Чаплыгин Юрий Владимирович РАЗРАБОТКА ИНСТРУМЕНТОВ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ НА ОСНОВЕ

МГТУ им. Н.Э. Баумана
На правах рукописи
Чаплыгин Юрий Владимирович
РАЗРАБОТКА ИНСТРУМЕНТОВ
ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ НА ОСНОВЕ
МНОГОМЕРНОГО ОПЕРАТИВНОГО ФАКТОРНОГО АНАЛИЗА
В МУЛЬТИКАНАЛЬНЫХ ТОРГОВЫХ СЕТЯХ
ДИССЕРТАЦИЯ
на соискание ученой степени
кандидата экономических наук
Специальность 08.00.05 – Экономика и управление народным хозяйством
(менеджмент)
Научный руководитель :
Доктор экономических наук, профессор
Фалько Сергей Григорьевич
Москва, 2016 г.
2
СОДЕРЖАНИЕ
Стр.
Список терминов, условных обозначений и сокращений .................................. 5
ВВЕДЕНИЕ ............................................................................................................. 6
Глава 1.
Подходы к поддержке принятия управленческих решений в
мультиканальных торговых сетях ....................................................................... 18
1.1. Управленческие решения ........................................................................ 18
1.2. Методы поддержки принятия управленческих решений в
системе контроллинга ....................................................................................... 19
1.3. Методы поддержки принятия управленческих решений в
мультиканальных торговых сетях ................................................................... 24
1.4. Особенности управления торговыми сетями в России с точки
зрения принятия решений ................................................................................ 27
1.5. Ограничения существующих подходов к поддержке принятия
управленческих решений в торговых сетях ................................................... 31
1.6. Ограничения
существующих
инструментов
поддержки
принятия управленческих решений в торговых сетях .................................. 34
1.7. Развитие инструментов поддержки принятия решений ....................... 40
1.8. Инструменты многомерной оперативной бизнес-аналитики .............. 48
Глава 2.
Теоретико-методологические
основы
проведения
многомерного оперативного факторного анализа продаж торговой сети ...... 55
2.1. Классификация типов оперативного анализа и отчетности в
системе поддержки принятия решений торговой сети ................................. 55
2.2. Многомерный оперативный анализ продаж торговой сети ................. 56
2.3. Факторный анализ .................................................................................... 64
Виды факторного анализа ..................................................................... 65
Стр.
Методы детерминированного факторного анализа ............................ 69
3
2.4. Факторный анализ продаж розничной сети........................................... 76
Постановка задачи факторного анализа продаж торговой сети........ 76
Решение методами детерминированного факторного анализа ......... 80
Визуализация факторного анализа продаж розничной сети ............. 83
Интерпретация результатов факторного анализа ............................... 86
2.5. Модифицированная схема управления торговой сетью на
основе многомерного оперативного факторного анализа ............................ 86
2.6. Факторный анализ валовой прибыли ассортимента торговой
сети .................................................................................................................... 88
2.7. Факторный анализ рекламных кампаний мультиканальной
розничной сети .................................................................................................. 93
Глава 3.
Проект внедрения многомерного оперативного факторного
анализа в мультиканальных торговых сетях .................................................... 115
3.1. Зарубежный опыт и российская практика внедрения бизнесаналитики в розничной торговле ................................................................... 115
Успешные внедрения в мире .............................................................. 115
Успешные внедрения в России ........................................................... 117
3.2. Подготовка проекта внедрения интерактивной аналитической
системы ............................................................................................................ 118
Цели проекта внедрения ...................................................................... 119
Фазы проекта внедрения ..................................................................... 121
Методика управления проектом внедрения ...................................... 121
Ключевые особенности проекта внедрения бизнес-аналитики ...... 122
Планирование времени на выбор варианта внедрения системы..... 123
Выбор направления внедрения ........................................................... 124
Методика и критерии выбора системы (продукта) .......................... 125
Стр.
Практический пример сравнительного анализа................................ 135
4
Выбор консультанта по внедрению ................................................... 139
Принятие решения о начале внедрения (расчет окупаемости) ....... 141
3.3. Реализация проекта внедрения.............................................................. 144
Построение команды проекта внедрения .......................................... 144
Этапы внедрения нового функционала.............................................. 146
3.4. Будущее многомерной оперативной бизнес-аналитики ..................... 147
ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ ..................................... 150
Библиографический список ............................................................................... 155
5
Список терминов, условных обозначений и сокращений
ABC (Activity-Based Costing) – расчет себестоимости по видам деятельности
ABM (Activity-Based Management) – управление по видам деятельности
BI (Business Intelligence) – бизнес-аналитика
BSC (Balanced Scorecard) – сбалансированная система показателей (ССП)
CALS (Continuous Acquisition and Life cycle Support) – непрерывная
информационная поддержка поставок и жизненного цикла
CIS (Corporative Information System) – корпоративная информационная
система (КИС)
CRM (Customer Relationship Management) управление взаимоотношениями с
клиентами
Dashboard – информационная панель (ИП)
DWH (Data Warehouse) – информационное хранилище данных (ИХ)
ERP (Enterprise Resource Planning) – информационные системы класса
планирования ресурсов предприятия.
KPI (Key Performance Indicators) – ключевые показатели эффективности
(КПЭ).
MBO (Management by Objectives) – управление по целям,
MRP (Material Requirements Planning) – информационные системы класса
планирование потребности в материалах
MRP II (Manufacturing Resource Planning) – информационные системы класса
планирование производственных ресурсов
Open source – программное обеспечение с открытым исходным кодом
OVAR
(Objectifs-Variables
d'Action-Responsables)
–
управление
по
последовательному определению целевых и функциональных показателей
деятельности компании «сверху вниз»
RFM (Recency, Frequency, Monetary) – сегментация клиентов в анализе сбыта
по лояльности на основе факторов давность, частота, деньги
SCM (Supply Chain Management) – управление цепями поставок
SLA (Service Level Agreement) – соглашение об уровне предоставления услуг
6
ВВЕДЕНИЕ
Актуальность темы исследования. Рынок непродовольственной
розничной торговли (электроника и бытовая техника, одежда и обувь, спорт
и отдых, фармацевтика и др.) в России активно развивается. В настоящее
время
проблемы
недостаточно
высокой
эффективности
принятия
управленческих решений в торговых сетях стоят очень остро. Постоянно
возрастает конкуренция. Экстенсивно развиваются российские торговые
сети, рынок становится более «цивилизованным», происходит экспансия
федеральных
операторов
даже
в
небольшие
города.
На
крупный
перспективный российский рынок с каждым годом выходят все больше и
больше
иностранных
международных
компаний.
Возрастает
доля
электронной торговли, все больше игроков переходят к мультиканальной
модели (взаимодействие с клиентом оффлайн и онлайн, использование
всевозможных логистических цепей: доставка на адрес клиента со склада или
из магазина, в т.ч. с консолидацией заказа с разных складов и магазинов;
самовывоз из магазина: резерв с оплатой в магазине, с оплатой на сайте и
доставкой
под
заказ
в
магазин).
Активизируются
маркетинговые
инициативы: как «стандартные» (ликвидация старой коллекции, гендерные и
государственные праздники, «черные пятницы» и «киберпонедельники»), так
и персонализированные предложения конкретному клиенту (зависящие от
истории покупок в магазинах, истории поведения на сайте компании,
партнерских сайтах, поисковых системах и социальных сетях). Помимо
непосредственно продаж существенно меняются затратные составляющие и,
соответственно, рентабельность операций. Резко меняются курсы валют и
условия импорта, локальные налоговые условия в различных субъектах
федерации, арендные ставки существенно зависят от политической «погоды»
в регионах.
7
В
данных
условиях
все
более
актуальным
становится
вопрос
применения в системе контроллинга крупных компании розничной торговли
новых технологий анализа и автоматизированных систем поддержки
принятия управленческих решений. Критический анализ существующих
методов и инструментов, использовавшихся ранее на небольших локальных
предприятиях, показывает недостаточную эффективность их применения для
глобальных
Актуальность
экстенсивно
развивающихся
диссертационного
крупных
исследования
торговых
обусловлена
сетей.
тем,
что
необходимо научное изучение и разработка новых инструментов, подходов,
методов, механизмов и алгоритмов, которые позволят «тонко» настраивать и
эффективно управлять большим числом объектов торговых сетей с нужной
скоростью. Также возникает объективная необходимость в разработке новых
инструментов, которые на практике позволят делегировать полномочия «на
места», т.е. предоставить доступ к аналитике не только узкой группе
менеджеров, но и многим линейным руководителям для оперативного
обнаружения «узких мест» и своевременного регулирования ситуации.
Новые инструменты должны позволить принимать большую часть решений
по продуманному и заложенному в системе алгоритму, а экспертные
управленческие решения принимать только по значимым отклонениям.
Таким
образом,
существенно
повысить
эффективность
принятия
управленческих решений в крупных торговых сетях.
Одним
контроллинга
из
прогрессивных
для
крупных
направлений
компаний
развития
розничной
инструментов
торговли
является
многомерный оперативный факторный анализ эффективности на базе
интерактивных информационных панелей. Определение возможностей и
особенностей
применения
исследования,
а
данного
разработка
метода
концепции,
требует
принципов,
дополнительного
методологии
и
инструментария, который позволит повысить эффективность системы
8
поддержки принятия управленческих решений, является актуальной и
осуществимой задачей.
Степень разработанности тематики. Вопрос общей теории методов
поддержки принятия управленческих решений широко разработан и глубоко
изучен. Существенный вклад в исследование проблем поддержки принятия
управленческих решений внесли ведущие зарубежные ученые-экономисты«классики»: М. Альберт, И. Ансофф, Т. Бойделл, Н. Виннер, Х. Виссема,
П. Друкер, Р.Д. Льюис, Ф. Котлер, М. Мескон, М. Портер, Г. Саймон,
А. Стрикленд, А. Файоль, Г. Форд, С. Фишер, Ф. Харрисон, Ф. Хедоури, и др.
Методы принятия управленческих решений изучали отечественные ученые и
практики:
В. Атаманчук,
И. Герчикова,
Е.И. Бражко,
Е.П. Голубков,
Н.Г. Данилочкина,
Д. Борман,
О.С. Виханский,
В.В. Гончаров,
И.Л. Карданская,
В.В. Глущенко,
А.М. Карминский,
Г.Б. Клейнер,
И.Д. Ладанов, Л.И. Лукичева, И.Н. Омельченко, А.И. Орлов, А.Э. Саак,
Л.Е. Соколова,
С.Г. Фалько,
Р.А. Фатхудинов,
Е.Ю. Хрусталев,
Л.П. Яновский и др. На тему поддержки принятия управленческих решений в
розничных
компаниях
опубликовали
свои
работы
М.И. Баканов,
Н.А. Борисова, И.А. Бланк, Р.Варли, О.И. Васильчук, Й. Ворст, А.И. Гребнев,
Д.В. Капитонов, В.В. Ковалев, Л.И. Кравченко, М.Рафик, А.Н. Соломатин,
А.Д. Шеремет. Основные идеи факторного анализа, применяемого в данной
работе, заложил Ф. Гальтон, английский психолог и антрополог. Разработке
данных методов посвятили свои работы Ч. Спирмен, Р. Кеттел, Л. Терстоун.
К. Пирсоном,
Ф. Хотеллингом
математический
распределения
аппарат
прироста
и
другими
факторного
анализа.
результирующего
учеными
разработан
Решению
показателя
по
проблемы
факторам
посвящены труды: B.Е. Адамова, Р. Аллена, М.И. Баканова, Ф. Дивизиа,
В.Н. Зоркальцева,
Н.П. Любушина,
А.Д. Шеремета,
С.М. Югенбурга.
детерминированного
факторного
Р.С. Сайфулина,
анализа
Логарифмический
описан
А. Хумала,
метод
В. Федоровой
и
9
Ю. Егоровым, метод экономического факторного анализа на основе теоремы
Лагранжа о среднем предложен в работах С.Л. Блюмина и С.В. Чеботарева.
В результате проведенных исследований можно сделать вывод, что у
отечественных компаний накоплен определенный опыт в области создания
систем показателей, однако целостной методики, легко тиражируемой и
позволяющей «из коробки» комплексно подходить к созданию современной
системы поддержки принятия решений для розничных компаний, на
сегодняшний день не создано. Построение системы поддержки управления
отечественной
торговой
компанией
следует
осуществлять
с
учетом
положительного опыта управления наиболее продвинутыми зарубежными
компаниями. Однако многообразие специфических особенностей российских
крупных компаний розничной торговли (как особенности конкурентной и
политической внешней среды, так и внутренние особенности управленческой
и информационной культуры) определяет необходимость совершенствования
подходов и методов. Изучение этой специфики не получило до нашего
времени подробного освещения ни в российских, ни и зарубежных работах.
Во-первых, из-за масштабности проектов по стоимости, по времени, по
географической и организационной разветвленности – нелегко предоставить
полную и достоверную информацию. Не смотря на наличие международного
опыта, этот опыт носит относительно закрытый характер из-за ограничений
коммерческой тайны. Это обусловлено тем, что ключевые участники
процесса
внедрения
инструментов
не
заинтересованы
в
раскрытии
объективной, достоверной, по-научному правильно структурированной
информации. Компании-разработчики информационных «хвалят» свой
продукт, не афишируют или отрицают «минусы» и слабые стороны.
Компании консультанты по внедрению – тесно коммерчески связаны с
разработчиками, имеют свой интерес в растягивании процесса внедрения, а
также в более сложной и дорогой поддержке после внедрения и навязывании
дополнительных сопутствующих услуг. Компании, внедрившие инструмент
– в случае неуспеха – не афишируют сложности, а в случае успеха – хвалят
10
проект, но не раскрывают деталей, т.к. это их ноу-хау, несущее коммерческое
преимущество перед конкурентами. Часто в отдельных статьях из-за
ограничений по объему подробно рассматривается только один аспект
системы поддержки принятия решений без описания общей картины со
всеми взаимосвязями. Т.е. подробно не описан комплексный подход: «метод
анализа + схема управления + инструмент + проект внедрения».
Актуальность решения этой задачи для российской экономики,
недостаточная степень ее исследования в нашей стране, определила тему
диссертационного исследования.
Тематика
направлению
диссертационной
«Контроллинг»
работы
кафедры
соответствует
«Экономика
и
научному
организация
производства» факультета «Инженерный бизнес и менеджмент» МГТУ им.
Н.Э.Баумана, а также лаборатории экономико-математических методов в
контроллинге (ЛЭММК) МГТУ им. Н.Э.Баумана.
Цель диссертационной работы: разработать инструмент поддержки
принятия
решений
при
управлении
операционной
эффективностью
мультиканальной торговой сети, который позволит повысить качество
проработки
и
скорость
принятия
решений
в
области
управления
операционной эффективностью крупной мультиканальной розничной сети и
сократить трудозатраты на подготовку решений; позволит компании
своевременно реагировать на изменение спроса путем быстрого и
качественного анализа динамики продаж большим числом линейных
руководителей сети торговых точек. Для достижения указанной цели были
поставлены и решены следующие задачи исследования:
Группа задач 1. Подходы, методы и инструменты поддержки
принятия управленческих решений в рознице. Изучить российскую и
мировую практику теоретических подходов, методов, механизмов и
инструментов поддержки принятия управленческих решений в системе
контроллинга крупных торговых сетей. Проанализировать имеющиеся
подходы к классификации методов поддержки принятия управленческих
11
решений в рознице, предложить авторскую классификацию. Выделить цели,
задачи, сходство, различие, преимущества, недостатки, ограничения и
возможности усовершенствования подходов к поддержке решений. Учесть
особенности мультиканальной модели бизнеса.
Группа задач 2. Новый способ анализа и управления. Предложить
новый способ анализа операционных показателей розничной сети и его
внедрения в схему управления компании, с учетом особенностей крупных
мультиканальных торговых сетей, для повышения скорости и качества
проработки решений, а также снижения трудозатрат на их подготовку.
Группа задач 3. Инструмент и проект внедрения разработанного
подхода. Изучить лидирующие на российском и международном рынках
инструменты автоматизации поддержки решений и проекты их внедрения.
Выделить ограничения, учесть особенности крупных мультиканальных
сетей. Разработать комплексный подход: алгоритм анализа + схема
управления + инструмент автоматизации + проект внедрения. Разработать
методику выбора инструмента автоматизации. Разработать проект внедрения.
Сделать выводы об эффективности внедрения.
Объектом исследования выступают системы оперативного управления
операционной эффективностью в крупных российских и зарубежных
предприятиях мультиканальной розничной торговли.
Предметом
исследования
являются
подходы,
модели,
методы,
алгоритмы, механизмы и инструменты поддержки принятия управленческих
решений, а также реализующие их системы поддержки принятия решений в
области управления эффективностью крупной розничной сети, в т.ч. проекты
по внедрению систем оперативной бизнес-аналитики (практические аспекты
внедрения и опыт команд внедрения экспертов-консультантов).
Теоретической
базой
исследования
послужили
концепции
и
теоретические положения, представленные в классической и современной
отечественной и зарубежной литературе по изучению специфики методов и
подходов
к
построению
эффективных
систем
поддержки
принятия
12
управленческих решений, а также методы статистического и экономического
факторного анализа.
Методология исследования базируется на элементах сравнительного
анализа, методах экспертных оценок, а также математическом аппарате
детерминированного факторного анализа.
Эмпирической (информационной) базой диссертации послужили
аналитические исследования российских и международных компанийразработчиков систем поддержки принятия управленческих решений (Oracle
Russia, IBM CIS, SAP Russia, Microstrategy Rus, S&T Rus) и консультантов по
внедрению (Gartner, IDC, КРОК, IBS, ФОРС, Терн BI, Техносерв, Deductor,
Prognoz); материалы 12 международных конференций по теме исследования;
а также результаты проведенного исследования с участием руководителей
аналитических
подразделений
ведущих
российских
компаний
мультиканальных торговых сетей («Спортмастер», «O’Stin», «Funday»,
«Columbia», «Спортландия», «Билайн», «МТС», «Аптечная сеть «Ригла»,
«М.Видео», «Рольф»).
Территориальные рамки исследования: изучены истории успеха
внедрения в России, СНГ, Германии, США, Китае. Стоит отметить что,
несмотря на многочисленные национальные особенности, ярко выражен
тренд глобализации на рынке автоматизированных систем поддержки
принятия решений для крупных торговых сетей, связанный с регулярными
слияниями и поглощениями на рынке вендоров систем бизнес-аналитики.
Хронологические рамки (период) исследования: в исследовании
рассмотрены периоды зарождения автоматизированных систем поддержки
принятия управленческих решений (1960-70 гг), активного развития
оперативной бизнес-аналитики крупных розничных сетей (2000-2010 гг.),
наибольший акцент сделан на современном периоде трансформации систем
управления мультиканальными компаниями (2010-2015 гг.).
13
Научная
новизна.
К
важнейшим
результатам
исследования,
полученным лично автором, обладающим научной новизной и выносимым
на защиту, относятся следующие положения:
1. Определены ключевые особенности рынка непродовольственной
мультиканальной розничной торговли в России, выявлены ограничения
существующих
подходов,
методов
и
инструментов,
которые
существенно влияют на процессы поддержки принятия управленческих
решений. Предложена классификация применяемых в российской и
мировой практике подходов, инструментов и технологий поддержки
принятия управленческих решений в крупных мультиканальных
розничных сетях, что позволило предложить новый инструмент
поддержки
решений,
лишенный
выявленных
недостатков
и
адаптированный к особенностям мультиканальных розничных сетей.
2. Разработан инструмент многомерного оперативного факторного
анализа, отличающийся учетом особенностей крупных российских
мультиканальных розничных сетей. Предложены и обоснованы
маршруты многомерного анализа. Разработан набор взаимосвязанных
моделей факторного анализа для управления ключевыми бизнеспроцессами мультиканальной розничной компании: оперативное
управление продажами по магазинам, валовой прибылью по товару,
валовой прибылью по рекламным акциям. Обоснован выбор вида
факторных моделей, ключевых факторов и применяемых методов
расчета
влияния
ответственный
–>
факторов;
действие»,
разработана
предложен
матрица
«фактор
рациональный
–>
способ
визуализации результата факторного анализа; приведен числовой
пример. Разработанный инструмент позволяет провести глубокий
комплексный анализ «где» и «почему» в 3 ключевых областях розницы
(торговая сеть, товар, клиенты), персонифицировать ответственность за
результат и предложить стандартизованный алгоритм управления
ситуацией.
14
3. Разработана
модифицированная
эффективностью
отличающаяся
крупной
от
усовершенствованных
схема
управления
мультиканальной
стандартной
методов
операционной
розничной
применением
многомерного
при
сети,
анализе
оперативного
факторного анализа. Это позволяет уменьшить число циклов
согласования решений и повысить скорость и качество проработки
решений большим числом руководителей торговой сети.
4. Сформирован набор критериев и обоснован подход к выбору
инструмента
автоматизации,
который
реализует
разработанные
алгоритмы анализа. Обоснованный выбор инструмента позволяет
существенно снизить трудозатраты на подготовку управленческих
решений и повышает вероятность успешного применения нового вида
анализа в схеме управления мультиканальных розничных компаний.
5. Разработан комплексный подход к подготовке, внедрению и поддержке
развития системы многомерного оперативного факторного анализа,
учитывающий особенности крупных российских мультиканальных
розничных компаний. Разработан подход к измерению и оценке
эффективности, в т.ч. окупаемости разработанного инструмента
анализа, что позволит компаниям взвешенно оценить потребность во
внедрении нового инструмента, а также оценить предполагаемые
выгоды от его использования.
Достоверность и обоснованность полученных результатов, выводов и
рекомендаций подтверждается тем, что в ходе исследования применялись
достижения отечественной и зарубежной науки в области менеджмента,
эконометрики и контроллинга, а также использовались аналитические отчеты
крупных международных консалтинговых компаний, материалы ведущих
международных конференций, бизнес-статистика компаний.
Теоретическая значимость результатов исследования определяется
совершенствованием научно-методической базы в области поддержки
15
принятия управленческих решений в крупных российских мультиканальных
розничных торговых сетях.
Практическая ценность результатов исследования состоит в том, что
предложенная методическая база для модификации системы анализа и
поддержки
управления
эффективностью
крупной
мультиканальной
розничной сети позволит компаниям повысить скорость и проработанность
принимаемых
бизнес
решений.
Реализация
разработанных
подходов
позволит компаниям своевременно реагировать на изменение спроса путем
быстрого и качественного анализа динамики ключевых показателей
эффективности, выделения ключевых факторов большим числом линейных
руководителей сети торговых точек.
Личный вклад автора. Все результаты и выводы, представленные в
диссертации, получены и сформулированы лично соискателем в результате
проведенных
исследований.
Автор
принимал
активное
участие
в
опубликовании и обсуждении полученных результатов исследования на
различных конференциях (в т.ч. международных).
Апробация результатов исследования. Основные теоретические и
методические положения диссертации докладывались, обсуждались и
получили положительную оценку на заседаниях кафедры экономики и
организации производства МГТУ им.Н.Э. Баумана, М., 2012, 2015; на 84-ом
и
125-ом
заседаниях
научного
семинара
Лаборатории
экономико-
математических методов в контроллинге МГТУ им. Н.Э. Баумана, М., 2012,
2015; а также на международных и всероссийских научно-практических
конференциях:
конгрессах
по
контроллингу
НП
«Объединение
контроллеров» I международном конгрессе «Влияние методологии на выбор
инструментов контроллинга», Галицино, 2011; II международном конгрессе
«Роль контроллера в обеспечении жизнеспособности организаций», МО,
2012; III международном конгрессе «Green Controlling», СПб, 2013; IV
международном
конгрессе
«Контроллинг
на
малых
и
средних
предприятиях», Прага (Чехия), 2014; на 20-ом симпозиуме по контроллингу,
16
Петергоф, 2010; на 1-ой международной научно-практической конференции
«Стратегическое
управление
и
контроллинг
в
некоммерческих
организациях», М., 2011; на XII и XIII всероссийских симпозиумах ЦЭМИ
РАН «Стратегическое планирование и развитие предприятий», М., 2011,
2012; на отраслевых конференциях: «Business Solutions: Retail» («Решения
для бизнеса: розничная торговля»), М., 2013, 2014; конференции «IDC Big
Data and Business Analytics Forum 2012» («Большие данные и бизнесаналитика»), М., 2012; семинаре РЭУ им. Г.В. Плеханова «TAdviser Deductor:
BI-системы в России 2011», М., 2011; конференции «Терн: итоги 2011 в
Business Intelligence», М., 2011; конференции «IDC Business Intelligence
Roadshow 2011», М., 2011; инновационном форуме «Oracle Day 2011: секция
Business Intelligence», М., 2011; XII ежегодной конференция «Терн:
технологии Business Intelligence на службе современного бизнеса», М., 2011;
форуме «SAP бизнес-аналитика 2011», М., 2011; международной научнопрактической конференции «Инновационные технологии организации и
управления наукоемким производством», М., 2010; конференции «Научная
весна-2010», М., 2010; результаты отмечены дипломом XIII международного
симпозиума «Роль высоких технологий в осуществлении модернизации
России». М., 2011.
Реализация и внедрение результатов работы. Разработанные в ходе
исследовании подходы, методики и алгоритмы анализа были успешно
внедрены в систему управления операционной эффективностью таких
мультиканальных розничных сетей, как «Спортмастер», «O’Stin», «FunDay»,
«Спортландия», «Columbia», «Weekender», «Skechers», где на практике
продемонстрировали свою значимость, что подтверждено соответствующими
Актами о внедрении. Теоретические положения диссертационной работы
используются в учебном процессе при проведении семинарских занятий по
дисциплине «Контроллинг».
17
Соответствие
диссертации
Паспорту
научной
специальности.
Диссертация выполнена в рамках п.10.11 паспорта специальности ВАК РФ
08.00.05 «Экономика и управление народным хозяйством: менеджмент».
Публикации. Результаты диссертационного исследования отражены в
16 опубликованных работах общим объемом 7.8 п.л., в т.ч. на английском
языке, из них 5 научных работ в изданиях, рекомендованных ВАК
Минобрнауки России общим объемом 4.0 п.л..
Структура и объем работы. Структура диссертации обусловлена
целями и задачами, поставленными и решенными в ходе исследования.
Диссертационная работа состоит из введения, 3 глав, заключения,
библиографического
списка.
Основные
положения
и
результаты
исследования изложены на 170 страницах машинописного текста, содержат
39 рисунков, 14 таблиц. Библиографический список содержит 203
наименования.
