2 450 10 450
Месяц 2 6 400 8 970 7 880
Месяц 3 18 300 3 530 7690
ТоварыВремя
Объем продаж
Клиент 3 Фильтр по клиентам
07
8. ПРИМЕР МНОГОМЕРНОЙ МОДЕЛИ ДЛЯ РИТЕЙЛА
Клиент
Ассортимент
Точка продаж
ABC-класс
Пространство
измерений
(аналитики)
Показатели
Покупки
Выручка
Маржа
Динамика
Регион
Потребительская группа
Тип дисконтной карты
Индекс стабильности
Возрастная группа
Рейтинг
08
9. ПРИМЕРЫ АНАЛИТИЧЕСКИХ ОТЧЕТОВ
Аналитика:
■Клиент
■Подразделение
■Категория клиента
■Индекс по частоте потребления
■Индекс проникновения
Показатели:
■Отгрузка
■Маржа
■Наценка
■Динамика (тренд) по отгрузке,
марже и наценкеАналитика:
■Ассортиментные группы
Показатели:
■Средний уровень запасов
■Средняя цена продажи
■Доля в марже и в выручке
■Рентабельность текущих
активов (ROCA)
09
10. 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
010
11. 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
011
12. 1 – ТОВАРООБОРОТ
Цели:
■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
■…
012
13. 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
■…
013
14. 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
■…
014
15. 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
■…
015
16. 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
■…
016
19. 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
■ …
019
20. BI: ФАКТОРЫ Out-of-Stock
Ошибки в прогнозировании спроса 34%
Товар есть в магазине но не выложен на полки 25%
Несовершенство процедур заказов товаров 13%
Ошибки в работе распределительного центра 10%
Несовершенство планирования в головном офисе 14%
Другие причины 4%
Ошибки в
прогнозировании спроса
Несовершенство
процедур заказов
XYZ-классификация,
моделирование спроса,
доверительные интервалы
Оценка порога заказа,
страхового запаса , оценка
доверительных интервалов
020
21. BI: ПРИМЕР РЕШЕНИЯ
Верхняя граница
определяет оценку
страхового запаса
Оценка порога
заказа
Оценка доверительного
интервала при
прогнозировании
спроса
Прогноз динамики
спроса и оценка
времени доставки
021
22. 1 – КЛАССИФИКАЦИЯ
Классификация – это выделение групп и
ранжирование таких объектов как:
Покупатели
Товары
Точки продаж
Чеки и т.п.
022
23. ПОЛЕЗНЫЕ КЛАССИФИКАТОРЫ
На 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, …
023
24. 1 – КЛАССИФИКАЦИЯ (ПРИМЕР)
F A
7.05% M A
0.73%
M B
13.68%
M C
0.21%
R B
2.28%
R C
76.06%
Классификация ассортимента ABC+FMR
ABC-классификация FMR-классификация Количество АГ
A F 68
A M 7
B M 132
C M 2
B R 22
C R 734
• 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
024
25. 2 – МОДЕЛИРОВАНИЕ
Моделирование – это определение:
Средних показателей
Трендов и периодических составляющих
Доверительных интервалов
025
26. 2 – МОДЕЛИРОВАНИЕ (ПРИМЕР)
y = 130.2x + 2211.6
R² = 0.6527
-3,000
-2,000
-1,000
0
1,000
2,000
3,000
4,000
5,000
6,000
7,000
8,000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Факт 2010/01-
2012/05
Сезонная
составляющая
Факт 2011
Linear (Факт
2010/01-2012/05)
• 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
026
28. 3 – ПРОГНОЗИРОВАНИЕ
Прогнозирование – это оценка перспектив,
например, в отношении:
Покупателей
Товаров
Запасов
Акций
Прогнозирование – это инструмент поддержки
принятия решений в условиях неопределённости
028
29. 3 – ПРОГНОЗИРОВАНИЕ (ПРИМЕР)
0
2000
4000
6000
8000
10000
12000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Низ1
Верх1
Низ2
Верх2
Факт
Прогноз
• 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.
029
30. 4 – ВЫЯВЛЕНИЕ СКРЫТЫХ ЗАКОНОМЕРНОСТЕЙ
Примеры скрытых закономерностей:
Совместно покупаемые товары
Совместно покупающие клиенты
Неслучайно одновременные события
Сфера применения – кросс-продажи
030
31. 4 – ВЫЯВЛЕНИЕ СКРЫТЫХ ЗАКОНОМЕРНОСТЕЙ
Проанализируем 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=0,250
доля чеков с такой парой SKU
Confidence (сметана) = 500/800 = 0,625
доля чеков с парой среди чеков со сметаной
Lift = (500/2000) / ((800/2000)*(700/2000)) = 1,786
во столько раз частота чеков с этой парой больше вероятности случайного
попадания обоих SKU в один и тот же чек
Confidence (творог) = 500/700 = 0,714
доля чеков с парой среди чеков с творогом
Выявляем следующее:
0,714 > 0,625
отсюда делаем
вывод, что скорее
покупка творога
влечет покупку
сметаны, чем
наоборот
031
32. 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
032
33. 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
033
34. НАШ ОПЫТ BI-ПРОЕКТОВ
Отчетность для анализа продаж и ассортиментной матрицы
(розница)
Отчетность по показателям логистики и сбыта (дистрибуция)
Консолидация показателей трейдинга (энергетика)
Консолидация показателей налогового учета (транспорт газа)
Кредит-скоринг, отчетность по показателям кредитных и
депозитных операций физических лиц (банковский бизнес)
Управление персоналом по KPI (нефтепереработка)
Консолидация и визуализация показателей производства
(металлургия)
Консолидация показателей бюджетного планирования
(металлургия, добыча газа)
034
35. SD
СПАСИБО ЗА ВНИМАНИЕ!
Валерий Булевич
Директор по развитию бизнеса
ООО «Информационные технологии и сервисы»
v.bulevich@itands.ru
тел./факс: +7 (343) 287 09 51
www.itands.ru