18
Глава 1. Подходы к поддержке принятия управленческих
решений в мультиканальных торговых сетях
1.1. Управленческие решения
Основой
управления
любым
предприятием
является
принятие
управленческих решений. Руководителей любого уровня сталкивается с
необходимостью вырабатывать и принимать решения. Процесс принятия
обоснованных
объективных
«качественных»
решений
возможен
при
использования достоверных научных подходов, моделей, качественных и
количественных
методов
принятия
решений.
Существует
большое
количество работ посвященных данной теме [2, 9, 30, 34, 64, 80, 67, 90]. В
теории
и
практике
существует
множество
определений
понятия
«управленческое решение»:
− «Управленческое решений – это, прежде всего творческое и волевое
воздействие субъекта управления, основанное на знании объективных
законов
функционирования
управленческой
управляемой
информации
о
ее
системы
состоянии,
и
анализе
направленное
на
достижение поставленной цели» [82].
− «Управленческое решение – это результат конкретной управленческой
деятельности
менеджера.
Принятие
решений
является
основой
управления. Каждая управленческая функция связана с несколько
общими, жизненно важными решениями, требующими претворения в
жизнь» [27].
− «Управленческое решение – это результат анализа, прогнозирования,
оптимизации, экономического обоснования и выбора альтернативы из
множества
вариантов
менеджмента» [55, 132].
достижения
конкретной
цели
системы
19
− «Управленческое решение – это творческий акт субъекта управления,
направленный на устранение проблем, которые возникли в объекте
управления» [31].
− «Управленческое решение – это творческий, мыслительный акт субъекта
управления, который на основе требований, целей и возникающих задач и
используя анализ данных и информацию об объекте, определяет
программу
последующей
деятельности
коллектива
и
отдельных
работников» [164].
− «Управленческое решение – это один из необходимых моментов волевого
действия состоящий в выборе цели действия и способов ее выполнения»
[119].
− «Управленческое решение – это выбор, который должен сделать
руководитель, чтобы выполнить обязанности, обусловленные занимаемой
им должностью. Глобальной целью разработки и принятия любого
управленческого решения является обеспечение реализуемого и наиболее
эффективного варианта движения к поставленной перед организацией
целям» [49].
− «Управленческое решение – это обдуманный вывод осуществить какието действия либо, наоборот, воздержаться от них» [117].
Управленческие
решения
классифицируются
на
стратегические/
оперативные/ тактические [147], подразделяются по уровню управленческой
иерархии [89, 109, 137], по функциональным областям и т.д. и т.п.
1.2. Методы поддержки принятия управленческих решений в
системе контроллинга
Вопрос методов поддержки принятия управленческих решений широко
разработан и глубоко изучен. Существенный вклад в исследование проблем
поддержки принятия управленческих решений внесли ведущие зарубежные
ученые-экономисты:
М. Альберт,
И. Ансофф,
Т. Бойделл,
Н. Виннер,
Х. Виссема, П. Друкер, Р.Д. Льюис, Ф. Котлер, М. Мескон, М. Портер,
20
Г. Саймон, А. Стрикленд, А. Файоль, Г. Форд, С. Фишер, Ф. Харрисон,
Ф. Хедоури, и др. Методы принятия управленческих решений изучали и
разрабатывали
отечественные
ученые
и
практики:
В. Атаманчук,
Е.И. Бражко, Д. Борман, О.С. Виханский, И. Герчикова, Е.П. Голубков,
В.В. Гончаров,
А.Г. Ивахненко,
И.Н. Омельченко,
В.В. Глущенко,
Н.Г. Данилочкина,
И.Л. Карданская,
А.И. Орлов,
И.Д. Ладанов,
А.Э. Саак,
А.Г. Ивасенко,
Л.И. Лукичева,
Л.Е. Соколова,
С.Г. Фалько,
Р.А. Фатхудинов, Е.Ю. Хрусталев, Л.П. Яновский и др.
Управленческое решение состоит (как процесс) из трех «классических»
стадий: подготовка решения, принятие решения, реализация решения [78,
101]. Более подробно полный процесс принятия управленческих решений
состоит из следующих этапов (на основе ключевых этапов выработки
эффективных управленческих решений, выделенных П. Друкером [42, 43]):
− постановка цели принимаемого решения;
− сбор «истории вопроса», определение типа события (разовое или
перманентное/системное), выявление основных причин возникновения;
− обоснование выбора критериев результативности и эффективности
(определение «пограничных условий»), ранжирование критериев,
выделение зон толерантности по значению параметров;
− подготовка содержания и расчет альтернатив
− оценка вероятных последствий альтернативных решений;
− обсуждение со специалистами различных альтернатив решения;
− выработка оптимального решения;
− выявление ответственных лиц и принятие решения;
− детализация решения, определение исполнителей, доведение сути
решения и плана работ до исполнителей;
− реализация решения;
− сбор и анализ обратной связи по результатам реализации решения;
− выработка корректирующих воздействий в случае необходимости.
21
Суть принятия управленческого решения заключается в выработке
системы критериев и нахождении одного из альтернативных вариантов
действий,
которые
оптимальному
в
конкретной
сценарию
по
ситуации
заданным
будут
критериям
ближе
[103,
всего
104,
к
126].
Управленческие решения можно условно разделить на аналитически
обоснованные и принимаемые интуитивно. Первые требуют времени,
специальных навыков, а чаще всего и особых технических средств на
получение информации и подготовку решения, однако позволяют повысить
степень прозрачности и удобства для лиц, принимающих решение
[44, 55, 56].
Подробно теоретически описанные способы, которые позволяют решить
поставленную управленческую задачу, называют методами принятия
управленческих решений. Существует разнообразные методы. Например,
метод декомпозиции – сложная проблема разбивается на несколько простых
задач; метод диагностики – при ограниченных ресурсах выбирается и
решается в первую очередь наиболее важная сущность задачи, а затем по
мере необходимости все остальные. Указанные методы принятия решений
широко
применяются
при
экономическом
анализе
хозяйственной
деятельности предприятий [110, 111, 115, 121, 123, 158, 167]. Методы
принятия управленческих решений разделяются на методы, основанные на
математическом
моделировании
и
методы
групповой
работы
с
использование психологических приемов.
Математические методы принятия управленческих решений (см.
Рис. 1) рассмотрены в большом количестве работ [3, 20, 45, 46, 51, 66].
Линейное программирование — решение оптимизационных задач при
помощи специального математического аппарата. В данном методе целевая
функция представлена в виде линейных функций переменных, принимающих
произвольные
значения
«Транспортная
задача»
из
некоторого
является
допустимого
классической
задачей
множества.
линейного
программирования. Имитационное моделирование — метод принятия
22
решения на основе воспроизведения изучаемого процесса при нескольких
значениях управляющих и внешних параметров при помощи программных
средств.
В
условиях
неопределенности
при
отсутствии
жестких
функциональных связей между изучаемыми параметрами используются
методы теории вероятности и теории игр. Данные методы позволяют
учесть вероятностный характер поведения других рыночных игроков и
внешней среды, которые не зависят от лица, принимающего решение.
Данные методы часто применяются для разрешения конфликтных ситуаций.
Рис. 1. Математические методы анализа хозяйственной деятельности
компаний и принятия управленческих решений
Одними из самых широко используемых методов принятия решений
являются экспертные методы [94, 96, 97]. Группа экспертов (т.е.
профессионалов высокого уровня, компетентных в данном вопросе)
проводит экспертизу рассматриваемых характеристик и результатом является
данные для подготовки управленческого решения. При привлечении группы
экспертов возрастает возможность уменьшить риск принятия неверного
решения. Актуальные задачи решаемые с помощью экспертной группы:
определение направления развития и целей для объекта управления (поиск
рынков и ниш, изменение управленческой структуры компании); составление
прогнозов
и
сценариев
макроэкономики;
разработка
альтернативных
23
вариантов решений; согласование решений групп с различными интересами
и т.д.
Один из экспертных методов – «метод Дельфи» назван в честь
дельфийских оракулов (предсказателей), проживавших в греческом городе
Дельфы. Метод разработан в США в 1950-60 годах для составления
прогнозов оценки влияния научных разработок на методы ведения войны.
Суть метода заключается в том, чтобы с помощью серии последовательных
действий – опросов, интервью, мозговых штурмов – добиться максимального
консенсуса при определении правильного решения. Считается, что при
обобщении персональных оценок независимых экспертов можно получить
более достоверное и надежное коллективное мнение, чем при коллективном
обсуждении экспертов. Проводится несколько этапов анализа. Результаты
работы экспертов статистически обрабатываются. Метод обладает 3-мя
основными
свойствами:
анонимность,
регулируемая
обратная
связь,
заочность, многоуровневость, согласованный групповой ответ.
Следующий вид экспертных методов принятия управленческих решений
– «неэкспертные методы». «Метод неспециалиста» – привлечение экспертов
из смежных областей, которые ранее не сталкивались с рассматриваемой
задачей. «Метод аналогии» – заимствование вероятных решений из других
областей управления. Методы принятия управленческих решений на основе
творческого мышления: Психологические методы: «Мозговые атаки»;
«Разложение на части»; «Принудительные взаимосвязи»; «Морфологический
анализ»; «Опросных листов»; «Группового гения».
Также выделяется несколько уровней принятия управленческих решений.
«Рутинный» уровень – все действия и процедуры заранее предписаны и
алгоритмизированы. Решения, принимаемые на этом уровне, очень надежны.
Применение не требует от лица, принимающего решение, творческого
подхода. Следующий по сложности – «селективный» уровень принятия
решений, требующий проявления менеджером инициативы и предоставление
свободы действий в определенных границах. Менеджер должен быть наделен
24
соответствующими полномочиями, чтобы нести определенный уровень
персональной
достоинства
ответственности
различных
за
вариантов
результат.
решений
Менеджер
и
выбирает
оценивает
наиболее
подходящий из набора хорошо отработанных вариантов. Основными
компетенциями менеджера данного уровня являются: установление целей и
приоритетов, преданализ, планирование, исполнение и анализ отклонений.
Следующий уровень решений — «адаптационный». Менеджер знает набор
проверенных решений и есть некоторые новые идеи, вероятно, что
необходимо разработать и абсолютно новое решение. Важна личная
инициатива и корректное отношение к здравому риску. Наивысший уровень
принятия решений – «инновационный» уровень решения наиболее сложных
стратегических проблем. Необходим абсолютно новый подход к решению
неожиданных и непредсказуемых проблем, часто для этого необходимо
«перенастроить» и мыслить по-другому. Решение наиболее сложных
вопросов по стратегическому развитию компании может потребовать очень
значительных организационных изменений и существенных материальных и
временных затрат всех подразделений компании. Ключевые компетенции
менеджера инновационного уровня принятия решений: стратегическое
планирование, системное бизнес-архитектурное мышление и развитие.
После общего описания методов принятия управленческих решений –
рассмотрим более подробно существующие методы поддержки принятия
управленческих решений в мультиканальных торговых сетях.
1.3. Методы поддержки принятия управленческих решений в
мультиканальных торговых сетях
С учетом текущего состояния крупных российских компании розничной
торговли и внешних условий хозяйствования руководство компаний
использует в качестве основы системы управления концепцию контроллинга
[4, 71, 76, 87, 88, 129, 131]. Данная концепция широко описана в иностранной
бизнес литературе (по большей части работы немецких авторов) [174, 176,
25
198]. Для реализации концепции контроллинга часто создаются выделенные
подразделения контроллинга (централизованные или децентрализованные)
[21, 39, 48, 59, 70, 83]. Руководители предприятий ставят перед системой
контроллинга организации следующие цели и задачи, решаемые при помощи
инструментария поддержки принятия управленческих решений [10, 29, 38,
50, 135]. Цель системы контроллинга: создать систему своевременного
обеспечения менеджмента Компании полной и достоверной информацией
[125], необходимой при принятии оптимальных управленческих решений для
обеспечения долгосрочного эффективного функционирования Компании, в
том числе в кризисных условиях [23, 138, 141, 142]. Задачи системы
контроллинга, решаемые при помощи системы поддержки принятия
управленческих решений: повысить эффективность управления Компанией в
период
сложной
экономической
ситуации;
повысить
управляемость
деятельности отдельных бизнес–единиц, входящих в холдинги [47];
улучшить координацию всех критических в данных условиях видов
деятельности; сократить время на принятие управленческих решений в
условиях высокой неопределенности для повышения рыночной мобильности
Компании [24, 100, 65, 141]. В практике управления операционной
эффективностью крупных российских и международных компаний сектора
розничной торговли применяются различные подходы, методы, механизмы и
инструменты поддержки принятия управленческих решений [72, 134, 163]. В
основном это методы управленческих экономических расчетов для принятия
решения из нескольких альтернативных бизнес инициатив, либо поиск
оптимального по всевозможным критериям (в основном финансовый
результат/затраты) варианта реализации выбранной стратегии компании [53,
60, 181]. Условно классифицируем методы на применяемые для управления
доходной и ресурсной эффективностью компании.
Поддержка решений в доходной части:
− Методы
клиентской
маркетинговой
сегментации
и
управления
взаимоотношениями с клиентом при мультиканальном подходе
26
− Методы разработки ассортиментной стратегии по товарным группам и
торговым маркам (анализ сегментов целевого рынка и смежных
товарных рынков; SWOT-анализ как торговой сети в целом, так и по
отдельным направлениям и брендам; стратегии по М.Портеру, матрицы
BCG и McKinsey; Парето-анализ ABC, XYZ, RFM; PL/Brand-анализ)
− Методы долгосрочного ассортиментного планирования и разработки
продукции (календарь производства по товарным линиям)
− Методы
управления
зонированием
торговой
площади
и
мерчендайзингом на основе форматирования (какие «форматы»
магазинов целесообразны для рынка) и кластеризации (какие товаром
оптимально наполнять разработанные форматы магазинов)
− Методы стратегического и оперативного ценообразования (ценовые
уровни и линейки внутри товарных категорий, отстройка ценовых
уровней от брендов-лидеров, ценовые кластеры)
− Методы управления отношениями с поставщиками и производителями
(рейтингование поставщиков)
− Методы управления заказом будущих периодов (OTB, open-to-buy) и
оперативного
управления
товарным
запасом
(пополнение
replenishment, out-of-stock)
− Методы оперативного управления продажами магазинов торговой сети,
в т.ч. при филиальной и мультиформатной структуре управления
− Методы оперативного управления продажами, маржинальностью и
оборачиваемостью ассортимента: MDO (markdown optimization)
Поддержка принятия решений в части оптимального использования
ресурсов компании [183]:
− Методы инвестиционного анализа объектов торговой сети (магазинов
на
основе
степени
покрытия
целевого
рынка,
логистической
инфраструктуры: складов, распределительных центров, транспорта)
− Методы управления персоналом и операционной эффективностью
сотрудников торговой сети и офиса
27
− Методы управления цепью поставок товара (транспортная и складская
логистика)
− Методы
финансового
планирования
и
налоговой
оптимизации
(планирование и прогнозирование денежного потока)
− Методы планирования и реализации долгосрочного развития ITинфраструктуры (в т.ч. методы проектного управления разработки
программных продуктов)
− Методы организации юридической поддержки компании и партнеров.
После описания существующих методов поддержки решений в рознице
далее рассмотрим особенности систем управления торговыми сетями,
которые существенно влияют на применение методов поддержки принятия
решений.
1.4. Особенности управления торговыми сетями в России с
точки зрения принятия решений
Принятие решений в крупных российских торговых сетях освещено во
многих работ отечественных авторов [15, 36, 63, 74, 79, 99]. Выделим
основные
особенности
управления
современными
российскими
мультиканальными торговыми сетями, которые важны с точки зрения
применения подходов к поддержке принятия управленческих решений.
Большое количество торговых точек в единой торговой сети (и,
соответственно,
лиц,
принимающих
решения
–
администраторов
и
директоров магазинов, директоров отделений и округов, функциональных
руководителей, высшего руководства), причем торговые
точки сильно
географически распределенные (различные часовые пояса создают сложности
для оперативного управления и дают толчок для децентрализации принятия
решений). Большое число классифицирующих атрибутов торговых точек, в
разрезе которых происходит процесс управления, причем значения ключевых
показателей эффективности при этом существенно различаются (формат по
торговой площади, формат по товарному наполнению, тип взаимодействия с
28
клиентом (магазин «с продавцами» и «самообслуживания»), наличие
сервисного центра, климатические особенности региона, покупательская
способность клиентского поля, «возраст» и известность магазина). Высокая
консолидация рынка крупными игроками. Фрагментированный рынок и
активная региональная экспансия крупных игроков. Изначально ландшафт
состоял
из
крупных
оптовых
компаний
и
мелких
региональных
дистрибьюторов (либо франчайзинговых сетей). Затем крупные игроки стали
активно развивать собственную розницу. Как следствие, при анализе
ассортимента сети – необходимо убирать влияние экстенсивного развития за
счет открытия новых торговых точек и проводить анализ на сравнимой базе
магазинов.
Широта ассортимента (большое число разных направлений и
категорий в каталоге продукции, разветвленный классификатор) с различной
структурой входящей наценки и методами оперативного управления
промоакциями и скидками [22, 118]. Большое число классифицирующих
атрибутов товара, в разрезе которых необходимо проводить анализ, с
разных сторон характеризующий продажи торговой сети. Высокая доля
импорта, сложная структура расчета таможенных пошлин, большое
количество стран-эскпортеров. Соответственно на разные категории товаров
и производителей существенно различаются таможенные пошлины и
стоимость
международной
доставки.
Как
следствие
–
существенно
различный уровень входящей торговой наценки на разные категории товаров,
который не всегда соответствует потребительской ценности товара.
Большая клиентская база реальных клиентов с длительной историей
покупок (число членов клубной программы крупных федеральных торговых
сетей в России составляет десятки процентов от численности населения
страны). Поэтому имеется возможность статистически значимой обработки
исторических данных о покупках и взаимодействию клиента с различными
каналами коммуникации сети. Также большой объем наработанной активной
клиентской базы, вовлеченной в клубную программу, позволяет проводить
29
многовариантное тестирование акций. Тестирование производится на
небольших, но при этом статистически значимых выборках (сегментах
клиентов размером от 100 тыс. человек). Поэтому «в бой», т.е. на крупную
часть клиентской базы (состоящей из нескольких миллионов клиентов),
проводятся наиболее успешные и рентабельные кампании, эффективность
которых подтверждена не только экспертным мнением маркетинговой
группы, запускающей акцию, но и реальными продажами реальных
клиентов. При подобном подходе имеется возможность проверки большого
числа
вариантов
таргетированной
рекламных
акций.
коммуникации
А
именно
также
на
ту
возможна
настройка
группу
клиентов,
потребностям которой данное предложение компании лучше соответствует.
В свою очередь накопление большой базы результатов различных механик
акций позволяет постоянно повышать точность планирования новых акций.
Возможность таргетирования взаимоотношений с клиентами по географии.
Неравномерность
ассортиментной
матрицы
по
регионам
(в
силу
климатических особенностей, а также степени развитости рынка, доходов
клиентов и уровня конкуренции) – также вызывает неравномерность
экономической эффективности. В регионах презентация товара меньше, т.к.
на меньший объем рынка приходится выставлять менее финансовоемкий
ассортимент.
Соответственно
появляется
необходимость
управлять
ассортиментом не сразу по всей сети, а разделять сеть на кластеры
магазинов. Объективный по-магазинный анализ ассортимента является
идеальным вариантом, но сложно реализуем на практике из-за очень
большой трудоемкости анализа.
Мультиканальность и учет синергии каналов продаж и коммуникаций
(розничные магазины, отклик на предыдущие рекламные акции, участие в
тематических мероприятиях, активность в социальных сетях, обращения в
контакт и сервис-центры компании и т.д.). Как следствие – реальная
возможность, которой нет у небольших, а также «моноканальных» игроков
рынка, поддерживать клиента на всех этапах жизненного цикла и степени
30
вовлеченности. Как пример: увеличение продаж через комплексное
предложение, учитывающее многосторонние потребности клиента (cross/upsell при размещении заказа и покупке, cross-sell через короткий промежуток
времени после покупки, up-sell и новый cross-sell через длинный промежуток
времени после покупки; дальнейшее постоянное участие в «клубе по
интересам» и тематических сообществах). Возможность таргетирования
рекламной коммуникации по категориям ассортимента (из-за уже
наработанной широты ассортимента в розничной сети, которой нет у
большинства «молодых» он-лайн игроков). Опыт построения товарных
линий для повышения комплексности покупок с учетом повышенной
наценки на дополнительные товары относительно базового товара.
Т.к. каталог продукции широкий, то им управляет большое число ЛПР
(лиц, принимающих решение), т.е. товарных менеджеров. Причем чаще всего
в компаниях применяется двухконтурный тип управления [75, 122, 166].
Категорийный менеджер управляет категорией товара, куда входят
несколько конкурирующих брендов – задача категорийного менеджера
составление сбалансированной ассортиментной матрицы категории с
удержанием целевого уровня валовой рентабельности. Бренд-менеджер
отвечает за бренд в целом – его задача правильно распределить бренд по
категориям и найти баланс между потребностями категорийных менеджеров
компании и обязательствами по долгосрочным контрактам с поставщиками
брендов. Рекламными кампаниями управляет отдельная группа сотрудников.
Поэтому
т.к.
число
рентабельностью
вовлеченных
email-кампаний
в
процесс
велико
–
управления
требуется
итоговой
разработать
универсальный, достаточно информативный, простой для восприятия единый
способ анализа, чтобы удовлетворить потребности разных по квалификации
менеджеров.
И,
соответственно,
все
эти
особенности
приводит
к
большой
потребности в высокой скорости принятия оперативных решений при и
необходимости в детальном всестороннем анализе и сбалансированном
31
подходе. Рассмотрим, какие ограничения есть у существующих подходов и
методов решения поставленных задач системы контроллинга.
1.5. Ограничения
существующих
подходов
к
поддержке
принятия управленческих решений в торговых сетях
Особое внимание в данной работе уделим методам оперативного
управления продажами магазинов, методам оперативного управления
продажами
ассортимента
и
методам
управления
операционной
эффективностью рекламных кампаний при мультиканальном подходе к
взаимоотношениям
с
клиентами.
Практика
разработки
товарных
предложений и сегментирования клиентской базы широко рассмотрена в
большом числе литературных источников по маркетингу [77, 73], в т.ч. по
онлайн-маркетингу, проводятся многочисленные регулярные конференции,
ведутся онлайн блоги и тематические форумы крупных, средних и
небольших
рекламных
агентств,
занимающихся
оффлайн
и
онлайн
маркетингом в России (iConText, digital BBDO, iMedia, КоКос, Ашманов и п.,
BDBD). Однако теория и практика не просто отдельно розничных и отдельно
интернет-акций,
а
мультиканальных
маркетинговых
акций
крупных
торговых сетей освещена в небольшом числе фрагментированных статей. Во
многом это объясняется небольшой историей развития темы в мире (в России
только небольшое число компаний можно назвать мультиканальными,
развитие в этом направлении только начинается). А также закрытостью
информации
крупных
компаний,
которые
получают
конкурентные
преимущества за счет развитых аналитических подходов.
Для решения вопроса ассортиментного анализа и анализа рекламных
акций по результативности и эффективности по валовой прибыли – на
практике широко применяются подходы ABC-анализа (ранжирование
значимости ассортимента по эмпирическому принципу Парето), XYZанализа (частоте покупок), RFM (давность, частота, сумма покупок) и
смешанные
ABC/XYZ/RFM,
ABC-ABC
типы
анализа.
Применяются
32
различные модификации указанных методов по набору рассматриваемых
факторов (объем продаж, прирост объема продаж, валовая прибыль, прирост
валовой прибыли, валовая рентабельность, частота покупок, комплексность
покупки, средний чек и т.д.). Также для анализа рекламных кампаний
используются различные «матричные» подходы: матрица Boston Consulting
Group (темпы роста продаж по кампаниям, доля рынка), матрица McKinsey
(General Electric: привлекательность сегмента – конкурентоспособность
сегмента), метод Дибба-Симкина (объем продаж, вклад в валовую прибыль),
кластерный анализ кампаний и т,д. Подробное описание методов приведено в
работах зарубежных и российских авторов [52, 69]. Однако в данных работах
описываются методы, которые концентрируются в ответе на важный вопрос
– «какой товар/какая акция лучше/хуже». Проводится кластеризация
товаров/акций на основе «успеха», по матрице подбирается стратегия
дальнейшего управления: для сегмента клиентов X – следует использовать
стратегию Y. Однако не дается ответ на вопрос «почему получились такие
результаты», «что изменилось относительно прошлых периодов», «что
конкретно нужно изменить для получения желаемых результатов в
будущем». Т.е. дополнительно необходимо выделить факторы, влияющие на
итоговый результат, количественно оценить степень влияния каждого
фактора на итоговую валовую прибыль кампаний. А далее организовать
изменения наиболее значимых факторов для получения лучших результатов
в будущем. Для выявления влияния отдельных факторов на итоговый
результат проводится факторный анализ.
Факторный анализ впервые возник в психометрике, применяется в
различных областях науки, в т.ч. широко применяется в экономике,
статистике, эконометрике. Основные идеи применения факторного анализа в
психологии, заложил Ф. Гальтон, английский психолог и антрополог.
Разработке данных методов посвятили свои работы Ч. Спирмен, Р. Кеттел,
Л. Терстоун. К. Пирсоном, Ф. Хотеллингом и другими учеными разработан
33
математический аппарат факторного анализа. Сегодня математический
аппарат различных методов факторного анализа включён во все пакеты
статистической обработки данных – R, SAS, SPSS, Statistica и т. д. Решению
проблемы распределения прироста результирующего показателя по факторам
посвящены труды: B.Е. Адамова, Р. Аллена, М.И. Баканова, Ф. Дивизиа,
В.Н. Зоркальцева,
Н.П. Любушина,
Р.С. Сайфулина,
А. Хумала,
А.Д. Шеремета, С.М. Югенбурга [84, 85, 86, 136]. Логарифмический метод
детерминированного
факторного
анализа
описан
В. Федоровой
и
Ю. Егоровым [133]. Метод экономического факторного анализа на основе
теоремы Лагранжа о среднем предложен в работах С.Л. Блюмина и
С.В. Чеботарева [177, 178, 179]. Но также стоит отметить, что в литературе
описывается
применение
методов
факторного
анализа
в
экономике
предприятия в основном для анализа данных стандартной бухгалтерской и
управленческой отчетности (баланса, отчета о прибылях и убытках, отчета о
движении
денежных
средств,
отчета
об
изменении
капитала).
Соответственно формулируются выводы на верхнем уровне «итого по
ассортименту», без детализации до групп и категорий товара. Также
описанные примеры в принципе концентрируются не на доходной части (т.е.
магазинах и ассортименте), а в основном на ресурсах предприятия
(эффективности использования торговой площади, производительности
труда персонала компании и оборачиваемости запасов). Предлагаемый в
данной работе подход многомерного оперативного факторного анализа
продаж
магазинов,
маржинальности
ассортимента
и
рекламных
мультиканальных акций построен на более детальном анализе факторов,
характеризующих
именно
оперативное
управление.
На
примере
ассортимента – это анализ по структуре портфеля категорий/ брендов,
входящей торговой наценке, розничной цене, себестоимости, закупочной
цене, транспортных
и
таможенных расходах, розничной
скидке, с
детализацией по типам скидки (сезонной, бонусной, акционной), стратегией
управления
запасами.
В
данной
работе
предлагается
применение
34
математического аппарата факторного анализа для анализа операционной
эффективности в крупных мультиканальных торговых сетях. Стоит отметить,
что один из ключевых инструментов оперативного управления продажами
торговых сетей – рекламные кампании – чаще всего находятся в
функционале у маркетинговых подразделений, традиционно состоящих из
«гуманитарных» сотрудников, поэтому «математические» методы анализа
часто не находят своего достойного применения. В данной работе сделан
акцент на полном цикле анализа операционной эффективности торговых
сетей, объединяющий операционный и финансовый контур.
Важным ограничением в существующих описаниях методов поддержки
решений является то, что детально и наиболее подробно описывается
непосредственно
математический
аппарат
метода,
но
на
практике
необходимы не только сами методы анализа. В данной работе акцент сделан
на создании комплекса «полного цикла» включающего: начиная от
постановки бизнес-задачи + разработать подход к анализу (в т.ч. конкретный
набор моделей анализа) + предложить модифицированную схему управления
на основе метода, встроенную в организационную структуру компании +
выбрать инструмент, способный реализовать анализ на больших объемах
данных (имеющийся на рынке либо разработанный самостоятельно) +
описать организацию проекта внедрения (в т.ч. подготовку инфраструктуры
и команды внедрения) + описать способы оценки эффективности внедряемой
системы + и в случае необходимости возможности внесения требуемых
корректировок.
1.6. Ограничения
существующих
инструментов
поддержки
принятия управленческих решений в торговых сетях
Помимо изучения особенностей методов принятия управленческих
решений, также требует дополнительного описания и систематизации вопрос
особенностей применения инструментов автоматизации систем поддержки
принятия решений в мультиканальных торговых сетях. В результате
35
изучения процесса информационной поддержки системы контроллинга
крупных компаний розничного сектора, выявлены следующие «узкие места»,
наиболее часто встречающиеся в существующих системах.
Анализ
операционной
эффективности
крупных
торговых
сетей
предполагает большой объем данных: несколько сотен торговых точек,
тысячи товаров, миллионы покупателей, длительный временной промежуток
истории
динамики
продаж
клиентов.
Встроенные
в
стандартные
инструменты бухгалтерского, налогового и управленческого учета системы
поддержки принятия решений (обычно в виде простой плоской регламентной
отчетности) не приспособлены для решения описанного круга задач на
больших объемах данных и имеют ряд ограничений [68]. Аналитика из
данных систем реализует «плоскую» отчетность – данные для анализа можно
получить
только
согласно
заранее
предопределенному
небольшому
количеству регистров учета (каждый новый разрез анализа – требует
создания дополнительных отчетов). Только ограниченное число людей
(высокопрофессиональных
разработчиков
информационных
хранилищ
данных [6, 107, 120]) способно создавать и модифицировать отчетность, что
приводит к низкой скорости модификации аналитических областей и
высокой зависимости от ресурсов IT-службы. Также из-за больших и с
каждым днем работы увеличивающимся объемом данных – аналитика из
данных систем «долгая» – чтобы просто посчитать сумму продаж за год по
всей сети по всему ассортименту за несколько лет – требуется обработка
огромного числа исходных документов.
С ростом Компании, а также увеличением числа ключевых показателей
эффективности
по
разным
функциональным
областям,
вызванным
необходимостью более точной и всесторонней аналитики бизнес-процессов
компании,
значительно
увеличивается
и
объем
хранимых
данных,
оперативная обработка которых, становится все более трудозатратой. Для
примера оценим количество временных ресурсов на подготовку регулярной
отделом, выполняющий функцию контроллинга, для линейного менеджмента
36
и руководителей высшего звена. Процесс создания каждого отчета можно
разделить на несколько ключевых этапов: выгрузка информации (получение
данных из информационного хранилища); обработка и консолидация
информации; итерации анализа полученных данных, поиск закономерностей;
формулирование заключений об итогах работы основных блоков компании
за определенный интервал времени. Пример распределения трудозатрат
аналитиков
по
этапам
подготовки
отчетности
приведен
на
Рис. 2.
0%
AS IS
TO BE
20%
40%
60%
40%
10%
Выгрузка
80%
30%
20%
20%
40%
Обработка
100%
10%
30%
Анализ
Выводы
Рис. 2. Трудозатраты аналитиков при подготовке решений
На рисунке отметим, что в исходной варианте больше половины от
общих трудозатрат может приходиться на процесс получения и обработку
данных и лишь около трети приходится на анализ полученных данных и
формулирование заключений об итогах работы за анализируемый период.
Тратить столько времени на получение данных – непозволительная роскошь
в современных рыночных условиях, тем более при наличии программных
средств, способных сократить время на подготовительные процедуры и
сконцентрировать
внимание
аналитиков
только
на
анализе
сформировавшихся данных. На рисунке также приведена целевая структура
37
распределения
трудозатрат,
которую
предлагается
получить
при
использовании разработанного автором подхода к аналитике.
Стоит отметить, что в рамках регулярной отчетности в большинстве
исследованных компаний уровень автоматизации процесса получения
отчетов очень высокий: имеется как перечень необходимых разрезов, в
которых освещается деятельность, так и сформировавшийся процесс
обработки данных. Однако при проведении более глубокого анализа часто
требуется многократно менять структуру анализа, существующие же отчеты
нельзя «покрутить», «развернуть» или «свернуть», чтобы получить желаемое
представление данных. Получается, что аналитик может проверить свою
гипотезу только по истечению одного, а порой и нескольких дней. Таких же
идей может приходить по нескольку в час. Таким образом, данная ситуация
ведет к ухудшению не только
количественной характеристики –
уменьшается число проводимых аналитических исследований, но и
качественной
– при
ограниченных временных рамках
сокращаются
возможности глубокого, гибкого анализа и, как следствие, происходит
естественное увеличение риска принимаемых управленческих решений.
Однако для улучшения конкурентных позиций необходимо оперативно
реагировать на меняющиеся предпочтения потребителей, а значит, проводить
всесторонний
анализ
деятельности
компании
и
принимаемых
управленческих решений в ограниченные промежутки времени. Все эти
факторы и острая необходимость в высокой скорости подготовки решений
становятся побудительными мотивами для высшего руководства компаний
при принятии решения о переходе в системе контроллинга к инструментам
динамического (оперативного) анализа. Основные отличия оперативного от
статического анализа отражено в Таблице 1.
38
Таблица 1.
Отличие динамического (оперативного) от статического анализа
Характеристика
Вид анализа
Ответ на вопросы
Выход анализа
Запросы
Уровень агрегации
данных
Анализируемый
период
Требования к
аналитике
Время отклика
Статический анализ
Аналитическая
обработка по
регламенту
Что? Где? Сколько?
Когда?
отчеты, таблицы,
диаграммы
(регламентированные)
В основном заранее
регламентированные
Детализированные
(транзакционные) и
агрегированные
В основном текущие
Средние
В зависимости от
сложности запроса
Динамический анализ
Последовательный «маршрут
анализа», прогнозы, модели
Почему? Как? Что будет, если?
Интерактивные
информационные панели.
Изменение уровней агрегации и
срезов данных.
Гибкие, под конкретную задачу
Агрегированные (с
возможностью «провалиться» в
детальные)
Исторические, текущие и
планируемые/ прогнозируемые
Высокие
Секунды
Также одним из ограничивающих факторов использования отчетности
из транзакционных систем является отсутствие развернутого аналитического
инструментария
(средств
многомерной
оперативной
аналитической
обработки, детерминированного и стохастического факторного анализа,
прогнозирования временных рядов, сегментации и кластеризации, бизнесграфики и форматирования и пр.), необходимого при анализе больших
массивов данных [57, 58, 108].
Помимо указанных критериев, необходима дополнительная адаптация
под крупную розницу. Т.к. существующие на рынке инструменты поддержки
принятия решений продукты – это универсальный «конструктор», из
которого каждая аналитическая группа сможет построить любую бизнесмодель по принципу «все, что и как захочется». Одна из основных проблема
39
заключается в том, что не многие знают, «как правильно», не сложилось
общеотраслевой «лучшей практики» в части построения модели данных
(мета-модель бизнес-данных: ключевые разрезы-измерения и показатели) для
системы поддержки принятия управленческих решений в крупных торговых
сетях, в частности в России.
При этом необходимо учитывать следующие особенности, налагающие
дополнительные технические требования на систему. Географическое
разделение филиалов компании (разные временные пояса): аналитический
инструмент должен быть доступен для удаленных пользователей в режиме
24/7. Большое число пользователей, высокая текучесть кадров в линейном
персонале торговой сети. Данный фактор предъявляет высокие требования к
политике безопасности и гибкому разграничению прав доступа к системе по
принципу «предоставить пользователям необходимый объем информации, но
предотвратить
возможность
утечки
коммерчески
важных
данных».
Различный уровень подготовки пользователей, как с точки зрения
методологии анализа, так и точки зрения знания программных продуктов.
Интерфейсы системы должны быть интуитивно понятны неподготовленному
человеку, на обучение работе с системой должно тратиться совсем
небольшое время сотрудника, необходимо настроить полные, но при этом
простые и понятные руководства по эксплуатации для пользователей. У
группы внедрения стоит задача не просто настроить аналитику «под себя», а
провести всесторонний анализ потребностей большого числа пользователей с
различным функционалом, выделить главное, общее и построить удобную
«для всех» систему аналитики.
Каждая компания при выборе системы поддержки принятия решений и
поставщика
данного
инструмента
–
руководствуется
собственным
стратегическим видением дальнейшего взаимодействия и ключевыми
задачами, которые руководство и аналитики ставит перед будущей системой.
Соответственно для проведения предлагаемого в данной работе глубокого
всестороннего оперативного многомерного факторного анализа необходимо
40
применение
специальных
технологических
инструментов
–
системы
оперативной бизнес-аналитики или Business Intelligence (BI), как качественно
нового инструмента эффективного анализа данных по основной деятельности
компании. Подробнее данный тип информационных аналитических систем
рассмотрен далее.
Перейдем к практической реализации поставленных задач и рассмотрим
развитие и современное состояние инструментов поддержки принятия
решений в рознице.
1.7. Развитие инструментов поддержки принятия решений
Рассмотрим эволюцию инструментов поддержки принятия решений. По
мере исторического развития анализ и управление «на цифрах» проводились
следующим образом (см. Рис. 3).
Показатели
Наборы
Системы
эффективности
показателей
показател
способ отображения
Информационные
панели
Рис. 3. Развитие систем показателей.
На
начальных
этапах
технологического
развития
предприятий
показатели (в основном показатели эффективности отдельных операций
технологического процесса и самые базовые экономические показатели)
анализировались сами по себе по отдельности, ключевым фактором было
удержание показателя в установленных «нормах». И, в силу относительно
невысокой динамики развития, эти нормы могли быть установлены на
достаточно длительный период. Затем, т.к. качество выполнения отдельных
производственных операций между производителями примерно сравнялось,
41
понадобилось подбирать наборы показателей, характеризующие какой-либо
процесс в целом.
Когда и технологические карты перешли из раздела строго охраняемого
«ноу-хау» в раздел коммерческого предложения необходимым стал выход на
новый
уровень
анализа
–
многостороннего
анализа
операционной
деятельности в целом. Из наборов показателей стали выделять системы
показателей, с установленными строгими или гибкими логическими
взаимосвязями. При принятии решений стало необходимым одновременно
учитывать многие взаимосвязанные факторы, имеющие стратегическое
значение для компании (долю рынка, удовлетворенность клиентов, развитие
персонала, инновационность, …). Примерами методов поддержки принятия
решений и инструментов, с лежащими в их основе системами показателей
могут выступать: BSC [54, 196, 188], Tableau de bord, MBO, ABC, ABM,
OVAR и другие, применяемые в программных продуктах класса MRP, ERP,
BPM, BAM, CALS, CRM, SCM (см. список условных обозначений и
сокращений стр. 5). Опишем основные предпосылки, приведшие к
внедрению систем показателей в практике управления коммерческими
компаниями. Кризис автономии (кризис доверия, адекватное желание
руководителей и собственников все контролировать). Необходимость
комплексного подхода (желание видеть «картину целиком»). Дилемма
профессионализма (необходимость «упростить» понимание множества
сложных
процессов
для
специалистов
широкого
профиля
без
узкоспециализированных знаний отдельных бизнес областей). Проблема
«черного ящика» (также необходимость «упростить» понимание «большого»
многоэтапного процесса, зависящего от очень большого числа входящих
параметров). Перегруженность руководителей информацией («кладбище
цифр»), трудность восприятия (желание «увидеть лес за деревьями»).
Необходимость внутреннего и внешнего benchmarking’а. К тому же с
развитием информационных технологий появилась аппаратная возможность
автоматизации ключевых бизнес-процессов в масштабах крупных, в т.ч.
42
транснациональных компаний, что привлекло внимание широкого круга
специалистов, в т.ч. высококвалифицированных экономистов, а также фирмразработчиков программного обеспечения. Децентрализация корпоративного
управления привела к необходимости построения комплексной системы
мотивации сотрудников не только легко измеримых областей (продажи,
склад), но и менеджеров вплоть до самого высокого уровня. При принятии
решений стало необходимым одновременно учитывать многие факторы,
имеющие
стратегическое
значение
для
компании
(долю
рынка,
удовлетворенность клиентов, развитие персонала, инновационность).
Если с отдельными показателями или наборами показателей в
практической работе достаточно было обходиться самыми простыми
методами
(табличное
представление
или
отражение
показателей
на
карточках), то при анализе систем показателей понадобилось разработать
специальные механизмы анализа и средства отображения, включающие:
− методологию построения системы показателей,
− методологию проведения анализа,
− необходимость учесть визуальное удобство восприятия при анализе,
− обеспечить вычислительную мощность аналитических инструментов,
− обеспечить возможность интеграции широкого круга информационных
систем для единовременного получения требуемой информации и т.д.
Таким способом отображения стали Информационные панели (ИП,
англ. Dashboards) – средство представления в компактном и наглядном виде
данных о состоянии компании в прошлом, настоящем и прогнозируемом
будущем.
Джозеф Джуран высказал идею (описано Эдвардсом Демингом [184]),
что для поддержки принятия решений удобно пользоваться набором или
системой показателей, сгруппированной по аналогии с приборной панелью
самолета, корабля, автомобиля. Джуран подметил, что капитан и его
помощники используют сравнительно небольшое число датчиков и
показателей, характеризующих состояние ключевых систем. При этом из-за
43
технической сложности механизма корабля и большого числа членов
команды количество показателей, которые вообще возможно измерить –
просто огромное. Возникла идея применить подобный подход в управлении
бизнесом. Необходимо разработать такую систему показателей и ее
представление, которая бы обеспечивала руководителю «возможность
следить за отклонениями от курса и принимать обоснованные решения».
Питер Друкер в концепции управления по целям (Management by
Objectives – MBO [43]), писал: «Целевые показатели в ключевых областях
бизнеса являются приборной панелью, необходимой для пилота делового
предприятия». Позже Нортон и Каплан высказывают аналогичную идею:
«Менеджеры, как и пилоты, нуждаются в аппаратуре, отслеживающей
множество внешних и внутренних факторов ...» [54]. Приведем примеры
использования
информационных
панелей
в
управлении
сложными
технологическими системами.
Рис. 4. Пример ИП. Панель приборов корабля и самолета
Рис. 5. Пример ИП. Монитор состояния здоровья пациента и
мнемосхема управления технологической установкой
44
Рис. 6. Пример ИП. Центр управления полетами (ЦУП) и
Ситуационный центр Правительства России
Синонимами термина «информационная панель» являются: Панель
управления; Панель индикаторов; Приборная доска; Панель приборов;
Щиток приборов; Ситуационная комната, центр; «Военная комната»;
Инструментальная панель; Аналитическая панель; Электронный рапорт;
Автоматизированное рабочее место (АРМ) руководителя; Витрина данных;
Центр управления. Как можно видеть из примеров, в технологической сфере
информационные панели хорошо развиты и активно применяются при
решении практических задач в человеко-машинных системах.
Данная идея получила свое развитие в двух направлениях. Первое –
создание информационной панели для бизнеса придерживаясь принципа
минимализма (аналог панели приборов в автомобиле). Основная мысль:
«достаточно только иногда поглядывать на значения некоторого весьма
ограниченного набора индикаторов». Второй подход (по аналогии с панелью
приборов в современном самолете): использование большого числа
показателей (первостепенных и справочных). Причем значимость различных
индикаторов меняется в зависимости от стадии полёта (при подготовке к
вылету, на взлёте, при наборе высоты, во время полета, при снижении,
посадке и последующем техническом обслуживании). Для бизнеса, панель
управления бизнес-процессами по аналогии должна содержать постоянно
контролируемые главные показатели и периодически контролируемые
вторичные показатели. Набор показателей по аналогии с самолетом является
переменным в зависимости от стадии жизненного цикла и стратегии бизнеса
(акцент на рост оборота и доли рынка, рост или повышение лояльности
клиентской базы, повышение маржинальности и снижение издержек).
45
Таким образом произошел переход к новым инструментам контроллинга
–
системам
ключевых
информационной
панели,
показателей
своего
эффективности,
рода
«приборной
отраженным
доске»,
на
которая
показывает, где есть проблемные зоны и насколько эффективно работает
компания в целом. Руководителям остро необходима современная мощная
методология (и поддерживающий ее инструмент) для анализа, т.к. – пишет
британский кибернетик Стаффорд Бир [14] – «человеческий мозг плохо
приспособлен осмысливать цифры. Руководителей нужно тренировать
понимать другие виды представления данных, в основном графических, но
глубоко зависящих от относительного движения данных». Подчеркнем, что
информационные панели в бизнесе – это «линзы» для руководителя,
позволяющие
«фокусировать»
(фильтровать,
агрегировать)
поток
информации о деятельности компании в интуитивно понятных образах:
графиках, диаграммах, схемах, индикаторах, пиктограммах [112, 113].
Информационные панели как инструмент системы поддержки принятия
управленческих решений также прошли несколько стадий своего развития
(см. Рис. 7). Информационные панели современного уровня – оперативны и
интерактивны. Они позволяют работать не только в статическом виде,
перебирая отдельные отчеты, а проводят пользователя по «маршрутам
анализа», т.е. система адаптивно помогает пользователю наиболее быстро
разобраться в причинах и последствиях возникшей ситуации в результате
того или иного управленческого решения. А также проводить анализ и
управление «по отклонениям», не просто отображая текущий статус всех
рассматриваемых показателей (как было раньше), а показывать отклонение
от какой-либо базы (прошлый период, план, прогноз, лучший по отрасли) и
выводят не все данные, а только требующие внимания и реакции
ответственного руководителя.
46
Отчет
Информационная
Интерактивная
(1 предметная область)
панель
ИП
Маршруты
Управление по
анализа
отклонениям
Рис. 7. Развитие информационных панелей как инструмента
системы поддержки принятия управленческих решений
Интеграция
сложных
бизнес-систем
в
единое
информационное
пространство позволяет подразделениям контроллинга решать поставленные
задачи максимально допустимого упрощения, визуализации отчетности и
обучения руководителей работе по единым международным стандартам.
Информационно-аналитические системы поддержки принятия решений
после 2000-х развились до систем класса BI [5, 98, 138, 140, 145, 191].
Изначально подобные информационные системы разрабатывались силами
подразделений ИТ компании как ответ на быстро возрастающие потребности
бизнеса по получению данных для принятия обоснованных управленческих
решений. Основная функция – построение регламентных запросов с набором
фиксированных параметров. Данные инструменты позволяли ответить на
базовые
вопросы
менеджмента,
но
были
недостаточно
гибкими.
Современное поколение BI-приложений строится на технологиях хранилищ
данных и продвинутых инструментах OLAP [202, 201]. Они позволяют
бизнес-пользователю
самостоятельно
извлекать
информацию
из
подготовленной мета-модели данных, формировать собственные отчеты в
нужных разрезах или графические представления («информационные
панели»). Также проводить многомерный анализ данных, обнаруживать
корреляции, регрессии, проводить кластеризацию. Со временем, BIприложения развились от «толстых» клиентов (выделенных клиентсерверных приложений) до web-приложений. Также появились функции
47
коллективного
анализа
данных.
Динамика
развития
функционала
автоматизированных систем поддержки принятия решений в торговых сетях
в зависимости от масштаба операций приведена на Рис. 8.
Рис. 8. Развитие функционала систем поддержки принятия решений
По мере роста – увеличивается сложность бизнес-задач, методов и
технологий реализации – от статической отчетности из транзакционных
систем,
до
подхода
многомерного
оперативного
анализа
на
базе
интерактивных информационных панелей (т.е. бизнес-аналитики, англ.
Business Intelligence) [197]. Как было сказано выше, интерактивная аналитика
на базе информационных панелей стала одним из основных инструментов
контроллинга, позволяющим на практике реализовать систему поддержки
принятия эффективных управленческих решений. Рассмотрим данный
инструмент более подробно.
48
1.8. Инструменты многомерной оперативной бизнес-аналитики
Существует много определений, что такое многомерная оперативная
бизнес-аналитика (Business Intelligence/BI), однако в широком смысле слова
данный
термин
можно
охарактеризовать
совокупностью
следующих
определений [140, 146]:
− «процесс превращения данных в информацию и знания о бизнесе для
поддержки принятия улучшенных и неформальных решений»;
− «информационные технологии (методы и средства) сбора данных,
консолидации информации и обеспечения доступа бизнес-пользователей
к знаниям»;
− «знания о бизнесе, добытые в результате углубленного анализа
детальных данных и консолидированной информации».
Функционирование BI-систем строится на взаимодействии четырех
этапов, графически представленных на Рис. 9: хранение данных; интеграция
данных; анализ данных; представление данных.
Рис. 9. Архитектура основных блоков системы бизнес-аналитики
Рассмотрим каждый из этапов подробнее.
Хранение
данных. Данные, используемые
для
бизнес-аналитики,
организуются в специальном хранилище данных (data warehouse, DWH) [187,
49
189, 190]. Они отражают реальную и полную картину бизнеса. Информация в
хранилище данных, включая исторические данные, собирается из различных
операционных систем и структурируется специальным образом для более
эффективного анализа и обработки запросов. Это является отличием от
обычных баз данных, где информация организована таким образом, чтобы
оптимизировать время обработки текущих транзакций.
Интеграция данных. Для формирования и поддержания хранилищ
данных используются так называемые ETL-средства – инструменты для
извлечения данных (extract), их преобразования (transform), то есть
приведения их к необходимому формату, обработки в соответствии с
определенными правилами, комбинирования с другими данными и т.п., а
также для загрузки данных (load), записи данных в хранилище или в другую
базу. В дополнение к ETL, BI-системы включают в себя инструменты для
работы с SQL (structured query language), позволяющие пользователям
напрямую обращаться к данным. Но стоит подчеркнуть, что внедрение
бизнес-аналитики подразумевает под собой то, что в компании имеются
базовые источники первичной информации, которую нужно анализировать.
Анализ данных. Для всестороннего анализа данных в современных BI
используются OLAP-инструменты (online analytical processing – оперативной
аналитике больших объемов данных). Они позволяют рассматривать
различные срезы данных, в том числе временные, позволяющие выявлять
различные тренды и зависимости (по регионам, продуктам, клиентам и т.п.).
Для представления данных используются различные графические средства –
отчеты, графики, диаграммы, настраиваемые при помощи параметров. Таким
образом вместо статического анализа в жестко регламентированных
форматах применяется динамический (оперативный) анализ. В наиболее
развитые BI-решения включены блоки для глубокого исследования данных
(data mining) [114, 156]. Эти инструменты призваны помочь в выявлении
скрытых (неочевидных) закономерностей, моделей, составления прогнозов.
Они основаны на сканировании и статистической обработке огромных
50
массивов данных и в конечном итоге призваны облегчить принятие
правильных и обоснованных стратегических решений благодаря анализу
различных вариантов развития событий.
Представление
данных:
информационные
панели
и
карты.
Общепринятым средством визуализации данных в современных BI-решениях
являются информационные панели (англ. dashboards), на которых результаты
отображаются
в
виде
таблиц,
шкал
и
индикаторов,
позволяющих
контролировать текущие значения выбранных показателей, сравнивать их с
критическими (минимально/максимально допустимыми) значениями и таким
образом выявлять потенциальные угрозы для бизнеса. Информационные
панели считаются одним из наиболее удобных способов представления
информации о состоянии бизнеса, позволяют уместить на экране всю
важнейшую
информацию
о
текущих
операциях,
выявленных
и
потенциальных проблемах.
Система многомерного оперативного анализа включает в себя несколько
функциональных модулей. Пользовательские компоненты подразделяются на
такие
инструменты:
информационные
панели
для
руководителя;
формирование управленческой отчетности; предоставление информации
внешним пользователям; проведение аналитической работы (OLAP, data
mining); средства интеграции отчетов с приложениями Microsoft Office
(Excel, Word, PowerPoint); внутренний web-портал. Служебные компоненты и
средства разработки отчетов, включая: инструментарий для подключения
новых источников данных и формирования модели данных; средства
администрирования (права доступа, безопасность) и мониторинга системы.
В решениях BI содержатся лучшие мировые практики, применяемые для
эффективного принятия качественных управленческих решений. Основные
средства оперативного многомерного анализа представлены на Рис. 10.
51
Рис. 10. Инструменты контроллинга в системе BI
Также стоит отметить, что с ускоренным развитием рынка мобильных
устройств, значительно повышается доступность подобной интерактивной
аналитики для широкого круга пользователей «в любом месте и в любое
время», что очень важно для работающих «в поле» руководителях
территориально распределенных торговых сетей.
Лидеры приложений многомерной оперативной бизнес-аналитики
Продукты,
представленные
на
рынке
России
и
за
рубежом.
Компетентным источником по анализу рынка приложений бизнес-анализа
является консалтинговая компания Gartner. В исследования компании
введены в употребление такие термины, как: ERP, магический квадрант.
Компания
проводит
регулярные
качественные
и
количественные
исследованиями различных рынков ИТ (транзакционных систем, ERP,
аналитики и т.д. по различным отраслям бизнеса), а также аппаратных
платформ крупнейших вендоров. Компания ежегодно представляет обзор
«Magic Quadrant for Business Intelligence Platforms» (см. Рис. 11) [41, 192].
52
Рис. 11. Исследование Gartner: Magic Quadrant for BI за 2014 год
Аналитики компании Gartner оценивают ключевых игроков по двум
параметрам: комплексность видения и возможность реализации. Получается
4 группы программных продуктов: лидеры, претенденты, провидцы и
нишевые
игроки.
На
основании
данного
исследования
компании,
собирающиеся внедрить BI-систему могут ориентироваться в сильны и
слабых сторонах предлагаемых на рынке приложений.
Объем рынка внедрении в мире. После обзора функциональности –
рассмотрим активность внедрения данных аналитических приложений
(см. Таблицу 2).
53
Таблица 2.
Рынок внедрения BI, 2014, $ млрд.
Компания
Доход 2014 г. доля% прирост
Доход 2013 г.
SAP
$3.2 В
21%
+5%
$3.1 В
Oracle
$2.0 В
13%
+2%
$2.0 В
IBM
$1.9 В
12%
+5%
$1.8 В
SAS Institute
$1.8 В
12%
+6%
$1.7 В
Microsoft
$1.6 В
10%
+16%
$1.4 В
Другие
$5.0 В
32%
+12%
$4.4 В
$15.5 В
100%
+8%
$14.4 В
Всего
источник: Gartner Inc., 2015.
В данном обзоре необходимо обратить внимание на существенную
консолидацию рынка в руках компаний-лидеров. Первые 5 вендоров
стабильно занимают долю ~70% рынка. Компания Oracle купила компании
Hyperion и Siebel, IBM – компанию Cognos, SAP – Business Objects, бывший
Crystal Reports. На кардинальное изменение ситуации в ближайшие годы не
приходится рассчитывать, т.к. основные значимые приобретения уже были
сделаны, а ключевые игроки вряд ли будут оставлять свои позиции.
Коммерческий и «свободный» продукт (opensource – программное
обеспечение с открытым исходным кодом) в области бизнес-аналитики. Для
небольших или недавно открывшихся компаний коммерческие продукты
лидеры окажутся слишком дорогими, а, кроме того, большая часть их
возможностей просто останется невостребованной из-за малого количества
накопленной информации. На этом сегменте рынка присутствуют решения с
открытым исходным кодом и, что особенно удобно для клиента, начальные
версии продуктов предоставляются на безвозмездной основе в рамках
существующих открытых лицензий. Однако возможностей этих версий
вполне достаточно для решения базовых BI-задач. Одними из наиболее
известных BI-решений с открытым исходным кодом являются продукты
54
Pentaho BI Suite от Pentaho Corporation, Tableau Public (Free verion) от Tableau
Software и Jaspersoft BI Suite от компании Jaspersoft. В ближайшем будущем
должна быть продемонстрирована жизнеспособность модели, где дешевое
или бесплатное программное обеспечение BI сопровождается качественным
сервисом по внедрению и поддержке. Фактор цены останется одним из
ведущих при выборе программного обеспечения, поэтому, научившись
экономить во время кризиса, организации-потребители все чаще будут
обращаться
к
системам opensource,
которые
хоть и
уступают
по
функциональности, но не требуют существенных инвестиционных вложений.
Завершим обзор инструментов оперативного интерактивного анализа и
далее более подробно раскроем цели и задачи, рассмотрим методологию
проведения
многомерного
инструмента
поддержки
оперативного
принятия
мультиканальных торговых сетях.
факторного
управленческих
анализа
решений
как
в
55
Глава 2. Теоретико-методологические
основы
проведения
многомерного оперативного факторного анализа продаж
торговой сети
2.1. Классификация типов оперативного анализа и отчетности
в системе поддержки принятия решений торговой сети
Поскольку
система
поддержки
принятия
решений
в
компании
развивается вместе с предприятием, каждая компания строит аналитическую
платформу по своему «уникальному» пути. В зависимости от структуры
управления
есть
функционально,
административно,
бизнес-процессно
ориентированные виды анализа и отчетности, которые соответствующим
образом встраиваются в общую схему управления компании. Однако среди
множества
вариантов
можно
выделить
следующие
основные
типы
дифференцирующих факторов и составить на их основе классификацию. По
пользователям
(по
орг.структуре):
высшие
руководители,
директора
подразделений, линейный менеджмент, специалисты. По бизнес-процессам:
основная деятельность, сервисное обслуживание. По регламенту подготовки
и
предоставления:
предупреждение
и
регулярная
отслеживание
регламентированная,
(управление
по
по
запросу,
отклонениям),
предупреждения о возможных отклонениях в будущем. По динамичности
структуры: статический отчет, динамический. По горизонту анализа: текущее
состояние + краткосрочный прогноз, ретроспектива по крупным временным
периодам, долгосрочный прогноз.
На практике при внедрении интерактивных информационных панелей,
сначала из потребностей пользователей набирается небольшой пул базовых
отчетов (обычно отчеты группируются «по предметной области»: продажи
по регионам, продажи по товарам, остатки по магазинам, оборачиваемость
56
остатков складов, численность персонала и т.д.). Формально, данный этап
построения интерактивной аналитики повторяет «плоскую» отчетность
компании. Цель данного этапа – познакомить и обучить ключевых
пользователей работе с новым продуктом, проверить и «поверить» в качество
и оперативность получения данных. А затем, после накопленного группой
внедрения базового опыта работы с отчетностью, составляются сводные
информационные панели «по пользователям». Основной упор делается на
кросс-анализе показателей из разных функциональных областей, но
характеризующий один объект управления. Для примера, директору магазина
в компактном виде нужно знать как продажи в целом по магазину, сравнение
с планом, так и по сравнимым с ним магазинам, а также динамику продажи
по товару, введенные скидки, остатки в торговом зале и на складе магазина,
текущий и прогнозные поток посетителей, а также наличие товара на
ближайшем региональном складе и ближайшие даты пополнения товаром
магазина.
2.2. Многомерный оперативный анализ продаж торговой сети
Рассмотрим структуру и возможности применения многомерного
оперативного анализа на примере базового и ключевого для анализа
розничных коммерческих предприятий показателя – продажи торговой сети.
Продажи «классической» крупной розничной сети можно представить в виде
совокупности характеризующих ее составляющих. Сумма чека, выбитого
покупателю, на самом укрупненном уровне описывается следующими
атрибутами: время (дата продажи), магазин продажи, проданный товар
(номенклатура, количество позиций, цена единицы). Схема данных,
представленная в виде многомерного гиперкуба с соответствующими
измерениями, представлена на Рис. 12.
57
Вид анализа
Показатели (факторы)
Магазины
Товар
Рис. 12. Гиперкуб «Продажи розничной сети»
Далее каждое из «измерений» в свою очередь характеризуется
дополнительными атрибутами:
Измерение «Магазины» – каждый магазин розничной сети описывается
большим числом атрибутов: местоположение (страна, регион, город, адрес в
городе, географические координаты – широта, долгота), формат магазина:
размер (общая и торговая площадь магазина), ассортиментный набор
(«ассортиментный куб»), тип месторасположения (в торговом центре или
отдельно стоящий магазин), наличие выделенной парковки перед магазином;
средний трафик посетителей; собственный или арендованный объект. В свою
очередь Город описывается базовыми макроэкономическими показателями:
населением города, клиентским полем (население города с добавлением
населения
городов-спутников),
уровнем
заработной
платы,
уровнем
безработицы, долей студентов и людей с высшим образованием, а также
климатическими характеристиками (среднегодовая температура, температура
января, июля, количество осадков). Для магазинов, расположенных в
торговом
центре,
выделяются
атрибуты
торгового
центра:
GLA
(Gross Leasable Area, площадь торгового центра, сдаваемая в аренду), GBA
(Gross Building Area – общая площадь торгового центра, включая проходы,
зоны развлечений и питания, технические помещения), средний уровень
58
трафика (числа посетителей в день), наличие конкурентов и их количество
(уровень конкуренции).
Измерение «Товар» – поскольку номенклатура крупных розничных
сетей составляет ~30 000 товарных позиций за сезон, то для эффективного
управления необходимо товар классифицировать, чтобы анализировать
результаты и управлять существенно меньшим числом объектов, не теряя
при этом качество управления. Классификация является своего рода
искусством – основная задача – объединить множество товаров с близкими
кривыми продаж в такие категории, чтобы число их было минимально (для
облегчения управляемости), но при этом отобранная категория имела общую
репрезентативную для всех товаров кривую продаж. Поэтому измерение
«Товар» является наиболее «обатрибученным» (большое число атрибутов с
большим числом возможных значений в каждом). Для разных рынков
торговых сетей набор атрибутов, естественно, индивидуален. Приведем
общие атрибуты на примере Одежды и Обуви: категория, подкатегория,
класс, подкласс, линия, тема, коллекция, возраст товара, пол, возраст
покупателя, цвет, размер, материал, вхождение в комплект и т.д.. Также для
каждого класса товаров – существуют специальные для этого класса набор
атрибутов (в среднем от 3-10 на каждый класс). В качестве объекта в
товарном разрезе может выступать как конкретная товарная позиция (SCU),
так и цветомодель, модель, класс, подкласс, линия, фасет, набор, категория,
подкатегория, товарная группа, подгруппа, пол, возраст, коллекция, ценовая
группа, возраст товара и т.д.
Измерение «Время» (дата) – представляется в виде календаря (в
большинстве компаний используется несколько календарей): григорианский
календарь (с 01 января) – в основном в нем сдается бухгалтерская и
налоговая отчетность. Данные по приросту продаж к прошлому году и
основным финансовым показателям несколько искажены ввиду неучета
сезонности и смещения из-за активного экстенсивного развития сети
магазинов. Финансовый календарь компании (например, с 01 сентября) –
59
основная аналитика проводится в нем в связи с особенностями сезонности
спроса и продаж. В большинстве розничных компаний непродуктового
сектора (в первую очередь Одежда и Обувь) существует ярко выраженное
разделение на осенне-зимнюю и весенне-летнюю коллекцию товара, также
ключевой пик продаж приходится на новогодние праздники, поэтому начало
финансового года передвинуто на начало осени. Помимо точки отсчета
календарного года ввиду очевидной особенности принятого календаря –
неделю полностью не укладываются в месяцы – целесообразно применять 2
варианта каждого календаря: помесячный и понедельный. В качестве
альтернативного варианта используется календарь 4-5-4 (с вложением недель
в месяцы), но он не удобен для широкого применения, из-за того что в нем в
разные годы «разъезжаются» даты основных государственных праздников,
традиционно являющихся пиками продаж розницы.
Также существуют следующие виды анализа: период-период по
времени, сравнение факта с плановыми, целевыми и показателями «лучшей
практики» в отрасли, сравнение объект-объект (магазин с другими
магазинами, товар с другими товарами, а также на агрегированном уровне
регион с регионами, группы товаров с другими группами). Ключевыми
периодами времени для анализа являются: изменение относительно прошлой
недели, а также относительно аналогичного периода прошлого года
накопительным итогом с начала месяца, с начала финансового сезона, с
начала финансового года, с начала продаж коллекции, а также движущимся
относительно текущей даты окном в 4 недели и 1 год.
По совокупности измерений проводится анализ по структуре. Таким
образом, каждый атрибут магазина, товара и дерево магазинов и товара
предоставляет отдельное полноценное измерение для анализа. Анализ по
структуре учитывает влияние двух составляющих: как величину изменения
показателя по данному объекту, так и степень влияния объекта на общую
анализируемую совокупность. Таким образом, продажи розничной сети
представляем в виде n-мерного гиперкуба (Рис. 13).
60
Вид анализа
Показатели
Магазины
Атрибуты
магазинов
Товар
Атрибуты
товара
Рис. 13. N-мерный гиперкуб анализа Продаж розничной сети
Рассмотрим предельные возможности многомерного анализа. Многие
практикующие аналитики согласятся, что удобное число измерений для
единовременного анализа лежит в пределах 3-4, дальнейшее увеличение
кратности таблиц приводит к усложнению восприятия. Информации
становится больше, но особенности восприятия человека естественным
образом ограничивают число одновременно воспринимаемой информации. В
рамках данной работы было проведено небольшое исследование. Основная
задача: определить оптимальное для большинства испытуемых число
измерений единовременного анализа. При этом ключевыми факторами
являлись скорость восприятия информации и общий комфорт от длительной
работы
с
данными.
Важным
моментом
является
разный
уровень
вовлеченности испытуемых в аналитическую работу: были протестированы 5
директоров магазинов (аналитическая работа ~10 ч/ неделю), 5 товарных
менеджеров (аналитическая работа ~30 ч/ нед.), 5 аналитиков (аналитическая
работа ~40 ч/нед.), 3 менеджера высшего звена (восприятие данных,
61
подготовленных аналитиками). Результаты исследования приведены на Рис.
14.
Рис. 14. Зависимость удобства восприятия от числа измерений анализа
Основной вывод: оптимальным для анализа является одновременное
использование
измерений.
3-4
Меньшее
число
измерений
–
мало
информативно, большее число измерений – затрудняет восприятие. Также
стоит отметить инвариантность оптимального числа измерений относительно
аналитической нагрузки (все группы сотрудников показали примерно
одинаковые результаты). В практике построения многомерной аналитики
продаж крупных розничных сетей получаются модели данных с числом
измерений 10-15. Это обусловлено компромиссом бизнес потребностей
(реальной аналитической необходимостью) и технологических возможностей
обработки больших объемов данных. Для регулярного анализа «сверху»,
чтобы
ответить
на
вопрос
«Где
возникла
проблема?»,
количество
единовременно используемых для анализа измерений – 3-4 измерения
верхнего уровня. Но чтобы ответить на вопрос «Почему?» и «Что сделать?»
требуется обычно задействовать до 80% измерений модели, т.е. 8-12. В
большинстве рассмотренных компаний розничного сектора с самых ранних
этапов
развития
предприятий
существовали
аналитические
системы
«плоской отчетности». Т.е. универсальные построители отчетов, в которых
62
выбирается стандартная форма выгрузки данных для анализа (чаще всего 2
измерения) и накладываются фильтры по некоторым другим измерениям. На
выходе получается «плоская» таблица. Проанализировав ее, аналитик
выбирает новый разрез для выгрузки данных, строит отчет и т.д. Для
проведения полного анализа ситуации требуется построить большое
количество отчетов (в общем случае – число, близкое к декартову
произведению измерений).
Оперативный анализ на базе интерактивных информационных панелей
позволяет работать не только в статическом виде, перебирая отдельные
отчеты, а в динамическом. Находясь в одном из преднастроенных отчетов, у
пользователя есть возможность перейти к любому интересующему его
новому отчету. Применяется drill-down – это аналитическая техника,
позволяющая передвигаться между различными уровнями данных – от
итоговых к детализированным). Говоря простым языком, у пользователя есть
аналог привычного инструмента «сводная таблица» excel, причем в заранее
сформулированных удобных и понятных ему бизнес терминах, но
работающий на огромном объеме данных с возможностью быстрой
детализации от уровня «итого Компания» до самого детального «артикулмагазин-день». Причем по системе «подсвечивания» наиболее значимых
изменений (настроенной на уровни толерантности) система проводят
пользователя по «маршрутам анализа» (см. Рис. 15), т.е. аналитическая
система адаптивно помогает пользователю быстрее разобраться в причинах и
последствиях
возникшей
ситуации
в
результате
того
или
иного
управленческого решения. А также в итоге проводить анализ и управление
«по
отклонениям»,
не
просто
отображая
текущий
статус
всех
рассматриваемых показателей (как было раньше), а показывать отклонение
от какой-либо базы (прошлый период, план, прогноз, лучший по отрасли) и
выводят не все данные, а только требующие внимания и реакции
ответственного руководителя.
63
N-мерный гиперкуб
Шаг 1
Вид анализа
Показатель
Магазины
Атрибуты
магазинов
Шаг 2
Показатели KPI
Товар
…
Атрибуты
товара
Шаг N
Рис. 15. Маршруты анализа в многомерном гиперкубе
продаж розничной сети
Однако, проследовав по шагам многомерного «маршрута анализа»,
руководитель или аналитик еще не получает полную информацию для
принятия обоснованного решения. Предлагаемое автором объединение
многомерного анализа и оперативного анализа на базе информационных
панелей, дополненное факторным анализом в одной системе поддержки
принятия решений позволяет получить целый ряд преимуществ. Если
многомерный анализ позволяет ответить на вопрос «Где?», то факторный
анализ позволяет узнать «Почему?», представление в виде информационных
панелей позволяет комплексно и быстро посмотреть на исследуемый объект,
а инструментарий оперативного анализа позволяет быстро получить
результат анализа, проверить большое число аналитических гипотез,
затратив при этом небольшое время аналитика. Таким образом, повышается
64
уровень «качества» принимаемых управленческих решений, и снижаются
трудозатраты на подготовку решений. Рассмотрим подход факторного
анализа подробнее.
2.3. Факторный анализ
Факторный анализ – это комплекс методов изучения и оценки влияния
изменения факторов на величину изменения результативных показателей.
Общий подход к факторному анализу деятельности предприятия как части
методологии теории экономического анализа широко описан в работах [8, 11,
12, 13, 31, 33, 159, 160, 162, 172]. Выделим ключевые шаги факторного
анализа (см. Рис. 16):
Постановка цели
Отбор и классификация
Определение и
анализа
факторов
моделирование взаимосвязей
Расчет влияния
Сравнение и
Работа с
Итоги
факторов
выбор моделей
моделью
и выводы
Рис. 16. Этапы факторного анализа
Первым пунктом определяется направление и ставится цель анализа, т.е.
указывается, какой результирующий показатель требуется описать через
набор объясняющих факторов.
Далее отбираются факторы, которые, как предполагается, влияют на
изменение
исследуемого
результирующего
параметра.
Производится
классификация факторов. Для вероятного повышения точности анализа в
начале исследуется большое число факторов, которые могут влиять на
результат. Отметим, что по мере анализа модели, на основе специальных
процедур, часть факторов исключаются, заменяются, добавляются в модель
для более качественного описания результирующего показателя. Отметим,
что набор факторов нельзя рассматривать без учета их корреляции
(взаимозависимости, взаимодействия), необходимо выделить наиболее
65
важные, определяющие, чтобы избежать неправильных выводов по
причинно-следственным связям. Следующим аспектом в анализе факторов
является
определение
показателями
и
вида
влияющими
зависимости
на
них
между
факторами:
результативными
вероятностная
(стохастическая) или детерминированная (функциональная). Выбирается и
строится несколько моделей факторного анализа. Производится расчет
влияния факторов на изменении величины результативного показателя.
Основные способы расчета влияния при детерминированном факторном
анализе рассмотрены ниже. Результаты расчета влияния при различных
моделях сравниваются и на основе критериев значимости производится
выбор основной модели анализа. Далее следует работа с факторной моделью,
использование ее для управления экономическими процессами. Подводятся
основные итоги анализа, выводы, формулируются рекомендаций по
практической реализации.
Виды факторного анализа
Как отмечалось ранее, различают два основных вида факторного анализа
– вероятностный (стохастический) и функциональный (детерминированный)
[180, 200]. Для каждого из видов факторного анализа разработаны и описаны
несколько методов решения (см. Таблицу 3).
66
Таблица 3.
Виды и методы решения факторного анализа
Виды факторного
Методы, применяемые в данном виде
анализа
анализа
Метод цепных подстановок
Метод абсолютных и относительных разниц
Балансовый метод
Индексный метод
Детерминированный
факторный анализ
Логарифмический метод
Интегральный метод
Метод на основе теоремы Лагранжа о среднем
Path-анализ
Инженерный метод
Другие методы
Корреляционный метод
Стохастический
факторный анализ
Регрессионный метод
Дисперсионный метод
Метод кластерного анализа
Другие методы
Детерминированный факторный анализ это один из видов факторного
анализа, при котором взаимосвязь факторов с результирующим показателем
носит «жесткий» функциональный характер. Этот вид анализа очень
распространен, т.к. его достаточно легко применять на практике (по
сравнению со стохастическим анализом). Он позволяет количественно
оценить степень влияния факторов, и дает возможность оценить способы
повышения
эффективности.
Подробнее
методы
детерминированного факторного анализа мы рассмотрим ниже.
решения
67
Детерминированный
факторный
состоит
анализ
из
следующей
последовательности процедур: построение детерминированной факторной
модели (экономически обоснованной); выбор метода факторного анализа (с
проверкой
условий
применимости);
расчет
результатов
модели;
формулировка выводов. Первый этап особенно важен, так как ошибочно
построенная
модель
взаимосвязей,
вероятно,
приведет
к
логически
неоправданным результатам. Выделим основные задачи детерминированного
факторного анализа:
− оценить степень влияния абсолютного (и относительного) изменения
каждого
фактора
на
абсолютное
(и
относительное)
изменение
результативного показателя;
− определить доли изменения результата за счет каждого из факторов;
− разбить прирост результат от базового значения на зависящие от
каждого фактора слагаемые.
Стохастический факторный анализ это вид факторного анализа, при
котором связь факторов с результирующим показателем, в отличие от
функциональной,
является
вероятностной
(корреляционной).
При
функциональной (полной) форме зависимости при изменении аргумента
всегда происходит соответствующее изменение функции. При вероятностном
виде связи изменение фактора может выдать несколько различных значений
изменения результирующего показателя в зависимости от значения других
факторов, а также от изменения факторов, которые не вошли в модель
анализа, но являются определяющими для данного показателя. Методы для
реализации стохастического факторного анализа: парная корреляция;
множественный корреляционный и дисперсионный анализ; матричные
модели; математическое программирование; метод исследования операций;
теория игр; нейронные сети и т.д.. Стохастические модели также позволяют
дополнить выводы из детерминированного факторного анализа. Они
используются по решения задач: когда не очевидно или сложно построить
детерминированную факторную модель; когда взаимосвязанные факторы не
68
объединяются в одной факторной модели; когда рассматриваются сложные
факторы,
которые
сложно
выразить
одним
или
анализа
(в
несколькими
количественными значениями.
Стохастический
вид
факторного
отличие
от
детерминированного) предполагает проверку следующих предпосылок:
достаточный
случайный
объем
характер
наблюдений
для
независимых
оценки
качества
наблюдений;
зависимости;
проверка
их
на
однородность. Рассмотрим этапы решения при стохастическом методе
факторного анализа:
− общий анализ (постановка цели анализа, описание результирующего и
факторных показателей, выбор периода анализа, выбор общего вида
факторной модели и метода факторного анализа);
− предварительный
анализ
(проверка
однородности,
исключение
экстремальных и аномальных значений, расчет потребного объема
выборки для достижения требуемого уровня достоверности анализа;
либо целенаправленное снижение точности анализа если объем выборки
строго ограничен либо сопряжен со значительными денежными и
временным затратами на получение результатов; установление формы
распределения рассматриваемых в модели параметров);
− построение корреляционно-регрессионной модели (последовательный
отбор
факторов
на
основе
оценок
регрессионных
параметров,
построение альтернативных вариантов регрессионных моделей);
− проверка статистической значимости модели в целом и отдельных ее
параметров; определение устойчивости зависимости;
− практическое использование и интерпретация результатов модели;
− корректировка и подстройка модели в зависимости от практических
результатов исследования.
Помимо классификации на детерминированный и стохастический
факторный анализ, выделяют следующие типы факторного анализа [37, 169]:
69
прямой
и
обратный;
одно-
и
многоступенчатый;
статический
и
динамический; ретроспективный и прогнозный.
Прямой факторный анализ проводится от общего к частному – методом
дедукции. Обратный факторный анализ проводится от частных, отдельных
факторов к обобщающим, т.е. способом индукции. Одноступенчатый
факторный анализ используют для анализа факторов только одного уровня,
без
детализации
на
факторов
составные
части.
При
проведении
многоступенчатого факторного анализа производится детализация факторов
первого уровня на составляющие более низкого порядка. Статический
факторный анализ проводится на дату, динамический факторный анализ
предполагает анализ взаимосвязи в динамике за несколько временных
периодов. Ретроспективный факторный анализ проводится по истории
данных, а прогнозный анализирует возможное развитие на будущие периоды.
Методы детерминированного факторного анализа
Методы решения моделей факторного анализа описаны в большом
количестве научной учебной литературы [1, 7, 161, 168, 170, 171] и включены
в программу обучения по многим экономическим дисциплинам. Забегая
вперед,
отметим,
что
в
данной
работе
используются
методы
детерминированного факторного анализа мультипликативных моделей,
поэтому рассмотрим методы их решения более подробно. Рассмотрим
математическое обоснование различных вариантов и методов факторного
анализа. Для удобства восприятия рассмотрим самый простой случай
факторного анализа – 2-х факторная мультипликативная модель.
Условие:
Задача: определить степень влияния факторов на изменение итогового
результата:
Графическая интерпретация решения задачи представлена на Рис. 17.
70
Рис. 17. Изменение функции 2-х факторной мультипликативной модели
Интуитивно понятны основные факторные отклонения ∆Y= Y1-Y0,
состоящее из ∆Ya и ∆Yb. Вопрос вызывает «неразложимый остаток» ∆Yab. В
определении,
каким
образом
между
факторами
распределяется
неразложимый остаток, и заключаются основные различия между методами
детерминированного факторного анализа мультипликативных моделей
(подробный анализ ошибки разложения представлен в [173]). Оговоримся,
что методы детерминированного факторного анализа также различаются
возможностью применения
к
моделям
разной
формы
(аддитивным,
мультипликативным, кратным, смешанным), однако в данной работе из
практических целей будем рассматривать только мультипликативные
модели.
Основные способы решения задач детерминированного факторного
анализа основываются на методе элиминирования – т.е. пошагового
устранения, отклонения, исключения воздействия каждого из факторов на
величину
результативного
показателя.
Данный
метод
предполагает
независимое изменение факторов друг относительно друга. Таким образом
определяется влияние каждого из факторов на величину результирующего
показателя.
71
Метод анализа изолированного влияния факторов. Формула расчета
влияния на изменение результирующего показателя, вызванного каждым
фактором:
.
В
это
методе
не
достигается
полное
разложение
изменения
результирующего показателя (сумма влияний всех факторов не равна
общему изменению результирующего показателя). При помощи данного
метода возможно примерно, качественно оценить факторную модель.
Данный метод является самым простым для «интуитивного» понимания и
реализации, не требует определения очередности анализа изменения
факторов.
Метод цепных подстановок. Рабочая формула:
.
Метод цепной подстановки является универсальным, простым и
наглядным. Его можно применить для анализа влияния факторов в
детерминированных
факторных
моделях
разных
всех
(аддитивных,
мультипликативных, кратных и смешанных). Суть этого способа –
постепенная замена базисной величины каждого фактора на фактическую
величину в целевом периоде. Сравниваются величины промежуточных
значений результирующего показателя до и после изменения каждого
фактора. Данный метод дает полное разложение прироста результирующего
показателя
по
факторам.
В
данном
способе
факторного
анализа
существенное значение имеет очередность анализа факторов. Однако стоит
отметить, что более важны не точные оценки влияния факторов, а выявление
тенденций и определение относительной значимости ключевых факторов. На
практике сформулированы общие принципы анализа. Начинать анализ
следует с изменения количественных, а затем качественных факторов.
Количественные факторы (объемные, аддитивные): выручка, затраты,
численность сотрудников, и т.д. Качественные факторы (относительные,
неаддитивные):
наценка,
скидка,
средний
чек,
конверсия,
72
производительность
труда
подразделяются
2
на
типа:
и
т.д..
«полную»
Детерминированные
модели
(результирующая
функция
количественная) и «неполную» (функция качественная). При наличии
нескольких количественных и качественных показателей, то сначала
анализируются факторы первого уровня, а затем более низкого. Таким
образом, для применения метода цепной подстановки необходимо знать
взаимосвязи факторов, важно их правильно классифицировать.
Производим цепную подстановку значений и рассчитываем условные
значения результирующей функции:
Влияние факторов определяем через приращение условных значений
функции:
Для 2 факторов получаем следующее решение:
Метод абсолютных разниц. Решение по данному методу является
краткой записью решения по методу цепных подстановок:
73
Как видно, неразложимый остаток
прибавляется к последнему
фактору. Для двухфакторной мультипликативной модели:
Неразложимый остаток (ошибка разложения):
Недостаток метода: возникает разница в расчетах при изменении
последовательности подстановки факторов, т.к. неразложимый остаток
прибавляется к последнему фактору. В практике анализа рекомендуется
сначала оценивать степень влияния количественных показателей, а затем –
качественных.
Метод относительных разниц
Метод долевого участия. Данный метод основан на предположении о
пропорциональном влиянии изменений факторов на образование изменения
функции:
74
Индексный метод
Интегральный метод. Метод основан на предположении о равномерном
распределении неразложимого остатка между факторами:
Логарифмический метод. Рассмотрим применение логарифмического
метода на примере 5-ти факторной мультипликативной модели.
Условие:
Задача:
Решение:
,
,
75
Вывод:
,
где
Метод экономического факторного анализа на основе теоремы Лагранжа
Метод на основе метода конечных приращений (теорема Лагранжа о
среднем) – предложенный С. Блюминым, В. Сухановым и С. Чеботаревым из
Липецкого университета в т.ч. в работе ««экономический факторный
анализ», 2004 г [17, 18, 19]. Практические примеры применения данного
метода подробно описаны в [152, 153, 154, 155].
«Инженерный» метод
Для факторного экспресс-анализа можно использовать упрощенный
«инженерный» метод разложения. Суть его заключается в том, что при
небольших отклонениях факторов, неразложимый остаток факторного
анализа становится величиной малого порядка относительно основных
факторных отклонений, и поэтому им можно пренебречь для «быстрого»
анализа. Таким образом, общее отклонение результирующего показателя в
мультипликативной модели раскладывается в сумму отклонений факторов по
следующей формуле, без учета величины неразложимого остатка:
Y = A*B*…,
∆Y/Y0 ≈ ∆A/А0 + ∆B/B0 + …
Для кратных моделей деление переходит в разность:
Y = A/B,
∆Y/Y0 ≈ ∆A/А0 – ∆B/B0
У данного метода есть существенное ограничение – он не является
математически «строгим», и он применим только для отклонений малых
порядков. Чем меньше относительные приращения факторов, тем лучше
точность оценки влияния факторов на результирующий показатель [19]. На
отклонениях большого порядка ошибки разложения превышают значимость
факторного анализа. На практике использования инженерного метода
факторного анализа целесообразно, если отклонения как результирующего
показателя, так и всех факторов – относительно небольшие, а главное –
76
одного порядка величин (обычно ≤20%). Еще раз напомним, что инженерный
метод – упрощенный, и подходит только для экспресс-анализа. Он хорошо
интуитивно воспринимается из-за простоты расчета и интерпретации, но
имеет ограничения по величинам отклонения факторов.
Применимость методов ФА к моделям разного типа
Рассмотрев основные приёмы детерминированного факторного анализа
и сферу их применения, результаты можно систематизировать в виде
следующей Таблицы 4.
Таблица 4.
Возможность применения методов ФА к моделям разного типа
Метод / Тип модели
мультипликативные
аддитивные
кратные
смешанные
цепной подстановки
+
+
+
+
индексный
+
–
+
–
абсолютных разниц
+
–
–
Y=a(b-c)
относительных разниц
+
–
–
–
долевого участия
–
+
–
Y=a/ Σ xi
интегральный
+
–
+
Y=a/ Σ xi
логарифмирования
+
–
–
–
После
рассмотрения
теоретических
основ
проведения
детерминированного факторного анализа мультипликативных моделей
перейдем к практическому применению в поддержке принятия решений при
управлении продажами крупных торговых сетей.
2.4. Факторный анализ продаж розничной сети
Постановка задачи факторного анализа продаж торговой сети
Как уже было отмечено, помимо аддитивного разложения продаж «по
структуре» (магазины, товары и их атрибуты) при многомерном анализе, в
77
поддержке принятия управленческих решений для розничных сетей
применим разложение показателя «Продаж торговой сети» в виде
детерминированной мультипликативной модели от розничных показателей
эффективности (числа посетителей, коэффициента конверсии, среднего
чека, …) [145]. Ключевой идеей, лежащей в основе управления продажами
торговой сети, предлагается подход «управления по ключевым показателям
эффективности (англ. KPI – key performance indicators)», широко освещенный
в литературе по контроллингу [54, 127, 128, 130]. Процесс продаж торговой
сети состоит из нескольких частей (условно это – привлечение клиента в
магазин, ассортиментная матрица, ценовая и скидочная политика, выкладка
товара, способность продавца обслужить покупателя, дать необходимую
консультацию, обеспечить комплексность покупки, совершить продажу и
постпродажное обслуживание, активно включить клиента в программу
лояльности компании). Соответственно каждый этап характеризуется своим
набором показателей. Этот набор показателей «управляется» различными
ответственными подразделениями в компании. И таким образом анализ
отклонений фактических показателей от референтных (целевых, плановых,
прошлых периодов, лучшей практики) – позволяет в большинстве случаев
выработать правильные гипотезы и предпринять конкретные действия по
улучшению итоговых результатов продаж. Т.е. в системе поддержки
принятия решений необходимо сформулировать матрицу «фактор –
ответственный – действие». Также важным является не «идти широким
фронтом», улучшая «все подряд», а выявить наиболее влияющие на
конечный результат факторы, расставить приоритеты, и в первую очередь
улучшать наиболее важные показатели. Для этого предлагается применить
факторный анализ.
Рассмотрим основные шаги проведения факторного анализа. Постановка
цели анализа: разработать подход к повышению продаж крупной розничной
сети за счет выявления факторов роста продаж, установления ответственных
за эти факторы сотрудников и подразделений компании для выработки
78
управленческих решений на основе факторного анализа. Реализация
поставленной цели связана с решением следующих задач:
− Разработать подход к факторному анализу продаж торговой сети,
обосновать выбор факторов и форму модели анализа.
− Обосновать выбор метода факторного анализа с учетом особенностей
задачи.
− Описать алгоритм расчета влияния факторов.
− Разработать матрицу [фактор -> ответственный -> действие] на
основе результатов факторного анализа.
− Выбрать эффективный по скорости восприятия способ визуализации и
презентации результатов факторного анализа.
− Привести числовой пример расчета и сформулировать выводы анализа.
Произведем выбор факторов модели факторного анализа и построим
факторную модель. Представим продажи сети магазинов как функцию 2-х
переменных, а именно в виде мультипликативной модели:
Продажи = Число покупателей * Средний размер покупки (чек).
Далее произведем декомпозицию указанных 2-х переменных на факторы
2-го
уровня,
т.е.
получим
более
подробную
5-ти
факторную
мультипликативную модель, которая графически может быть представлена
как на Рис. 18.
79
Рис. 18. Разложение продаж торговой сети по факторам
(5-ти факторная мультипликативная модель)
Рассмотрим числовой пример факторного анализа продаж торговой сети.
Продажи и розничные показатели эффективности одного из регионов
розничной сети в отчетном периоде изменились относительно предыдущего
года как указано в Таблице 5. Ключевыми периодами времени для анализа
обычно являются: изменение относительно прошлой недели и относительно
аналогичного периода прошлого года накопительным итогом с начала
финансового сезона.
Таблица 5.
Изменение продаж и показателей (исходные данные для расчета)
101 М
120 т
20%
Комплексность
2,59
77 М
100 т
18%
2,58
2 000
18%
23 М
+30%
20 т
+20%
+1%п
+8%
0,01
+0%
88
+4%
+3%п
+19%
Продажи
факт
прошлый
год
∆ +/∆%
Посетители Конверсия
Ср.
Скидка
цена
2 088
21%
Задача проводимого анализа состоит в определении степени влияния
каждого из 5 факторов на изменение итогового результата продаж. Как видно
из Таблицы 5, продажи выросли на +30% относительно прошлого года. Но
какой из факторов оказал наибольшее влияние на результат, и в какой
степени? Ключевое значение в разложении по факторам заключается в том,
80
что, не смотря на общий синергетический эффект всех подразделений на
результат продаж, на разные факторы эффективности основное влияние
оказывают руководители разных подразделений. В зависимости от степени
влияния каждого фактора руководство торговой сети принимает решение об
изменении процесса по каждому участку работы с продажами, т.е. строится и
используется
матрица
«фактор
–
ответственный
–
корректирующее
воздействие». (см. Таблицу 6).
Таблица 6.
Матрица «фактор – ответственный – действие»
Фактор
Количество
посетителей
Ответственный
Отдел
Маркетинга
торговой сети
Конверсия
(% обслуживания
=
покупатели/посети
тели)
Комплексность
покупки (среднее
число позиций в
чеке)
Директор
магазина
Средняя цена
позиции в чеке
Директор
магазина и
Отдел
Маркетинга InStore
коммуникации
Ассортиментный
менеджер
Мерчендайзер
Ассортиментный
менеджер
Скидка
Действие
Усилить направленный трафик к
торговой точке, проведение
«трафикообразующей» акции (в
т.ч. реклама, соц.сети, оформление
витрины, «дорога к магазину»)
Провести обучение с персоналом
торговой точки по комплексности
и актуальному товару, повысить
заинтересованность и активность
работы
Провести коммуникацию с
ассортиментными менеджерами
для выработки продуктовых
«наборов» (в т.ч. «семейных»)
Сбалансировать ассортиментный
портфель по линиям
Выкладка товара по ценовым
уровням
Провести анализ скоростей
продаж и эластичности по скидке.
Контроль out-of-stock (нехватки
товара)
Решение методами детерминированного факторного анализа
Обоснуем выбор вида факторного анализа для рассматриваемой
модели. Как уже было отмечено, в зависимости от типа решаемой задачи
выделяется
два
основных
вида
решения
факторного
анализа
–
81
детерминированный и стохастический. Детерминированный целесообразно
использовать, когда возможно установить функциональную зависимость
результирующего показателя от исходных влияния факторов. В данной
работе
для
решения
использовать
конкретной
детерминированную
поставленной
модель
по
задачи
предлагается
следующей
причине.
Детерминированная модель легче для восприятия, проще для применения,
чем
стохастическая,
статистические
т.к.
расчеты
легко
«проверяется»
без
(для
детерминированной
углубления
в
двухфакторной
мультипликативной модели существует простая графическая интерпретация
факторного разложения, которая является очевидной для большинства
сотрудников). Как уже отмечалось, для большого числа менеджеров (часто
без профильного экономического образования и глубокой математической
подготовки) это более низкий «порог входа» в анализ.
Обоснуем выбор метода факторного анализа. После построения
факторной модели задача состоит в определении степени влияния каждого
фактора на изменение итогового параметра. К было отмечено ранее,
существует несколько методов факторного анализа. При постановке задачи
получили 5-ти факторную мультипликативную модель продаж торговой
сети. К мультипликативным моделям применимы практически все методы
детерминированного факторного анализа. Но для анализа отклонений в
рассматриваемом случае удобно использовать логарифмический метод
разложения
мультипликативной
модели
по
факторам.
Основное
преимущество логарифмического метода заключается в том, что не
возникает
разница
в
расчетах
при
изменении
последовательности
подстановки факторов. В явном виде не образуется неразложимый остаток
(он пропорционально разделяется между факторами в зависимости от их
влияния на результирующий показатель). Т.е. у разных пользователей на
одних и тех же данных всегда будет получаться одинаковый результат
анализа (что значительно увеличивает степень доверия к методу). За выбор
данного метода по отношению, например, к методу на основе теоремы
82
Лагранжа [2] – заключается в том, что модель в данной задаче – с большим
числом факторов (модель продаж 5-ты факторная, в дальнейших моделях
валовой прибыли ассортимента и мультиканальных рекламных кампаний
число факторов >>10) – поэтому ее решение методом Лагранжа получается
достаточно «громоздким». Удобство реализации логарифмического метода
не ухудшается при любом числе факторов в мультипликативной модели.
Также данный расчет для любого числа факторов в мультипликативной
модели удобно автоматизировать в любой аналитической системе при
помощи базовых встроенных математических функций (как Microsoft Office
Excel, так и в любой КИС (корпоративной информационной ситсеме), в т.ч. в
наиболее современных системах интерактивного бизнес-анализа (Business
Intelligence, BI).
Рассмотрим решение факторной
модели. Условие задачи: дана
факторная модель и изменение результирующего показателя (продажи
торговой сети)
,
,
Задача факторного анализа: оценить степень влияния каждого фактора
на изменение результирующего показателя, т.е. представить отклонение
результирующего показателя в виде суммы составляющих, зависимых от
отдельных факторов:
,
При использовании логарифмического метода детерминированного
факторного анализа решение задачи имеет следующий вид:
и т.д., где
(подробный вывод формулы решения см. выше в разделе методов
детерминированного факторного анализа).
83
Отметим, что в данном методе можно использовать логарифмирование
по любому основанию (натуральный, десятичный или любой другой
логарифм),
результат
разложения
по
факторам
не
меняется,
т.к.
логарифмирование симметрично применяется как к факторам, так и к
результирующему показателю.
Таким
образом,
получаем
разложение
изменения
абсолютного
показателя валовой прибыли на аддитивные составляющие, вызванные
ключевыми
факторами.
Далее
необходимо
визуализировать
и
интерпретировать результаты факторного анализа, сделать соответствующие
выводы и выработать рекомендации к управленческим решениям.
Визуализация факторного анализа продаж розничной сети
Одним из наиболее эргономичных способов визуализации результатов
факторного анализа
является
«водопадная диаграмма» (см.Рис. 19),
построенная на относительном изменении результирующего показателя,
графически представляющая положительные и отрицательные отклонения и
степень их влияния на конечный результат продаж.
Конверсия
Комплексность
Продажи
Ср.цена
Посетители
Скидка
Рис. 19. Водопадная диаграмма факторного анализа продаж
84
Альтернативной визуализацией является горизонтальная гистограмма
(типа «мост», см.Рис. 20). Она немного компактнее, но хуже воспринимается.
Водопадная диаграмма – позволяет получить представление о ключевом
значимом факторе за
оговоримся,
что
более
короткий промежуток времени. Сразу
проведенная
оценка
не
является
серьезным
репрезентативным исследованием. Однако в данной работе сознательно
приводим несколько разработанных вариантов визуализации, чтобы каждая
аналитическая
группа
при
внедрении
многомерного
оперативного
факторного анализа на своем предприятии смогла самостоятельно выбрать
наиболее подходящий для себя способ визуализации.
Технологической базой для проведения подобного анализа может
выступать как настольный офисный пакет прикладных программ (например,
MS Excel или OpenOffice Calc), так и специальные системы класса Business
Intelligence.
85
120 М
101 М
100 М
80 М
77 М
60 М
40 М
+16.3 М
20 М
+6.6 М
+0.3 М +3.8 М -3.7 М
Продажи
+30%…
Скидка
18% -> 21%
Ср.цена
+4%
Компл.
2,58 -> 2,59
Конверсия
18% -> 20%
Посетители
+20%
-20 М
прошл.год
0М
Рис. 20. Мостовая диаграмма визуализации факторного анализа продаж
(абсолютная и относительная)
86
Интерпретация результатов факторного анализа
По приведенной формуле рассчитаем влияние изменения факторов на
изменение
результирующего
показателя
продаж
торговой
сети
(см. Таблицу 7).
Таблица 7.
Результат расчета влияния факторов
∆ +/∆%
Продажи
Посетители
Конверсия
Комплексность
+23 М
+30%
+16 М
+21%
+7 М
+8%
+0 М
+0%
Ср.
цена
+4 М
+5%
Скидка
-4 М
-5%
По полученным результатам в приведенном примере согласно матрице
ответственности сформулируем выводы, что основной вклад в прирост
продаж был получен за счет увеличения трафика посетителей в торговые
точки. Т.е. действия отдела маркетинга были успешны, и основным
драйвером данного фактора является локальная наружная реклама вблизи
точек продаж и создание «путей доступа» потенциальных покупателей к
магазинам. Также анализ показывает, что дополнительно введенная скидка
повлияла на переключение потребителей в следующую ценовую категорию,
поддержав увеличение потока посетителей, позволила увеличить конверсию
при сохранении комплексности покупки. Таким образом, совокупность
факторов в полученной пропорции повлияла на увеличение продаж торговой
сети.
2.5. Модифицированная схема управления торговой сетью на
основе многомерного оперативного факторного анализа
Для реализации разработанного подхода и его интеграции в бизнеспроцессы компании – разработана модифицированная схема управления
торговой сетью на основе многомерного оперативного факторного анализа
(см. Рис. 21). Основная идея: решение вопросов на уровне линейного
менеджмента, не дожидаясь эскалации на уровень высшего руководства. По
результатам многомерного факторного анализа – согласно матрице «фактор-
87
ответственный-действие» – предложение, проработка и исполнение решений
на уровне линейного менеджмента. И только в случае разногласий – выход
«наверх».
Объединение
многомерного
оперативного
анализа
на
базе
информационных панелей и факторного анализа в одной системе поддержки
принятия решений позволяет получить целый ряд преимуществ. Если
многомерный анализ позволяет ответить на вопрос «Где?», то факторный
анализ позволяет узнать «Почему?», представление в виде информационных
панелей позволяет комплексно и быстро посмотреть на исследуемый объект,
а инструментарий оперативного анализа позволяет быстро получить
результат анализа, проверить большое число аналитических гипотез,
затратив при этом небольшое время аналитика. Представленная схема
подготовки и принятия оперативных управленческих решений в розничной
торговой сети позволяет существенно экономить временные ресурсы
управляющих. Предложенная методика детерминированного факторного
анализа позволяет повысить качество проработки решения руководителями, а
также в целом сократить время на подготовку информации для принятия
решения. Выбранный способ визуализации позволяет оперативно доводить
результаты анализа до руководителей торговых точек, чтобы своевременно
влиять на ключевые факторы успеха.
88
Рис. 21. Модифицированная система управления торговой сетью на основе
многомерного оперативного факторного анализа
2.6. Факторный
анализ
валовой
прибыли
ассортимента
торговой сети
Рассмотрим еще одну область практического применения факторного
анализа в крупных розничных сетях. В системе управления большой сетью
существует потребность в делегировании полномочий «на места» и, как
следствие, предоставление доступа к аналитике не только для узкой группы
управляющих менеджеров, но многим линейным руководителям (брендменеджерам и категорийным менеджерам) для оперативного обнаружения
«узких мест» и своевременного регулирования ситуации [149]. Рассмотрим
методику анализа валовой прибыли (маржи) товарного портфеля [150]. Для
этого представим абсолютное значение Валовой прибыли по продуктам по
формуле:
,
89
Для исключения влияния открытия, раскрутки и закрытия некоторых
торговых точек сети целесообразно проводить анализ на сравнимой базе
магазинов
(Like-for-like,
т.е.
магазинов,
стабильно
работающих
на
протяжении нескольких лет):
.
Для анализа влияния изменения структуры ассортимента на валовую
рентабельность товарного портфеля представим Продажи LFL как сумму:
Далее рассмотрим разложение по факторам показателя валовой
рентабельности:
,
,
Таким образом, получили смешанную (аддитивно-мультипликативную)
модель Валовой прибыли по ассортиментному портфелю торговой сети:
Далее анализ может продолжать и на более глубоких уровнях, например,
влияние скидки раскладывается на 3 составляющих: сезонную скидку,
90
бонусную и специальную скидку сотрудников. Графически данная модель
представлена на Рис. 22.
Рис. 22. Схема разложения Валовой прибыли по факторам
Стоит отметить, что помимо предложенного варианта разложения
валовой прибыли по факторам, можно использовать и другие модели (см.
Рис. 23).
Рис. 23. Альтернативные модели разложения факторов валовой прибыли
Задача факторного анализа состоит в определении степени влияния
каждого фактора на изменение итогового параметра, т.е. превращении
смешанной модели – в простую аддитивную. Получаем разложение
изменения абсолютного показателя Валовой прибыли на аддитивные
составляющие, вызванные ключевыми факторами. В зависимости от степени
влияния каждого фактора (см. Таблицу 8) руководство принимает решение
об изменении работы с товаром.
91
Таблица 8.
Факторы изменения валовой прибыли ассортиментного портфеля
Фактор
Продажи
новых
магазинов
и
Источник изменения
и
Корректирующее воздействие
LFL- Показывает
степень Поиск оптимального значения Валовой прибыли по
Валовая экстенсивного/интенсивного развития
кривой
от
Валовой
Перераспределение спроса в сторону товара Проведение ABC, Парето, квадрантного анализа по
разной группы маржинальности
Наценка
Продаж
рентабельности (т.е. наценки и скидки).
рентабельность%
Структура ассортимента
эластичности
Показывает
политики
структуре маржинальности.
сбалансированность
Компании
и
ценовой Установление целевой наценки по группам товара и
закупочных
цен контроль
групп
товара
по
91
Поставщиков
распределений
маржинальности в обороте.
Компоненты наценки – Рост Характеризует
ценовую
политику
в Проведение анализа конкурентного предложения с
средней цены единиц товара анализируемой товарной категории
целью оптимизации розничной цены.
РРЦ
Компоненты наценки – Рост Характеризует
эффективность
себестоимости единицы товара
а
деятельности,
также
закупочной Переговоры с поставщиками, поиск новых.
эффективность
логистики.
(1-Скидка%)
Характеризует
способность
«продавать» себя по полной цене.
товара Более
раннее
введение
промо-активностей
для
нивелирования ликвидации стоков в конце активного
сезона продаж.
92
Приведем пример результатов анализа увеличения продаж за сезон
отчетного года по отношению к аналогичному периоду прошлого года. На
рис.5 видно, что прирост валовой прибыли на +10% разбивается по факторам
следующим образом: +7%+2%+1%+7%-3%-4%=+10%. Ключевыми являются
следующие факторы: +7% пунктов прироста валовой прибыли объясняется
экстенсивным
ростом
торговой
сети
(т.е.
увеличением
количества
магазинов), а увеличение средней цены единицы товара на +10% (которое
вызвало прирост валовой прибыли на +7%) компенсировано увеличение
скидки с 16% до 20%. Результат анализа удобно представлять в виде
«водопадной» и «мостовой» диаграммы (см. Рис. 24, Рис. 25).
+25%
+20%
Ср.цена РРЦ
+10%
Ср. СС
+5%
+7%
ВП
-3%
ВП
+15%
Продажи LFL
Продажи нов.
+3%
+2%
+7%
ВП
ВП
+10%
+5%
Структура%
-
Скидка%
16% -> 20%
-4%
ВП
∆ Вал.прибыль
50% -> 52%
+10%
ВП
+1%
ВП
-
Рис. 24. «Водопадная» диаграмма факторного анализа ассортимента
-
+7 М
+5 М
+5 М
-
+1 М
-
-
-
+7%
+7%
+5%
+10%
-
+1-М
-2 М
-
-
-2 М
-3 М
+2%
-
+1%
-
-
-3%
-4%
∆ Вал.прибыль
50% -> 52%
Ср.цена РРЦ
+10%
Структура%
-
∆ Вал.прибыль
50% -> 52%
Скидка%
16% -> 20%
Ср. СС
+5%
Ср.цена РРЦ
+10%
Структура%
-
Продажи LFL
+3%
-5%
Продажи нов.
-
-4 М
Продажи LFL
+3%
+2 М
-
-
Продажи нов.
-
+4 М
+10%
Скидка%
16% -> 20%
-
+6 М
Ср. СС
+5%
+8 М
Рис. 25. «Мостовая» диаграмма факторного анализа ассортимента
(абсолютная и относительная)
Проводя дальнейший многомерный факторный анализ, на следующем
шаге анализа мы можем выяснить, что наибольшее количество новых
магазинов открылось в сибирском федеральном округе, далее, что из них
93
наибольшее влияние оказали магазины формата 1500 кв.м., расположенные в
ТЦ, в городах с населением 300-500 тысяч жителей. Пройдя по
альтернативной ветке многомерного оперативного анализа мы выясним, что
увеличение средней цены единицы товара в основном произошло в детском
сегменте, и
вызвано в первую очередь увеличением расширением
ассортимента на новые группы товара, с большей средней ценой. Таким
образом
формулируется
многосторонняя
картина
происходящего
с
продажами торговой сети с указанием, какие факторы привели к такому
изменению, и какие подразделения могут повлиять на ситуацию в будущем.
2.7. Факторный
анализ
рекламных
кампаний
мультиканальной розничной сети
Цель данной части работы: разработать подход к повышению
экономической эффективности рекламных акций (на примере рассылок по
электронной почте) с учетом особенностей крупной мультиканальной
розничной сети на основе факторного анализа. Реализация поставленной
цели связана с решением следующих задач:
1. Разработать полный цикл работы с рекламными акциями (на примере
email-рассылок) с учетом особенностей крупной мультиканальной
торговой сети.
2. В т.ч. предложить классификацию целей акций и разработать
алгоритм
выбора
механики
и
выборки
клиентской
базы
в
зависимости от целей акции.
3. Разработать подход к факторному анализу результатов акций и
обосновать выбор факторов в модели анализа. Обосновать выбор
метода факторного анализа с учетом особенностей задачи. Описать
алгоритм расчета влияния факторов. Разработать матрицу [фактор > ответственный -> действие] на основе результатов факторного
анализа. Привести пример расчета и выводов анализа. Выбрать
эффективный
по
скорости
результатов факторного анализа.
восприятия
способ
визуализации
94
Полный цикл работы с рекламными акциями в мультиканальных
розничных сетях на основе факторного анализа
Ключевой идеей, лежащей в основе работы с рекламными акциями,
предлагается подход «управления по ключевым показателям эффективности
(англ. KPI – key performance indicators [116])». Жизненный цикл акции
состоит из этапов реализации процесса, каждый этап характеризуется своим
набором показателей. Этот набор показателей «управляется» ответственными
подразделениями в компании (либо подрядчиками). И анализ отклонений
фактических показателей от целевых плановых и референтных в т.ч. в
тестовых выборках – позволяет в большинстве случаев выработать
правильные гипотезы и предпринять конкретные действия по улучшению
итоговых результатов. Т.е. необходимо сформулировать матрицу «фактор –
ответственный – действие». В этом процессе важным является не «идти
широким фронтом», улучшая «все подряд», а выявить наиболее влияющие на
конечный результат факторы, расставить приоритеты, и в первую очередь
улучшать наиболее важные показатели [166]. Для этого предлагается
применить факторный анализ, который более подробно описан ниже.
Опишем предлагаемый автором полный цикл работы с рекламными
акциями (на примере email-рассылок) с учетом особенностей крупной
мультиканальной торговой сети. Цикл состоит из следующих ключевых
этапов, изображенных на Рис. 26.
Планирование
акций
Тестирование
• Маркетинг-план на период: •
задание целей рекламных •
•
кампаний.
формулирование целевых •
KPI
• Планирование и разработка
каждой акции
• Техническая подготовка
Реализация
Тестирование акции,
Сбор KPI
Перепланирование
Выбор «боевого»
варианта
Анализ и
перепланирование
• Анализ KPI
• Корректировка
целей
и маркетингового
плана
Рис. 26. Цикл работы с рекламными акциями
95
Рассмотрим каждый из этапов более подробно.
1. Планирование акций. Перед началом финансового года составляется
общий маркетинг-план на год/сезон/квартал/месяц с детализацией по
неделям:
− Сначала идет планирование «сверху-вниз», т.е. количество и типы
акций от целей продаж и других мультиканальных целей
компании (в т.ч. поддержка розничного канала продаж).
− А затем планирование «снизу-вверх», т.е. выдвигаются идеи, и
планируются конкретные акции по календарю. Данный план
регулярно (раз в квартал пересматривается «скользящим окном»
на год).
Подготовка (планирование и разработка) каждой акции из общего плана
состоит из следующих этапов.
2. Формулировка целей акции,
Общие нетаргетированные по клиентам товарные акции:
− Знакомство клиентов с новой коллекцией/ линейкой в категории/ с
новым брендом/ новые комплексные предложения (с сегментацией
предложения на технологичный и дорогой товар и базовые модели
для любителей «цена/качество»).
− Поддержка
продаж
новой
коллекции
сезонной
категории,
селективная поддержка скидок на плохо продающийся товар
сезонной категории
− Распродажа остатков (ликвидация старой коллекции)
Информационные
акции,
привлекающие
«новых»
клиентов
и
повышающие лояльность «старых» клиентов:
− Консультационная поддержка клиентов по товарной категории
(база знаний, консультации экспертов) с предложением продажи
− Поддержка повторных мультиканальных продаж через Бонусные
акции
96
− Поддержка привлечения новых клиентов через Подарочные карты
для «старых» клиентов
− Поддержка запуска нового розничного магазина
− Поддержка запуска нового региона он-лайн доставки
− Поддержка запуска новых сервисов доставки (возможность
примерки при получении, возможность частичного отказа от
заказа, возможности разных типов оплаты, доставка в точный
интервал времени, срочная доставка, ночная доставка, подъем на
этаж, сборка, …)
− Поддержка запуска новой точки самовывоза из розничного
магазина
− Поддержка «клубной» активности и рекламных мероприятий как
торговой сети в целом, так и отдельных брендов и категорий
(оффлайн, СМИ, соц.сети,..): дни рождения магазинов, праздники
и акции в Торговых центрах, государственные и гендерные
праздники, события и конференции, активности в соц.сетях.
В зависимости от целей акции выбираются механика и выборка
клиентской базы.
3. Выбор типа механики акции («ценность» для Клиента)
− Селективная скидка на ограниченный диапазон товаров
− Масштабная сезонная распродажа, ликвидации остатков
− Бесплатная доставка (бесплатная доставка от Х рублей),
бесплатный самовывоз из магазина.
− Специальные условия на комплексные покупки (2/3 товар в чеке,
высокая сумма чека, продажа комплектов и наборов, линейка
продуктов 1 категории, но разных товарных групп)
− Особые условия для участников клубной программы разных
уровней (базовый, серебряный, золотой)
− Персонифицированные комплексные предложения (по истории
покупок: через короткий промежуток времени после покупки –
97
предложение дополнительных товаров комплекта, через длинный
промежуток времени после покупки – предложение более
«продвинутого» продукта данной категории)
4. Выборка целевой части клиентской базы, «клиентского сегмента».
Для этого анализируются:
− социально-демографические «атрибуты» клиента (анкета клубной
программы): пол, возраст, семейное положение, наличие детей,
район проживания;
− история заказов, отказов, покупок в розничных магазинах сети и
он-лайн (частота покупок, число покупок в год, средний чек,
предпочитаемые категории товаров, торговые марки, ценовой
диапазон, предпочитаемый канал: розница/ онлайн)
− история посещений и поведение на сайте: просмотренные
категории/ товар, добавленный в корзину, но не выкупленный
(«брошенные корзины»).
5. Разработка сообщения каждой email-рассылки
− товарное предложение (на выходе «товарные» KPI акции: ср.чек
(от средней цены позиции и комплексности чека), %скидки,
%валовой прибыли от продаж)
− По типу сообщения: товарные и информационные
6. Расчет целевых KPI акции (в т.ч. сценарный анализ: пессимистичный/
реалистичный/
оптимистичный),
перепланирование
клиентской
выборки, механики, товарного предложения – до достижения
требуемых целевых KPI
7. Подготовка рекламных материалов (графика, текст email/sms)
8. Техническая реализация предложения (верстка): на сайте, подготовка
рассылки; простановка счетчиков на сайт для сбора статистики по
акции, …
9. Тестирование нескольких вариантов акции:
98
− Тестовая рассылка email по нескольким небольшим частям
клиентской базы нескольких товарных предложений
− План-факт-референт анализ KPI тестовой рассылки
− Корректировка параметров акции (условий акции, клиентской
выборки,
целевых
KPI),
повторное
тестирование
при
необходимости, принятие решение о старте рассылки
10.Реализация акции:
− «Боевая» рассылка email по всей отобранной клиентской базе
− Повторная рассылка email по тем, кто не открыл
− Заказы и ПРОДАЖИ!
11.Анализ результатов акции:
− Сбор факта (почтовая рассылка, трафик сайта, заказы, продажи)
− План-факт-референт
анализ
KPI
рассылки
(коммуникация,
конверсионная воронка размещения и исполнения заказов,
повторные покупки, валовая рентабельность акции)"
− Факторный анализ причин отклонения фактических KPI от плана
и референта: осмысление результатов, гипотезы, выводы для
будущих акций, сохранение параметров результата в «Базе
знаний» для планирования следующих акций.
12.Анализ и корректировка маркетингового плана
− Подготовка
отчета
за
длительный
период
-
вывод
об
эффективности типов механик
− Корректировка долгосрочного маркетингового плана и создание
новых типов акций.
Ключевым этапом в данном процессе является принятие решений по
корректировке параметров email-кампаний по результатам факторного
анализа. После сбора факта и расчета отклонений факта от плана и референта
по итоговому результату, рассчитываются отклонения по каждому KPI.
Причем чаще всего разные факторы отклоняются как в лучшую, так и в
худшую стороны, а также имеют различные по величине относительные
99
отклонения. Для выработки корректирующих действий для достижения
лучших результатов – необходимо выяснить, отклонения по каким из
факторов оказали наибольшее влияние на отклонение итогового результата
от плана и референта. Для этого и проводится факторный анализ.
Факторный анализ валовой прибыли почтовой рассылки
Как уже было отмечено ранее, под факторным анализом понимается
методика
оценки
влияния
изменения
факторов
на
величину
результирующего параметра. Проведем факторный анализ валовой прибыли
рекламной кампании на примере рассылки зарегистрированным членам
клубной программы компании предложения по электронной почте (emailрассылки). Цель анализа – в ходе тестовых рассылок по небольшой базе
клиентов подобрать оптимальные по прибыльности параметры для запуска
основной кампании, а затем при реализации «боевой» кампании –
проанализировать ключевые отклонения факта от плана, чтобы провести
корректировки в последующих кампаниях. Построим факторную модель для
анализа. Целевая функция – валовая прибыль по акции. Показатели
эффективности
являются
email-кампании
«естественными»
и
последовательно характеризуют каждый шаг email-кампании, т.е. процесс от
начала до конца. Приведем ключевые блоки цепочки показателей
факторной модели (см. Рис. 27):
Клиентский
сегмент
Товарное
предложение
Коммуникации
и привлечение
Исполнение
заказов
*Повторная
рассылка
*Повторные
покупки
Размещения
заказов
Валовая
прибыль
Рис. 27. Группы показателей факторной модели email-рассылки
Детализируем
показатели
каждой
группы.
Выбор
параметров
клиентского сегмента характеризуется объемом отобранной клиентской
100
базы для рассылки, ограничивающий фактор – минимальный срок с
предыдущего контакта с клиентом, чтобы «не наскучить» клиенту. Товарное
предложение – характеризуется показателями комплексности (число штук в
1 покупке), средней ценой единицы товара, средней суммой покупки,
предоставляемой скидкой, а также уровнем валовой рентабельности,
зависящей от себестоимости и ее составляющих (закупочных цен, стоимости
доставки, таможни, курсовой разницы). Коммуникации и привлечение –
описываются долей открытых писем от числа отправленных писем, долей
переходов на сайт компании от числа открытых писем. Размещение и
исполнение заказов – % конверсии сайта (доля разместивших заказ от числа
посещений сайта) и % выкупаемости размещенного заказа соответственно.
Соберем факторы из всех групп в единую модель. Для этого представим
значение Валовой прибыли по товарам по формуле:
т.е. валовая прибыль по акции характеризуется экстенсивным и
интенсивным параметром. Экстенсивная компонента изменения валовой
прибыли
–
продажи
товара
в
штуках.
Для
оценки
интенсивного
(«качественного») роста валовой прибыли – применяем показатель валовая
прибыль на 1 штуку продаж.
На
следующем
шаге
раскладываем
по
факторам
показатель
«Продажи, шт»:
Аналогично по шагам раскладываются остальные составляющие
факторной модели. Результирующий фактор промежуточного уровня равен
произведению факторов более низкого уровня (мультипликативная модель).
Полное «дерево» факторной модели удобнее воспринимать графически
(факторная модель валовой прибыли по email-акции представлена на Рис. 28.,
где каждая стрелка означает перемножение показателей более низкого
порядка для получения результирующих показателей).
101
Валовая
прибыль по
акции
Валовая
прибыль/ шт.
Продажи, шт.
Число покупок
Штук в чеке
Ср.цена товара
(со скидкой)
Число заказов
%
выкупаемости
заказов
Ср.цена товара
(без скидки)
Перешли на
сайт
Себестоимость
/ шт.
Цена закупки у
поставщика,
руб.
доставка, % от
закуп. цены
% Конверсия
сайта
(переходы ->
заказы)
курс юань/
рубль
Цена закупки у
поставщика,
юани
Писем открыто
% Писем
открыто ->
перешли на
сайт
курс доллар/
рубль
курс доллар/
юань
Писем
отправлено
% Писем
отправлено ->
открыто
Клиентская
база рассылки
% Клиенты ->
письма
отправл.
Скидка%
таможня, % от
закуп. цены
Рис. 28. Схема разложения валовой прибыли акции по факторам
На целевую функцию (валовую прибыль) оказывают влияние как
операционные показатели (левая ветка факторной модели), так и показатели
финансовой эффективности (правая ветка). Операционная эффективность –
клиентское сегментирование, канал распространения (коммуникация и
привлечение); финансовая часть – комплексность товарного предложения,
прибыльность единицы товарного предложения. Т.е. модель охватывает не
только финансовый результат, но и весь операционный процесс «от начала
до конца».
Дополним
полученную
модель
факторами,
учитывающими
мультиканальный подход: это валовая прибыль от повторной рассылки и от
повторных или «возвратных» покупок (с использованием «бонусов»,
полученным клиентом за покупку по «прямой» акции). Рассмотрим их более
подробно. Только тем клиентам, которые не открыли письмо (по разным
причинам – неправильно указан адрес почтового ящика в анкете,
102
заброшенный ящик, спам-фильтры и т.д.) делается повторная рассылка на
мобильный телефон через sms-сообщение. Таким образом, реализуется
преимущество мультиканального подхода к коммуникации. В случае если по
клубной карте клиента после sms-рассылки совершается покупка, то
помечается, что клиенту нужно обновить email-адрес в анкете. Если ни
письмо не открывается, ни после sms нет ответа, то после нескольких
рассылок такой клиент помечается в базе к удалению (чтобы не быть
назойливыми для клиентов, которые не заинтересованы в услуге). Для
компании комбинация email и sms каналов является эффективной по
затратам. Рассылка sms существенно дороже, чем email. За sms операторами
взимается плата ~0.5 - 5.0 руб. (в зависимости от объема базы рассылки). При
больших рассылках (несколько миллионов клиентов) – существенные
затраты. Email – обычно операторы рассылки взимают фиксированную плату
в месяц, стоимость одного отправленного письма существенно ниже sms.
Поэтому первая волна рассылки осуществляется по дешевому email, и только
по тем клиентам, к кому не доходят письма – высылается более дорогое sms.
Также важно, что в sms можно разместить только общее описание акции, а в
email есть большие возможности предоставить качественную информацию
клиенту – текст + картинки + ссылки на сайт с подробным описанием. Таким
образом каналы коммуникации не конкурируют, а дополняют друг друга,
уменьшая «назойливость» для клиента и снижая затраты для компании.
Валовая прибыль по повторной рассылке характеризуется следующими
факторами: %неоткрытых писем от отправленных, %доставки sms, %доля
покупок после sms от числа отправленных, средняя сумма покупки и валовая
рентабельность по повторной рассылке.
Следующим шагом, реализующим мультиканальный подход является
«возвратная» покупка. При «прямой» покупке клиенту начисляются бонусы,
которые клиент может далее использовать как скидку при следующей
покупке. А мультиканальность делает повторную покупку более удобной –
не важно, в каком из каналов клиент получил бонусы – использовать он их
103
может в любом из каналов. Валовая прибыль по «возвратным» покупкам
описывается следующими факторами: %доля повторных покупок по
полученным бонусам, %доля использованных бонусов от начисленных,
средняя сумма покупки и валовая рентабельность по возвратной покупке.
Итоговый результат по акции является суммой валовой прибыли по
основной рассылке, повторной рассылке и по возвратным покупкам.
Получается аддитивно-мультипликативная модель (см. Рис. 29). Модель
удобно рассматривать и решать просто как сумму трех мультипликативных
моделей, максимизируя результат каждого блока.
Валовая прибыль
акции
=
ВП основной
рассылки
+
ВП повторной
рассылки
+
ВП повторных
покупок
Рис. 29. Три блока модели итоговой валовой прибыли акции
Планирование результатов акции по данной модели осуществляется
«снизу-вверх», т.е. от факторов – к результирующему показателю валовой
прибыли по акции. Факторный план-факт анализ проводится «сверху-вниз»,
пошагово декомпозируя результат по факторам.
Далее анализ факторной модели можно продолжить и на более глубоких
уровнях. Например, влияние скидки раскладывается на 3 составляющих:
сезонную скидку, бонусную и специальную скидку для сотрудников. Общая
конверсия сайта может быть декомпозирована на составляющие: % посетили
на сайт –> посмотрели товар, % посмотрели товар –> добавили товар в
корзину, % добавили в корзину –> внесли данные об адресе доставки. %
разместили заказ после ввода адреса. Стоит отметить, что помимо
предложенного варианта разложения валовой прибыли по факторам, можно
использовать и другие (более локальные) модели экспресс-анализа (см.
Рис. 30).
104
Валовая прибыль
Продажи,
руб
ВП,
%продаж
Валовая прибыль
ВП/ 1 письмо
Число писем
Рис. 30. Альтернативные модели разложения валовой прибыли
Матрица «фактор -> ответственный -> действие»
Как было сказано ранее, ключевым выводом из факторного анализа
является выяснение факторов, наиболее влияющих на итоговый результат
акции. В зависимости от степени влияния каждого фактора (см. Таблицу 9.)
руководство принимает решение об изменении процесса по каждому участку
работы с email-кампанией, т.е. строится и используется матрица «фактор –
ответственный – корректирующее воздействие».
105
Таблица 9.
Матрица [фактор -> ответственный -> действие] для анализа валовой прибыли по акции
Ответственный*
группа сегментации клиентской
базы
% Клиенты -> письма
отправл.
% Писем отправлено ->
открыто
группа сегментации клиентской
базы
группа дизайна коммуникаций
% Писем открыто ->
перешли на сайт
группа дизайна коммуникаций
% Конверсия сайта
(переходы -> заказы)
группа вэб-аналитики, контентменежмент, юзабилитианалитика
% выкупаемости заказов
группа интернет-продаж
Корректирующее воздействие
На основе результатов отклика по тестовой рассылке уменьшить или увеличить выборку клиентов для "боевой"
рассылки, скорректировав (ужесточив или ослабив)
фильтры по клиентским характеристикам. Либо выбор
лучшего фильтра по клиентам в зависимости от
результатов A/B-теста.
"Чистка" данных в базе email-адресов клиентов, на
которые не отправляются письма несколько раз
Наработка базы "удачных" привлекательных заголовков
писем, которым клиенты наиболее вероятно доверяют и
открывают, не помечают как нежелательную почту.
Улучшение представления выгод товарного предложения
для клиента: дизайн, коммуникация с ценой или другими
предложениями ценными для клиента
Улучшение полноты описания продукта, проверка
наличия товара на складе, условия покупки и получения
(доставка,
самовывоз,
курьерские
компании,
постаматы,...).
Оперативность подтверждения заказа, дополнительные
консультации, продажа дополнительных товаров и
сервисов, подробная информация о клиенте, контактах и
способе получения заказа
105
Фактор
Клиентская база
рассылки
106
Таблица 9. – окончание
Фактор
Штук в чеке
Ответственный*
группа категорийного
(товарного) менеджмента
106
Корректирующее воздействие
Разработка комплексного предложения по категории:
наборы, комплекты, поэтапная покупка связанных
товаров категории, бонусные акции с отложенных
спросом, покупка с заменой старого товара, …
Ср.цена товара
группа категорийного
Управление ассортиментом товарного предложения по
(без скидки)
(товарного) менеджмента
ценовым сегментам, корректировка акцентов в матрице
цена-качество
Скидка%
группа категорийного
Управление коммуникацией скидкой по жизненному
(товарного) менеджмента
циклу товара: продажи по полной цене, длительность
периода
скидочной
кампании
и
распродажи.
Дифференциация по уровню "профессиональности"
продукта в категории (например, для "брендового" и
"технологичного" товара - более длинный цикл продажи
по полной цене - позитивно оценивается клиентами, как
возможность "выделиться")
Цена закупки у
бренд (закупающий) менеджер
Корректировка закупочной цены за счет скидки за объем
поставщика, юани
по товару
закупки, коммуникация с категорийным менеджером по
целевому соотношению цена-качество, специальная цена
от поставщика на отдельные "акционные" товары
курс юань/ рубль
финансовый отдел
Своевременное
управление
валютными
рисками,
хеджирование курсовой разницы
доставка, % от закуп.
служба внешней логистики
Своевременное планирование поставок, управление
цены
периодами поставок с наименьшими тарифами
* ответственный за сквозной бизнес-процесс – группа email-коммуникации
107
Стоит отметить, что матрица ответственности помогает немного
формализовать процесс работы с рекламными кампаниями по исполнителям.
При этом на практике очень важным фактором является не жесткая
формализация (когда каждый отвечает только за улучшение показателей
своего блока факторов), а «вовлекающий» подход, чтобы ответственные за
блок факторов, при невыполнении целевых значений, своевременно
реагировали и всей командой рассылки устраняли «узкие горлышки», таким
образом повышая общую результативность и эффективность процесса.
Решение факторной модели
Рассмотрим проведение факторного анализа на числовом примере.
Исходные данные плана и факта по email-кампании приведены в Таблице 10.
108
Таблица 10.
Исходные данные факторного анализа валовой прибыли email-кампании
Показатель
1. План коммуникации
Клиентская база рассылки
% Клиенты -> письма отправл.
Писем отправлено
% Писем отправлено -> открыто
Писем открыто
% Писем открыто -> перешли на сайт
Перешли на сайт
% Конверсия сайта (переходы -> заказы)
Число заказов
% выкупаемости заказов
Число покупок
Число писем для получения 1 продажи
Показатель
2. Товарное предложение
Штук в чеке
Продажи, шт.
Ср.цена товара (без скидки)
Скидка%
Ср.цена товара (со скидкой)
Средний чек, руб.
Сумма продаж по акции, руб.
Показатель
3. Закупка товара
Цена закупки у поставщика, юани
курс доллар/ юань
курс доллар/ рубль
курс юань/ рубль
Цена закупки у поставщика, руб.
доставка, % от закуп. цены
таможня, % от закуп. цены
Себестоимость/ шт.
Наценка цена/ себестоимость
Себестоимость проданного, руб.
Показатель
4. Финансовый результат
Валовая прибыль/ шт.
Валовая прибыль по акции
Валовая прибыль, % продаж
План
Факт
фактплан
факт/
план, +/-
5,0 М
95%
4,8 М
12%
570 т
40%
228 т
5,3 М
93%
4,9 М
10%
469 т
46%
216 т
0,3 М
-2%
0,1 М
-2%
-101 т
6%
-12 т
+5%
-2%
+3%
-20%
-18%
+15%
-5%
2,0%
4 560
2,2%
4 743
0,2%
183
+10%
+4%
80%
3 648
1,3 т
87%
4 136
1,2 т
7%
488
-0,1 т
+9%
+13%
-9%
План
2,5
9,1 т
5 000
10%
4 500
11,3 т
41,0 М
План
Факт
2,4
9,8 т
5 450
12%
4 796
11,4 т
47,1 М
Факт
фактплан
-0,125
0,7 т
450
2%
296
0,1 т
6,1 М
фактплан
факт/
план, +/-5%
+8%
+9%
+20%
+7%
+1%
+15%
факт/
план, +/-
300
6,5
35,0
5,4
1 615
303
6,4
35,4
5,5
1 664
3
-0,1
0,4
0,1
49
+1%
-1%
+1%
+2%
+3%
10%
20%
2 132
2,0
19,4 М
11%
21%
2 236
2,1
22,0 М
1%
1%
103
0,1
2,5 М
+10%
+5%
+5%
+4%
+13%
План
Факт
фактплан
факт/
план, +/-
1 681
1 829
148
+9%
15,3 М
18,0 М
2,6 М
+17%
44%
45%
1%
+2%
109
Для
упрощения
описания
используемого
подхода
рассмотрим
факторную модель без учета референтного анализа, повторных рассылок и
возвратных покупок по начисленным бонусам. На практике приведенную
модель можно расширить и дополнить в зависимости от задач конкретного
анализа. Для примера рассмотрим первые 2 шага в модели разложения по
факторам (см. Таблицу 11.). Анализ будем проводить от результирующего
показателя к началу факторной модели.
Таблица 11.
Первые 2 шага в модели разложения по факторам
Валовая прибыль по акции
15,3 М
18,0 М
фактплан
+2,6 М
Валовая прибыль/ шт.
Продажи, шт.
Число покупок
Штук в чеке
1 681
1 829
+148
+1,4 М
+9%
9,1 т
3 648
2,5
9,8 т
4 136
2,4
+0,7 т
+488
-0,13
+1,2 М
+2,1 М
-0,9 М
+8%
+14%
-6%
Показатель
План
Факт
влияние влияние
на ВП
на ВП, %
+2,6 М
+17%
Шаг 1: разложение отклонения факта от плана валовой прибыли по
факторам первого порядка:
,
Результат разложения:
110
Шаг 2: дальнейшее разложение отклонения от план валовой прибыли
фактора «продажи, шт» по факторам более низкого порядка.
,
Результат разложения:
Шаг N: Дальнейшие шаги разложения осуществляются аналогично
предыдущим.
Применив описанные выше расчеты ко всем шагам факторной модели,
получим результат разложения прироста итоговой валовой прибыли по всем
факторам (см. Рис. 31).
111
Валовая
прибыль по
акции
+17%
Валовая
прибыль/ шт.
+9%
Продажи, шт.
+8%
Число покупок
+14%
Число заказов
+4%
Перешли на
сайт
-6%
Писем открыто
-21%
Писем
отправлено
+3%
Клиенты
+5%
Штук в чеке
-6%
%
выкупаемости
заказов
+9%
% Конверсия
сайта
(переходы ->
заказы)
+10%
% Писем
открыто ->
перешли на
сайт
+15%
Ср.цена товара
(со скидкой)
Себестоимость
/ шт.
+15%
Ср.цена товара
(без скидки)
+21%
-6%
Скидка%
-5%
Цена закупки у
поставщика,
руб.
-4%
курс юань/
рубль
-3%
курс доллар/
рубль
-1%
доставка, % от
закуп. цены
-1%
таможня, % от
закуп. цены
-1%
Цена закупки у
поставщика,
юани
-1%
курс доллар/
юань
-1%
% Писем
отправлено ->
открыто
-24%
% Клиенты ->
письма
отправл.
-2%
Рис. 31. Результаты разложения валовой прибыли
рекламной кампании (почтовой рассылки) по факторам
На основе проведенного анализа видно, что наибольшее влияние на
изменение общей валовой прибыли (+17%) оказывают факторы «%открытия
отправленных писем» (план 12%, факт 10% – негативное влияние -24% от
итоговой валовой прибыли), «средняя розничная цена товара без скидки»
(план 5000 руб, факт 5450 руб. – положительное влияние на +21%).
Воспользуемся матрицей ответственности. Из таблицы видно, что по
фактору «%открытия отправленных писем» ответственным является группа
дизайна коммуникаций, и им нужно значительно улучшить показатель. Для
этого необходимо нарабатывать базу "удачных" привлекательных заголовков
112
писем, которым клиенты наиболее вероятно доверяют и открывают, не
помечают как нежелательную почту. По фактору «средняя розничная цена
товара без скидки» ответственным является группа товарного менеджмента.
Т.к. факт превзошел плановое ожидание по показателю – им необходимо в
будущих подобных email-рассылках скорректировать акцент в товарном
предложении
на
более
высокий
ценовой
сегмент,
востребованный
покупателями. И в целом при достаточно высоком среднем чеке по акции –
уделить больше внимания составляющей «качество» в коммуникации «ценакачество».
Визуальное
представление
результатов
факторного
анализа
рекламной акции мультиканальной торговой сети
Для обеспечения эффективного использования разработанного подхода
сотрудниками подразделений, вовлеченных в процесс email-кампаний –
необходимо подобрать удобный способ визуализации результатов факторного
анализа. Главные критерии – высокая скорость восприятия разными
менеджерами, в т.ч. интуитивно понятное выделение факторов, оказавших
наиболее негативное и положительное влияние на результат; а также
компактное представление, чтобы иметь возможность оперативно сравнивать
влияние факторов по различным группам и категориям email-кампаний.
Одним из видов удобной визуализации факторного анализа является
водопадная диаграмма (см. Рис. 32), построенная на относительном
изменении результирующего показателя.
113
+40%
+30%
% выкупаемости Штук
заказов
в чеке
+20%
+10%
-
Клиентская % отправл.
% конверсия
% открыто
база
сайта
%
переходы
-2%
на
сайт
-24%
+5%
+10%
Ср.цена/ шт Скидка%
(без скидки)
Себест-ть/ шт
-5%
+21%
∆ Валовой
-6%
прибыли
+17%
+9%
-6%
+15%
-10%
-20%
Рис. 32. Водопадная диаграмма визуализации
факторного анализа ассортимента
Водопадная диаграмма позволяет получить представление о ключевом
значимом факторе за более короткий промежуток времени. Также удобно
смотреть «накопленный» эффект от последовательного влияния факторов.
Корректировка
на
референтный
анализ
рекламной
акции
мультиканальной торговой сети
Как уже было сказано выше – по каждой акции собирается 3 версии
каждого KPI: план, факт, референт. Где «план» – целевые значения,
установленные перед реализацией акции; «факт» – реализованные KPI.
Отдельно отметим «референт». Данная поправка применяется при анализе
кампаний в мультиканальных продажах. Референтная выборка создается,
чтобы «очистить» результаты акции от «наведенного» влияния других
маркетинговых каналов (ТВ, радио, СМИ, наружная реклама, реклама в
торговых точках компании, контекстная реклама онлайн и т.д.). Иначе
выводы об успешности акции будут искажены. Например, при запуске emailрассылки одновременно со стартом федеральной ТВ-кампании, кажущиеся
хорошие результаты по рассылке скорее всего сильно завышены из-за
влияния ТВ (по результатам анализа на примере нескольких крупных
мультиканальных торговых сетях – наведенное влияние может доходить до
90% результата!). Выборка из клиентской базы, отобранная для реализации
114
рассылки, делится на 2 части случайным образом (чаще всего в пропорции
90%/10%):
1. «основная», по которой реально отправляются письма и
2. «референтная», по которой письма не отправляются.
Т.к. выборка делится случайным образом, и при большом объеме
рассылки (на уровне нескольких миллионов адресов), можно говорить об
одинаковом распределении типов клиентов между двумя подвыборками.
Полученный по основной части рассылки % отклика (число заказавших от
числа отправленных писем) – уменьшается на % отклика по референтной
части, т.е. результат, наведенный другими маркетинговыми каналами.
Скорректированный таким образом % отклика можно считать достоверным
влиянием рассылки на результат продаж. Отметим, что определение
пропорции деления между основной и референтной подвыборками зависит
от объема рассылки и %конверсии. Определяется числом конверсий
референтной подвыборки, достаточной для определения достоверности
теста. При небольших неконверсионных рассылках может быть 50%/50%,
при больших и конверсионных до 98%/2%. В итоге пропорция определяется
известными методами эконометрики.
Завершим
рассмотрение
теоретической
части
разрабатываемого
комплекса поддержки принятия управленческих решений в крупных
компаниях розничной торговли. В предыдущих главах описан подход к
анализу (в т.ч. сформирован набор моделей и маршрутов анализа),
предложена модифицированная схема управления. Поэтому перейдем к
практическому
этапу:
описанию
выбора
инструмента,
реализующего
разработанные подходы и методы, а также опишем проект внедрения
данного инструмента, подробно описав возможные риски при внедрении и
пути их нивелирования для достижения наилучших результатов для
компании.
115
Глава 3. Проект
внедрения
многомерного
оперативного
факторного анализа в мультиканальных торговых сетях
3.1. Зарубежный опыт и российская практика внедрения
бизнес-аналитики в розничной торговле
Перед началом разработки проекта по внедрению системы поддержки
принятия решений необходимо изучить передовой мировой и отечественный
опыт по решению данного вопроса и проанализировать типичные ошибки
при внедрении. В западном розничном бизнесе инструменты бизнес-анализа
давно используются, однако постепенно в ходе своего развития российские
торговые сети «догоняют» западные и копируют у них бизнес-технологии
[26]. В течение последних лет стабильный интерес к BI-решениям в России
наблюдается в типично высоко конкурентных отраслях, таких как розничная
торговля, финансы, дистрибуция, фармацевтика и телекоммуникации. Это
связано с тем, что вышеперечисленные компании накопили значительные
массивы данных (десятки терабайт) и благодаря современным BI-решениям
могут интегрировать все корпоративные данные для эффективного анализа и
принятия решений. Далее приведем примеры успешного построения систем
интерактивного анализа и управленческой отчетности в крупных компаниях.
Успешные внедрения в мире
Масштабные внедрения
Cisco Systems: число пользователей >20 000 чел. + 500 высших
руководителей компании, сотрудники отделов продаж, маркетинга,
финансов, HR, инженерный состав.
116
UPS: Число пользователей аналитической системы после внедрения BI
возросло с 2 700 до 10 000 человек. Хранилище состоит из 12 терабайт
данных.
RBC Royal Bank: Более 3 000 пользователей, Более 20 Тб данных.
LinkShare: Более 1 000 000 он-лайн пользователей, более 10 Тб данных.
IBM: Более 60 000 пользователей.
Быстрые внедрения
Honeywell: 800 пользователей менее чем за 90 дней
Baxter BioScience: Внедрение за 120 дней
Verizon business: Более 3000 пользователей, 3 месяца
Pfizer: 4 месяца, 1200 пользователей
Microsoft: Внедрение за 100 дней, 6500 пользователей
Отрасли применения приложений бизнес-аналитики
На Рис. 33 приведены примеры крупнейших международных компаний,
внедривших бизнес-аналитику. Как можно видеть, в каждой из отраслей
лидеры рынка имеют в своем арсенале приложения бизнес-аналитики.
Рис. 33. Крупные компании, внедрившие Business Intelligence (по отраслям)
117
Успешные внедрения в России
Приведем примеры успешного построения систем интерактивного
анализа и управленческой отчетности в крупных российских компаниях на
базе ведущих продуктов Oracle BI, Microstrategy от консультантов IBS,
КРОК, S&T, ФОРС. Примеры, рассмотренные в данной работе, приведены в
формате «Заказчик» – «Продукт» – «Консультант».
ОКБ «Сухого» (авиастроение) – Oracle E-Business Suite – IBS
 Количество показателей: ~100
 Количество систем: 3
 Проектная команда: 5
 Автоматизированных рабочих мест – 600. К моменту полного
завершения проекта будет автоматизировано более 1000 рабочих мест.
 Продолжительность: 12 мес.
ОАО «Сургутнефтегаз» (добыча нефти, газа) – Oracle BI – IBS
 Количество показателей: ~1000
 Количество систем; 7
 Продолжительность внедрения: 5 мес.
 Проектная команда: 4 чел.
ОАО «Интер РАО ЕЭС» (электроэнергетика) – Oracle BI – IBS
 Количество показателей:~600
 Количество отчетов: ~70
 Файлов в месяц: ~5 тыс. (4 тыс. авто)
 Типов файлов: 52 (22 ежедневно)
 Количество сайтов/почты: 12.
 Проект был выполнен за 6 месяцев.
118
ГК «Спортмастер» (розничная торговля и дистрибуция спортивных
товаров) – Oracle BI – КРОК
 Количество пользователей: >1000
 Количество предметных областей: 10 (Продажи и остатки, планы,
Оптовые продажи, Персонал, Заказ товара, Маркетинг, Затраты и P&L,
Внешняя цепь поставок, Внутренняя цепь поставок, Инвентаризация,
Интернет-магазин)
 Количество показателей:~1000.
 Количество отчетов: ~50
 Объем фактов хранилища: >1.5 Тб
 Проект был выполнен за 12 месяцев (пилот 1 месяц).
DPD (логистика) – Oracle BI – ФОРС
 Объем хранилища > 100 Гб.
 40 таблиц измерений, 21 таблицу фактов.
 Три группы пользователей - руководство компании, департамент
продаж и отдел качества
 Аналитических панелей >50.
На основе изученных данных о внедрениях систем бизнес-аналитики в
крупнейших российских компаниях в данной работе обобщен опыт
подготовки, организации, реализации, оценки и поддержки проекта
внедрения интерактивной бизнес-аналитики.
3.2. Подготовка
проекта
внедрения
интерактивной
аналитической системы
После того, как руководство Компании осознало потребность в создании
дополнительного сервиса бизнес-аналитики, возникает вопрос – какой
продукт и как внедрять. Чтобы ответить на это вопросы, рассмотрим
основные
шаги,
реализующего
предшествующие
функционал
обоснованному
поддержки
выбору
принятия
продукта,
эффективных
119
управленческих решений. В данной части работы постараемся выделить
значимые этапы и ключевые шаги, которые предстоит пройти крупной
компании розничной торговли для построения системы интерактивной
бизнес-аналитики.
Выделим
ключевые
цели
проекта,
разработаем
обобщенный план подготовки, оценки и реализации внедрения, выделим
основные риски и ключевые факторы успеха проекта на примере лучшей
российской и мировой практики.
Цели проекта внедрения
Как уже говорилось выше, для того, чтобы ответь на вопрос «Что
выбрать» нужно ответить на вопрос «Для чего?».
«Скажите, пожалуйста, куда мне отсюда идти?
- А куда ты хочешь попасть? - ответил Кот.
- Мне все равно... - сказала Алиса.
- Тогда все равно, куда и идти, - заметил Кот.
- ...только бы попасть куда-нибудь, - пояснила Алиса.
- Куда-нибудь ты обязательно попадешь, - сказал Кот.
- Нужно только достаточно долго идти.»
Л. Кэрролл, «Алиса в стране чудес».
Руководители подразделений многих предприятий часто недостаточно
точно формулируют цели, для достижения которых внедряется та или другая
информационная система. Поэтому бывает трудно определить, добиваются
ли они успеха, — ведь четких критериев, по которым можно было бы
оценить результат, просто не существует. Часто постулированные цели
(внедрение
такой-то
информационной
системы,
создание
единого
интеграционного пространства и т.п.), является не целями, а лишь
небольшими задачами по пути к достижению «настоящих» целей. Для
достижения бизнес-успеха цели необходимо формулировать с точки зрения
достижения бизнеса-результата, причем желательно цели должны быть
измеримы и оцениваемы в каком-то приемлемом уровне толерантности. По
опыту многих крупных российских предприятий внедрение
новых
аналитических систем сводится к попытке замены устаревших методов на
120
«модную» корпоративную систему. При этом часто получается одинаковый
прогнозируемый результат: после года (или нескольких лет) внедрения новая
система работает, но работает, как правило, не лучше, а иногда даже хуже
старой. Внедрена другая система, но от которой требуют тех же результатов.
Такой исход рассматривается как неудача проекта вндрения, и в этом
провале
обвиняют
саму
систему
либо
компанию-консультаната
по
внедрению. Однако функциональность системы редко является причиной
неудачных внедрений, если цели внедрения определены правильно. В России
нетрудно найти предприятия, купившие современные BI-суперсистемы от
ведущих мировых поставщиков, но при этом неспособные использовать их
функциональность даже на 10%. В то же время другие предприятия,
имеющие плохо разработанные системы, недостаточно хорошо отражающие
бизнес, да
и
просто
не
очень подходящие
для
данной
отрасли,
демонстрируют успехи в их внедрении, а главное — использовании.
Недостаточно
просто
купить
BI-систему.
Успешное
внедрение
без
существенных усилии компании невозможно. Часто приходится даже
перестраивать или доделывать ключевые бизнес-процессы компании, чтобы
удовлетворить потребности в аналитике. Аналитическая BI система не
является
компьютерной
программой
в
привычном
обывательском
понимании, так как основу таких систем составляет DWH (Data Warehouse,
корпоративное
хранилище
данных),
то
есть
концепция
единого
корпоративного хранилища данных, которое консолидирует широкий круг
информации по ключевым бизнес-процессам Компании. В силу этого
ключевые факторы, определяющие успех или неудачу BI-проекта, находятся
в зоне управления проектом внедрения, и редко связаны с отсутствием
требуемого функционала в системе.. Для успешного внедрения необходимо
скрупулезно подойти к подготовке процесса внедрения и последовательно
пройти через некоторые типичные фазы.
121
Фазы проекта внедрения
На основе изученных проектов внедрения можно сделать вывод, то
проект внедрения – сложный процесс, но его условно можно разделить на
следующие «фазы» (см. Рис. 34).
Рис. 34. Фазы проекта внедрения системы бизнес-аналитики
Рассмотрим перечисленные фазы более подробно.
Методика управления проектом внедрения
Лучшие практики по методологиям управления проектами внедрения
информационных систем в процессы компании рекомендуют для управления
проектом «в целом» использование «тяжелых» методологий, например, PMI
(международной организации Project Management Institute, см. Рис. 35) [106].
Разработку
же
аналитической
модели
и
пользовательских
отчетов
рационально проводить в небольших рабочих группах, ответственных за
отдельную бизнес-область. Использовать «гибкую» (Agile) методологию,
например, Scrum [62, 182, 193, 199]. Это значительно ускоряет процесс
разработки и позволяет итерационно приближаться к желаемому результату.
122
Рис. 35. Методология управления проектами PMI
(Project Management Institute, Институт Управления Проектами, США)
Ключевые особенности проекта внедрения бизнес-аналитики
Проект внедрения предлагаемого подхода в целом схож с внедрением
других информационных систем, однако рассмотрим подробнее выделенные
автором
ключевые
отличия
внедрения
многомерного
оперативного
факторного анализа от транзакционных систем или от других систем
поддержки принятия решений [175, 185, 186]. Проект шире, чем внедрение
аналитического продукта – т.к. необходимо вписание в схему управления.
Большая чем в транзакционных системах необходимость, чтобы в качестве
главного заинтересованного лица выступал высший руководитель компании.
Функционального
руководителя
недостаточно,
т.к.
строится
кросс-
функциональная аналитика. Возможен в качестве заказчика – руководитель
центральной службы контроллинга. Одним и ключевых факторов успеха
проекта является создание единого Комитета BI, очень желательно на базе
подразделений контроллинга (как центра единой бизнес-методологии). Т.к.
внедрение происходит в несколько функциональных областей – внедрение
поэтапно (план работ строится по степени значимости/ потребности в
123
аналитике и степени готовность исходных систем). Необходимо привлекать и
обучать будущих ключевых пользователей из разных функциональных
подразделений на самых ранних этапах внедрения. Критически обязателен
«пилот» (критические требования по производительности на реальных
больших объемах данных; заложить в план работ длительный этап). Большая
зависимость аналитики от готовности транзакционных и систем поддержки
нормативно-справочной информации (НСИ). Важно! часто аналитика
требует доработки транзакционных систем, которые НЕ остро необходимы
для нормальной работы основного бизнес-процесса. Необходимо заранее
продумать систему разграничения прав доступа к данным по объектам
(магазинам, товару) и по показателям (баланс коммерческой тайны и
возможности сравнения с лучшими практиками внутри и вне компании).
Планирование времени на выбор варианта внедрения системы
Не целесообразно сокращать процесс выбора системы. Конечно,
затрачиваемые усилия и время сначала покажутся чрезмерными. Но иногда
выбор системы занимает больше времени, чем будет затрачено на внедрение.
Например. выбор системы займет 6 месяцев, а внедрение – 1 год.
Целесообразно затратить время, чтобы убедится в том, что система
действительно подходит под задачи компании, т.к.неправильный выбор
может привести к серьезным последствиям. Опыт проектов внедрения плохо
подобранных систем показывает, что некоторые «особенности» системы
приводят к затратам на дополнительные модификации и программирование,
превышающие начальную закупочную стоимость системы. Однако верно и
обратное: не нужно растягивать процесс выбора бесконечно. Пожалуй, срок
выбора в 6-8 месяцев является предельно разумным. Растягивание процесса
выбора на большее время может сигнализировать о недостаточной
предварительной проработке и приоритезации бизнес-целей. А внедрение без
четко осознаваемой потребности чревато значительными проблемами.
124
Выбор направления внедрения
Собственные разработки VS готовые решения
Первое существенное решение, которое необходимо сделать группе
внедрения
–
выбрать
разрабатывать
ли
аналитическую
систему
собственными силами, покупать «коробочное» готовое решение у вендора
или заказать услугу внедрения «под ключ» у компании-консультанта. Но
чаще всего этот вопрос встает не на начальном этапе работы Компании
(обычно в такое время денег на «промышленную» систему просто нет), а
готовое решение приходит на смену уже имеющейся системе аналитики и
отчетности и частично поглощает ее. Общее представление по структуре
внедрения могут дать цифры по использованию BI–систем на предприятиях
США (см. Таблицу 12.):
Таблица 12.
Варианты внедрения BI-систем в США, 2014
Вариант внедрения
Процент,%
Система BI без каких-либо дополнений
39,8 %
Лучшие элементы нескольких BI-систем
3,9 %
Система BI совместно с другими специализированными
50,0 %
системами
Несколько BI-систем совместно со спец.системами
4,8 %
Полностью собственная разработка
0,5 %
Собственная разработка совместно со спец.системами
1,0 %
Только 1,5% компаний выбрали путь создания системы собственными
силами. Однако стоит отметить, что в большинстве рассмотренных в данной
работе компаний не встречается в «чистом» виде ни собственная разработка,
ни полностью готовое решение. На рынке корпоративной бизнес-аналитики в
данный момент не сформировано готового продукта, способного «из
коробки»
предоставить
аналитику
необходимого
уровня
для
всех
заинтересованных сторон бизнес-заказчика. Это характерно как для
розничного сектора, так и для других направлений бизнеса (в т.ч. телекома,
банковского и государственного секторов). Поэтому на практике чаще всего
125
получается система, где в симбиозе существуют решения от нескольких
вендоров и интеграторов, а также собственные разработки компании.
Методика и критерии выбора системы (продукта)
Сегодня рынок систем класса Business Intelligence (BI) представлен
целой линейкой решений более десятка различных компаний. Подробнее
ключевые продукты рассмотрены в Главе 1. При выборе продукта
необходимо пройти через следующие этапы:
− Определение требуемой функциональности
− Определение и утверждение методологии отбора, критериев оценки,
ранжирование критериев оценки
− Организация пилотного проекта, в т.ч.подготовка тестовых данных
(контрольные примеры).
− Подведение итоговых результатов и учет коммерческих условий всех
этапов реализации, ввода в эксплуатацию и дальнейшей поддержки
проекта.
Определение требуемой функциональности
Чаще всего предприятия только в самых общих чертах может
самостоятельно описать требуемый функционал. В больших крупных
проектов для этапа преданализа чаще всего привлекаются компанииинтеграторы,
имеющие
опыт
интервьюирования
ключевых
бизнес-
пользователей, а также описания бизнес-требований. Затем происходит обзор
функций, предоставляемых различными продуктами, представленными на
рынке бизнес-аналитики. Далее из всех возможных «подсказанных» функций
собираются итоговые требования к системе – запрос на предложение к
поставщикам-консультантам.
Требования
по
функциональности
целесообразно
разделить
на
несколько градаций – «должно быть» и «хорошо бы». При этом при
процедуре оценки даже если список функций какого-либо продукта
существенно шире, чем «хорошо бы», но отсутствуют какие-либо элементы
126
«должно быть», то процесс выбора необходимо пересмотреть. Используя
международную практику, установим основные характеристики систем,
которые наиболее значимы для конечных пользователей. Характеристики
приведены в порядке убывания значимости (рейтинг основан на данных
исследования международных консалтинговых компаний Gartner [192],
TDWI, IDC, BARC – как ни парадоксально, ведущие аналитики сошлись во
мнении относительно списка «главных» функциональных требований к
системам бизнес-аналитики):
− Производительность (дифференцировано для простых и сложных
запросов)
− Возможность работы с большим объемом данных (масштабируемость
производительности по операциям и инкрементальное обновление при
расширении объемы базы данных)
− Функциональные
приложений:
ETL,
возможности
база-данных,
бизнес-анализа
слой
(по
мета-модели,
уровням
интерфейсы
разработчиков и пользователей)
− Простота использования для разработчиков
− Простота использования для конечных массовых пользователей и
продвинутых бизнес-аналитиков
− Интеграция с другими имеющимися в компании продуктами
− Возможность самостоятельной поддержки
− Количество возможных пользователей
− Ценовая и лицензионная политика (за именованного/ конкурентного
пользователя, процессоры или процессорное время, …)
− Web-архитектура
− Взаимодействие с другими аналитическими продуктами на рынке
− Возможности по поддержке и доступу к плану работ команды
разработки
− Репутация продукта в отрасли (в России и мире)
127
− Бизнес-контакты с производителем
− Репутация продавца и консультанта
На практике, требования к системе редко полностью совпадают или
полностью не совпадают с возможностями системы, поэтому еще одним
разрезом оценки функциональности является «степень реализации», т.е.
запрашиваемый функционал:
− является стандартной функциональностью,
− возможно реализовать путем небольших модификаций,
− возможно реализовать путем существенных модификаций,
− невозможно практически реализуемыми методами.
Определение и утверждение методики выбора системы бизнес-анализа
После определения требований необходимо выработать критерии отбора
продуктов-претендентов и метода оценки по критериям. Один из способов
определения веса отельных функций системы – расчет рабочего времени и
количества пользователей, которые будут с ними работать (с учетом развития
системы на несколько лет вперед). Альтернативный метод – ранжирование
на основании согласованного мнения, основанного на опыте и интуиции
экспертного совета, состоящего из владельцев бизнес-процессов, ключевых
пользователей, а также команды IT-специалистов. Для оценки вариантов
систем бизнес-аналитики и выбора наиболее подходящего под бизнес-задачи
компании воспользуемся процедурой экспертной оценки, описанной в [91,
92, 93, 95, 165].
Процедура экспертной оценки систем бизнес-аналитики
Процедура экспертной оценки широко применяется в современном
бизнесе. Сложность данного вида оценки состоит в том, что «эксперты не
мыслят числами» (а нам необходимо в итоге расставить веса значимости
каждому критерию выбора системы бизнес-аналитики). В мышлении
человека используются образы, слова, но не числа [35]. Поэтому требовать от
эксперта ответ в форме чисел – значит получать данные изначально
128
лишенные высокой надежности. Эксперт может квалифицированно сравнить
два объекта, сказать, какой из двух лучше, дать им качественные оценки,
упорядочить несколько объектов по привлекательности, но обычно не может
ответить, во сколько раз или на сколько один объект лучше другого. На
практике часто возникает ошибка, когда качественным оценкам типа
«плохой», «удовлетворительный», «хороший», «отличный»
сопоставляют
числа 2,3,4,5 по аналогии с оценками в учебных заведениях. Однако это
неправильно, т.к. числа подразумевают, что «3» лучше «2» в 1.5 раза, а
между «4» и «5» разница всего на 20%. Оценки эксперта измерены в
порядковой шкале, являются ранжировками, результатами парных сравнений
и другими объектами нечисловой природы. Целью экспертизы является
выработка
коллективного
(итогового)
мнения
экспертной
комиссии.
Организационно процесс проведения экспертной оценки будет состоять из
следующих этапов:
− Подбор и назначение лицом, принимающим решение (ЛПР), основного
состава Рабочей группы (РГ);
− Подбор экспертов (определение списка всех возможных экспертов) и
формирование экспертной комиссии (ЭК);
− Сбор экспертной информации (непосредственный опрос);
− Проверка
согласованности
мнений,
выделение
групп
единомышленников (кластеризация);
− Формирование
итогового
мнения
комиссии,
подготовка
заключительного документа ЭК и окончание деятельности РГ.
Рассмотрим каждый из этапов более подробно.
Подбор основного состава Рабочей группы (РГ)
Чаще всего рабочая группа по проведению экспертизы составляется из
владельцев анализируемых бизнес-процессов, ключевых пользователей,
сотрудников службы Контроллинга или ее аналога (для обеспечения
единства внутрикорпоративной методологии анализа), а также команды ITспециалистов (как представителей разработчиков транзакционных систем-
129
источников данных, так и разработчиков агрегирующего информацию
корпоративного хранилища данных).
Подбор экспертов и формирование экспертной комиссии (ЭК)
Основной вопрос при подборе экспертов для выбора системы бизнесаналитики заключается в оценке необходимости привлечения внешних
экспертов. При отказе от привлечения внешних консультантов появляется
риск
«промахнуться,
прицеливания».
выстрелив
Основной
из
оружия
предпосылкой
дорогим
данного
снарядом
риска
без
является
возможность «затуманивания» мыслей собственных экспертов, т.к. из-за
слаженной работы на протяжении длительного времени эксперты привыкли
думать «одинаково» и «в одном направлении». Т.е. они могут не заметить
какого-либо очень важного фактора в силу того, что не смогут посмотреть на
проблему «со стороны». Но при этом привлечение большой группы
экспертов «со стороны» сопряжено со значительными финансовыми
затратами на оплату услуг высококвалифицированных консультантов. Также
появляется
вероятность длительного
затягивания
процесса,
т.к. для
проведения качественного, детального анализа консультантам потребуется
время, чтобы «глубоко вникнуть в ситуацию». Минимальное количество
экспертов было определено по формуле:
N = 0,5 (3/α + 5)
где 0 < α ≤ 1 – параметр, задающий приемлемый уровень ошибки
экспертизы. Приемлемый уровень ошибки экспертизы был принят за 5 %,
следовательно экспертный совет был составлен из 18 экспертов:
N = 0,5*(3/α + 5)=0,5*(3/0,05+5) = 18
Исходя из рассмотренных плюсов и минусов привлечения внешних
экспертов
рекомендуется
формировать
экспертную
комиссию
из
10 ключевых бизнес-пользователей, 5 IT-архитекторов и 3 привлеченных
экспертов–консультантов.
Рассмотрим
ранжирование
на
основе
согласованного мнения экспертного совета. Также приведем реальный
130
пример расчета ранжирования, произведенный на одном из рассматриваемых
предприятий.
Процедура проведения экспертного опроса
Процедура проведения экспертного опроса заключается в следующем.
Всем экспертам предъявляется один и тот же перечень критериев оценки
систем бизнес-аналитики, называемых «предъявлением», по которым должно
быть
принято
решение.
Одновременно
всем
экспертам
сообщается
«инструкция», т.е. одинаковое для всех указание о том, что они должны
сделать с предложенным предъявлением (в данной задаче – ранжировка
критериев выбора системы по убыванию важности). Результат действия
эксперта с предъявлением, в соответствии с инструкцией, называется его
«индивидуальным решением». Так как экспертный совет ранжирует
качественные признаки, то порядковая шкала – основная для данной
ситуации. Поэтому результаты экспертного качественного анализа будем
рассматривать как измерения по этим шкалам. Результаты экспертных
оценок приведены в Таблице 13.
Таблица 13.
Экспертные оценки для характеристик BI- системы
Критерий/ Номер эксперта
1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18
Сумма Медина
рангов рангов
Производительность
4
4
1
4
4
4
4
5
4
4
4
5
4
4
4
4
4
5
72
4
Работа с большим объемом данных
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
108
6
Функциональные возможности
1
1
2
1
2
1
1
1
1
1
1
1
2
1
1
1
1
2
22
1
Простота использования для разработчиков
8
9
7
7
7
8
7
7
7
7
7
7
8
9
9
7
7
7
135
7
Простота использования для пользователей
2
2
4
3
1
3
2
2
2
2
2
2
1
2
2
2
2
1
37
2
Интеграция с другими продуктами
3
3
3
2
3
2
3
3
3
3
3
3
3
3
3
3
3
3
52
3
Возможность самостоятельной поддержки
7
8
8
8
8
7
8
8
8
8
8
8
7
8
8
8
8
8
141
8
Количество возможных пользователей
9
7
9
9
9
9
9
9
9
9
9
9
9 10 10
9
9
9
162
9
5
5
5
5
5
5
5
4
5
5
5
4
5
5
5
5
5
4
87
5
13 13 14 14 14 14 14 13 13 13 13 13 13
7
7 13 13 13
227
13
Низкая цена
Web-архитектура
Взаимодействие с другими продуктами
14 14 13 13 13 13 13 14 14 14 14 14 14 14 14 14 14 14
247
14
Репутация продукта
12 12 12 13 13 13 12 12 12 12 12 12 12 13 13 12 12 12
221
12
Бизнес-контакты с производителем
10 11 11 12 12 12 11 11 11 11 11 11 11 12 12 11 11 11
202
11
Репутация продавца системы
11 10 10 10 11 12 10 10 10 10 10 10 10 11 11 10 10 10
186
10
Итоговая сумма:
1 899
Среднее значение:
136
131
Проверка согласованности мнения экспертов
Проверку
согласованности
будем
осуществлять
на
основании
непараметрического коэффициента – коэффициента конкордации W (единой
выборочной меры связи m признаков, предложенной в виде коэффициентов
согласованности Кендалла и Б.Смита):
W=
12SW
m 2 ( n 3 − n) ,
где S – сумма квадратов отклонений всех оценок рангов каждого объекта
экспертизы от среднего значения;
m
m( n + 1) 
SW = ∑ ∑ ri , j −

2 
i =1  j =1
n
2
n – число экспертов; m – число объектов экспертизы. Если экспертов m > 2,
то данные ими m упорядочений можно записать в виде матрицы, i-я строка
которой содержит ранжировку, полученную от i-го эксперта, а столбцы
соответствуют
n
объектам
экспертизы,
рассматриваемым
в
данном
исследовании:
r1,1 r1, 2
r2,1 r2, 2
... ...
rm,1 rm, 2
... r1, n
... r2, n
... ...
... rm, n
Коэффициент принимает значения из отрезка [0; 1] и используется для
проверки нулевой гипотезы H0 о независимости признаков. Признаки
называются независимыми, если для наугад выбранного столбца матрицы
ранги (порядковые номера) r1, j , r2, j ,..., rm , j являются взаимно независимыми
случайными величинами. В терминах теории экспертных оценок гипотеза H0
– это гипотеза о том, что случайные ранжировки независимы и равномерно
распределены
на
множестве
всех
ранжировок
(без
связей).
Если
рассматриваемый коэффициент (W) не превосходит заданного граничного
132
значения, то гипотеза H0 принимается, если превосходит – отклоняется в
пользу альтернативной гипотезы общего вида, т.е. гипотезы о том, что
совместное
распределение
ранжировок
отличается
от
совместного
распределения независимых одинаково распределенных ранжировок. При
этом остается неизвестным, нарушается ли предположение независимости,
или предположение равномерности распределения, или и то, и другое вместе.
Значения коэффициента конкордации могут находиться в диапазоне от 0 до
1. Если W=0, считается, что мнения экспертов не согласованны. Если W=1,
то оценки экспертов полностью согласованны. Согласно расчетам в данной
работе – коэффициент конкордации составил 0,74, что является показателем
согласованности мнений экспертов и пригодности данных для дальнейшего
анализа.
Формирование итогового мнения комиссии (ранжировки)
На основании общенаучной концепции устойчивости рекомендуется
применять различные методы для обработки одних и тех же данных с целью
выделить выводы, получаемые одновременно при всех методах. Для
получения инвариантного относительно выбранного метода ранжирования
итогового
мнения
экспертной
комиссии
воспользуемся
следующими
процедурами: Метод средних арифметических рангов; Метод медиан рангов;
Метод согласования кластеризованных ранжировок. В практике экспертных
оценок используются также и другие методы: Метод расчета медианы
Кемени; Процедура Борда (строгое ранжирование альтернатив); Процедура
Янга (последовательные сравнения); Процедура парных сравнений. Однако
чаще
всего
по
результатам
предварительной
оценки
применение
дополнительных методов не является необходимым, т.к. использование
основных методов достаточно для того, чтобы сделать достоверные выводы.
Метод средних арифметических рангов
Сначала для получения группового мнения экспертов применим метод
средних арифметических рангов. Для этого рассчитывается средний
133
арифметический ранг (сумма рангов делится на число экспертов). По
средним арифметическим рангам строится упорядочение. Данный метод
является традиционным, но исходя из теории измерений такой способ
некорректен, поскольку ответы экспертов измерены в порядковой шкале, и
для
них
неправомерно
проводить
усреднение
методом
средних
арифметических. Однако из-за их привычности и распространенности не
использовать
средние
арифметические
нецелесообразно.
Рационально
использовать одновременно несколько методов оценки.
Метод медиан рангов
Обоснованным является использование в качестве средних баллов медиан
рангов. Необходимо расположить ответы экспертов в порядке неубывания.
Вычислим медиану вариационного ряда (в случае четного числа экспертов
медиана будет равна среднему арифметическому двух центральных членов
ряда, в случае, если число экспертов было нечетным, в качестве медианы
надо
взять центральный
член
вариационного ряда). На
основании
рассчитанных медиан строится итоговое упорядоченное мнение экспертной
комиссии. В случае одинаковых медиан рангов – они объединяются в кластер
(группу), т.к. эквивалентны.
Расчет итоговой ранжировки критериев выбора
По итогам данного этапа наиболее значимые критерии ВI-систем
проранжированы и приведены в Таблице 14. Для определения весов каждого
из критериев из-за «качественного» характера исследования был применен
метод группового экспертного обсуждения. Итогом экспертизы стало
присвоение каждому из критерия веса, в зависимости от значимости.
134
Таблица 14.
Ранжирование критериев BI- систем по важности
Ранг
Критерий
Важность
1
Функциональные возможности
0,17
2
Простота использования для пользователей
0,15
3
Интеграция с другими имеющимися продуктами
0,14
4
Производительность
0,09
5
Низкая цена
0,09
6
Возможность работы с большим объемом данных
0,08
8
Простота использования для разработчиков
0,05
8
Возможность самостоятельной поддержки
0,05
9
Количество возможных пользователей
0,05
10
Репутация продавца
0,04
11
Бизнес-контакты с производителем
0,04
12
Репутация продукта
0,03
13
Web-архитектура
0,01
14
Взаимодействие с другими продуктами на рынке
0,01
Подготовка тестовых данных (контрольные примеры) и проведение
«пилотного» проекта
После того, как определились с набором наиболее критичного
функционала, необходимо запросить от консультантов реализацию тестовой
модели. Необходимо описать контрольные примеры и подготовить реальные
(но технически искаженные) данные. При этом контрольный пример должен
быть очень краток, а результат его максимально подробно описан.
Результаты пилотного проекта уточняют параметры в матрице выбора
систем,
предоставляя
экспертам
компании
информацию
обоснованного рационального выбора системы-победителя.
для
более
135
Практический пример сравнительного анализа
Формулировка бизнес-задач пилотного проекта
 Анализ продаж и остатков на детальном уровне (артикул, магазин,
день) с фильтрацией по атрибутам измерений.
 Анализ отклонений продаж в сравнении с прошлым периодом.
 Анализ скоростей продаж (продажи/артикул/магазин/неделю).
 Анализ валовой прибыли с 1кв.м площади (площадь не как измерение,
а как атрибут измерения канала реализации).
 Создание заготовки регулярного отчета в фиксированном формате
Excel, PowerPoint.
 Произвольный
анализ
(online)
для
продвинутого
аналитика, с
поставкой соответствующего инструментария.
 Простота анализа данных для обычного пользователя, в привычном
инструменте (Excel).
Формулировка IT-задач пилотного проекта
 Интеграция с корпоративным хранилищем данных
 Поддержка больших объемов данных куба (сотни млн. строк в фактах,
млн. строк в измерениях).
 Щадящие требования к объемам хранения (эффективная система
хранения агрегатов и детальных данных).
 Производительность при создании/обновлении куба (< 4 часов полное,
< 1.5 часов инкрементальное обновление).
 Скорость выполнения типовых BI-операций (drill-down\rollup) < 10
секунд, в т.ч. на максимальной детализации (артикул, магазин, день).
 Работа
с
атрибутами
измерений
(вычисляемые
показатели
на
атрибутах, поиск, фильтрация по атрибутам).
 Поддержка несбалансированных parent-child деревьев, продвинутые
time / math / stat функции, в т.ч. алгоритмы прогнозирования.
136
 Масштабируемость модели: рост уровней деревьев не потребует
переделки модели.
 Поддержка стандартов XML-A, MDХ.
 Система разграничения прав доступа к объектам модели, в т.ч.
измерениям и узлам деревьев.
Исходные данные
 Факты (1 год, ежедневные):
o 50 млн. записей по продажам
o 500 млн. записей по остаткам
 Справочники:
o 700 записей магазины/склады.
o 1 200 000 записей артикулы каталога.
o 7500 записей время (~20 лет).
 55 Гб данных в текстовых файлах
Измерения и показатели
 Измерения:
o Каналы реализации (КР) (700).
o Товар (артикулы 1 200 000).
o Время (7500, григорианский календарь).
 Деревья измерений:
o К.Р. (parent-child, 6 уровней).
o Товар (parent-child, 10 уровней, 750 листовых блоков).
o Время (level-based, День: Неделя: Месяц: Квартал: Сезон: Год).
 Атрибуты измерений:
o Товар >10 атрибутов (цвет, размер, коллекция, ТМ, группа,
направление,
категория,
подкатегория,
тов.подгруппа, пол…).
o К.Р. – площадь, тип, наименование, даты, формат,…
тов.группа,
137
o Время – сезон, день недели, №дня в неделе/ месяце/ квартале/
сезоне/ году…
 Показатели:
o Продажи/остатки в шт. и ценах (реализации, себестоимости,…) и
валютах.
o Более 20 мер, включая расчетные «продажи на м2», GM и пр.
Пример результатов сравнительных испытаний
Ниже приведем пример списка «пилотных» продуктов и выявленных
недочетов при решении поставленной пилотной задачи розничной сети.
MicroStrategy 8.01 (ROLAP)
 низкая производительность на реляционных источниках высокой
нагрузки и объемах, оптимизатор: плохое качество генерируемого SQL
for Oracle; временные таблицы.
 насыщение, рост времени ETL на обновление (выход за регламент),
рассинхронизация с основными фактами.
Cognos BI (MOLAP)
 нет parent-child деревьев, эмуляция p-ch за счет level-based деревьев =>
отображение иерархий в интерфейсе только «по уровням».
 нет поддержки атрибутов измерений => эмуляция через измерения
приводит к росту объема куба и времени обновления.
 нет поддержки прогнозирования временных рядов.
Oracle Discoverer 10g for OLAP (MOLAP)
 нет стандартизации, MDX не поддерживается, нет сторонних клиентов.
 низкая производительность на больших объемах данных (измерение
товар: переход от 740 строк планирования к 1 млн артикулов).
 низкая производительность java-клиента Discoverer (полный расчет
вычисляемых агрегатов).
Один из исследуемых продуктов показал наилучшие результаты:
Oracle BI на базе Essbase (MOLAP) [124]
138
Бизнес-результаты пилотного проекта
 Максимальная детализации до артикула товара (~1 млн.) (артикул,
магазин, день).
 Оnline-анализ истории ежедневных остатков/продаж, валовой прибыли
и скорости продаж.
 Скорость операций в пределах 5 сек на данной (большой) модели.
 Сведение остатков и продаж в одном кубе/отчете.
 Получение стандартных отчетов в удобном для работы виде (Oracle BI
Publisher).
 Произвольный анализ и визуальное создание отчетов online в Hyperion
Visual Explorer для продвинутого аналитика и датамайнера.
 Аналитика в Excel (Essbase Excel-plugin).
IT-Результаты пилотного проекта
 Компактный OLAP-куб, сжатие в ~2 раза – 25GB.
 Общее время построения куба – 1,3 часа (практически линейная
зависимость от I/O дисковой системы и RAM).
 Время отклика на запросы <5 сек. для типичных операций, <10 cек. для
сложных фильтров в Hyperion Visual Explorer.
 Инкрементальное обновление Essbase-куба.
 Хорошая масштабируемость модели: рост уровней деревьев, не требует
переделки модели, только пересчет агрегатов.
 Поддержка атрибутов измерений, создание вычисляемых показателей
на основе атрибутов измерений, несбалансированных parent-child
деревьев, продвинутые time/математические/статистические функции.
 Поддержка стандартов XML-A, MDХ, API C, Java, Visual Basic.
 Гибкая система разграничения прав доступа к объектам модели.
Стоит отметить, что построение пилотной модели, даже если было
принято решение о самостоятельном внедрении и разработке аналитического
139
продукта, целесообразно осуществить при поддержке квалифицированных
консультантов.
Выбор консультанта по внедрению
Крупные российские консультанты
Компании-производители продуктов бизнес-анализа имеют специальные
подразделения по внедрению своих продуктов, однако, данный рынок
сложился таким образом, что основную долю внедрений осуществляют
компании-сертифицированные
партнеры
крупных
вендоров.
Наиболее
известными консультантами по внедрению систем бизнес-анализа в России
являются компании: IBS, КРОК, ФОРС (см. Рис. 36).
Рис. 36. Структура рынка ИТ услуг в России
Методика и критерии выбора вендора и консультанта
Процедура выбора консультанта обычно состоит из следующих этапов:
 Предварительный обзор вендоров и консультантов:
o Финансовая стабильность, количество персонала,
o Количество успешных внедрений в целом и в требуемой
отрасли.
 Подготовка информации о предприятии:
o Объем транзакций, скорость прироста данных
o Количество пользователей
140
o Прообраз SLA
o Подготовка Соглашения о конфиденциальности
 Рассылка требований к инструменту и подготовка тестовых
данных
 Определение
возможностей
реализации
недостающей
функциональности «должно быть».
o не бывает систем, которые идеально подходят любому
предприятию. Если система подходит компании на 75–95%,
то это очень хороший показатель.
o Поэтому необходимо заранее обговорить возможность, пути
и стоимость реализации всех функций «должно быть».
 Оценка существующих внедрений. Посетить компании (референсвизит), внедрившие или внедряющие эту систему. При этом
заранее определить, какая информация потребуется, и как ее
можно будет получить. При этом необходимо помнить, что:
o не всем сотрудникам предприятия становится легче работать
при использовании интерактивной системы отчетности,
важно – достигнуты ли цели, сформулированные заказчиком
системы.
o знакомство с неудачным внедрением еще не свидетельствует
против самой системы: могли быть административные
ошибки проекта или неправильный выбор целей проекта
внедрения.
 Оценка стоимости и сроков.
o Полная стоимость проекта, сроков и укрупненных этапов
внедрения – безусловно, один из значимых критериев отбора
системы.
 Подписание договора и оформление Приказа по Компании с
указанием сроков, ресурсов и приоритетов по реализации проекта.
141
Принятие решения о начале внедрения (расчет окупаемости)
После прохождения всех этапов преданализа, можно из полученных
результатов предварительного тестирования с той или иной достоверностью
рассчитать параметры окупаемости проекта внедрения BI на основе методов
и подходов описанных в [40, 81, 186, 185, 194, 195, 203].
Оценка затрат на внедрение и поддержку
Большинство вендоров «не охотно» публикуют в открытых источниках
таблицы сравнения стоимости своих продуктов, т.к. масштабы и условия
внедрения сильно различаются от каждой конкретной компании-клиента. К
тому же существует очень гибкая система скидок при условии, что клиент
«широко использует» продукты данного вендора и, как это часто бывает по
вполне объективным соображениям, внедряет одновременно несколько
продуктовых
линеек
в
различных
бизнес-процессах.
Одним
из
производителей, который открыто публикует цены, является Oracle. Для
проведения примера оценки проекта воспользуемся данными с официального
сайта Oracle и консультанта КРОК. На практике чаще всего используется
метод сравнения альтернатив (см. Рис. 37). Т.е. проводится сравнение
годовой стоимости владения аналитической системой с внедренным BI и без
внедрения. Причем наиболее вероятно в оценках проекта стоимость
структуры с BI – оказывается выше, т.е. нет стандартной для транзакционных
систем «экономии на человеко-часах аналитиков и программистов», однако
меняется структура работ сотрудников. Аналитики меньше времени тратят
на выгрузку и подготовку данных и больше времени – на действительно
аналитическую обработку, интерпретацию и формулировку бизнес-выводов
и
предложений.
пользовательских
Программисты
отчетов
–
(т.к.
меньше
времени
аналитика
на
поддержку
переводится
на
«самообслуживание») и больше времени на развитие и повышение
производительности аналитической модели, а также на расширение охвата
бизнес-областей аналитикой.
142
$ 2.0 М
$ 2.0 М
$ 100 т
$ 1.7 М
$ 100 т
$ 200 т
7%
$ 200 т
13%
$ 1.5 М
13%
Программное
обеспечение (лицензии)
20%
Аппаратные средства
$ 700 т
$ 700 т
$ 1.0 М
Консультанты и обучение
З/п программистов
$ 0.5 М
$ 900 т
З/п аналитиков
$ 800 т
47%
-
без BI
с BI
Рис. 37. Годовая стоимость владения аналитической системой
Поскольку
интерактивную
аналитику
внедряют
очень
крупные
компании, то, например, для компании с оборотом $500 млн./ год стоимость
владения аналитической системой составляет <0.5% от оборота.
Оценка выгод от внедрения
Проект внедрения BI не относится к проектам, непосредственно линейно
влияющим на финансовый результат Компании. По этой причине расчет
рентабельности может быть произведен только на основании экспертных
оценок его опосредованного влияния на результат работы Компании [25,
2881]. Выгодами в виде дополнительного оборота или снижения затрат могут
быть:
 Снижение скидки за счет точечной настройки введения селективной
скидки от скорости продаж на уровне товарной позиции.
 Повышение среднего чека за счет анализа факторов комплексности за
счет выявления корреляций в продажах товаров разных групп.
143
 Снижение затрат на смс-рассылки клиентам через таргетирование по
сегментам на основе истории покупок и клиентского поведения на сайте.
По самым скромным экспертным оценкам выгода от внедрения анализа
на базе интерактивных информационных панелей может достигать 3-5% от
оборота компании.
Расчет окупаемости вложений в BI-проект
Как для любого проекта, связанного с существенными инвестициями, по
проекту внедрения BI необходимо рассчитать основные показатели
эффективности вложений: чистый приведенный доход (ЧДД, NPV),
дисконтированный период окупаемости (discounted payback period, DPBP),
рентабельность инвестированного капитала (return on investments, ROI).
Приведем условный пример расчета окупаемости для компании с годовым
оборотом ~$500 млн. (см. Рис. 38).
$ 7.0 М
Расходы BI
$ 6.0 М
Доп. доходы
$ 5.0 М
ИТОГО результат
(накопительно)
$ 7.0 М
$ 6.3 М
$ 5.0 М
$ 4.9 М
$ 4.5 М
$ 4.0 М
$ 6.0 М
$ 4.0 М
$ 4.1 М
$ 3.2 М
$ 3.0 М
$ 3.0 М
$ 2.0 М
$ 2.0 М
$ 1.0 М
$ 1.0 М
$ 0.6 М
-
-
- 0
Год
Год 1
($ 1.5 М)
($ 1.0 М)
($ 2.1 М)
Год 2
Год 3
($ 1.9 М)
($ 1.8 М)
($ 2.0 М)
($ 1.0 М)
($ 2.0 М)
($ 2.1 М)
($ 3.0 М)
($ 3.0 М)
Рис. 38. Динамика окупаемости аналитической системы
Подавляющее большинство проектов по самым консервативным
экспертным оценкам имеет ROI за 5 лет >> 100% и период окупаемости 1-3
года, т.к. сам проект по длительности внедрения занимает довольно
длительный срок до первого бизнес-результата. Причем этот срок во многом
состоит
не
столько
из
периода
внедрения
самого
аналитического
инструмента, сколько требуется время на реальное включение бизнес-
144
аналитики из новой системы в процесс поддержки принятия управленческих
решений. Несмотря на неопределенность в прогнозировании выгод по
проекту внедрения, как было сказано выше, расчет окупаемости можно
провести на «качественном» уровне. У руководителей крупных компаний
(привыкших принимать решение «на цифрах») в целом не стоит выбор
«внедрять/не внедрять», т.к. обычные инструменты анализа просто не
справляются с огромными объемами данных, в любом случае приходится
применять ту или иную крупную аналитическую систему. Вопрос состоит
только в выборе платформы и консультанта по внедрению. После принятия
решения о начале внедрения – опишем процедуру непосредственного
внедрения.
3.3. Реализация проекта внедрения
Организация процесса внедрения состоит из нескольких этапов.
Построение команды проекта внедрения
Чаще всего команда внедрения состоит из следующих элементов:
Экспертный комитет, ключевой заказчик и спонсор проекта; Руководитель
группы внедрения; Группа внедрения; Вовлеченные сотрудники других
подразделений
компании;
Способы
предотвращения
и
эскалации
конфликтных ситуаций. Для реализации изменений в бизнес-процессах
необходимо произвести ряд организационных преобразований и реализовать
ряд дополнительных задач в рамках существующих подразделений. На
Рис. 39 представлена общая схема организации работы и выделены
участники взаимодействия.
145
Рис. 39. Схема организации рабочей группы по проекту
Ниже приведен пример возможных задач указанных на схеме
подразделений.
Экспертный
комитет
проекта:
утверждение
стандартов
KPI;
централизованное планирование работ, постановка задач BI,
Отдел Хранилища данных (DWH) и BI: разработка BI-архитектуры и
оптимизация производительности системы; экспертиза бизнес-процессов и
требований к аналитическим областям; проектирование
аналитических областей; создание BI-витрин; создание
кубов
и
и
обновления
технической документации; организация обучения пользователей BI.
BI-специалисты в подразделениях: взаимодействие с заказчиками в
части выработки требований к аналитическим областям;
владение
BI-
кубами и показателями (вводится понятие «владелец куба», ответственный за
качество данных куба, за доступность источников данных для куба, за
правильность показателей рассчитываемых на основе
куба);
тонкая
настройка интерфейса пользователя BI-витрин на основе базовой настройки.
Отделы контроллинга подразделений: разработка стандартов KPI и
аналитических областей; организация утверждения стандартов в экспертном
комитете BI; постановка задач BI, разработка требований (ТЗ) на создание
146
аналитических областей; создание и обновление документации по KPI и
аналитическим областям; владение BI-кубами и показателями; тонкая
настройка интерфейса пользователя BI-витрин на основе базовой настройки;
контроль и координация BI-специалистов в Дивизионах в части работы с BI;
мониторинг применяемых аналитических практик в Дивизионах и разработка
/внедрение
предложений
по
расширению
применения
BI
в
новых
предметных областях; организация обучения пользователей BI.
Этапы внедрения нового функционала
Процесс внедрения большого функционала целесообразно разделить на
следующие основные этапы. Разработка первой рабочей версии, базовый
функционал: ключевым фактором успеха на данном этапе является
необходимость на сколько возможно четкого указания и утверждения
критериев получения 1-го положительного результата, чтобы не дать срокам
проекта выйти за управляемые рамки. Обычно 1-ый результат необходимо
получить через 6 месяцев после начала внедрения. Сдача базовой
аналитической модели в опытную эксплуатацию. В данной фазе необходимо
провести: Обучение ключевых пользователей интерфейсам работы с
системой; Обеспечить пути сбора отзывов/пожеланий/предложений по
работе новой системы; Подготовить первую полноценную версию SLA
(Service Level Agreement – соглашение о качестве предоставляемого сервиса),
с описанием регламента работы системы и схемы эскалации и решения
возникающих
проблем
и
разрешения
спорных
вопросов.
Сдача
в
промышленную эксплуатацию. Поддержка и развитие на основании
финальной версии SLA силами IT и бизнес подразделений Компании.
На этом завершим рассмотрение проекта внедрения и опишем, какие
направления развития ожидают системы поддержки принятия решений этого
класса.
147
3.4. Будущее многомерной оперативной бизнес-аналитики
Ведущие мировые эксперты в области бизнес-аналитики прогнозируют
развитие «сетевой бизнес-аналитики». В качестве ключевых причин
развития называется потребность в повышении скорости принятия решений
на основе постоянно увеличивающегося спектра данных (в т.ч. текстовых,
видео, аудио); межотраслевая и мультиканальная интеграция; перед
контроллерами
стоит
непростая
задача
предугадывать
менеджеров в информации; самая первая задача
потребности
помочь принимать
«рутинные» бизнес-решения без участия руководителя.
По мнению одного из самых авторитетных аналитиков в области
Business Intelligence Найджела Пендза (редактор The BI Verdict, автор
ежегодного обзора The BI Survey) [105], можно сделать следующие
замечания. Архитектура бизнес-приложений за период с 1970 совершила
полный круг: в 1970-х BI-приложения были «облачными» сервисами (SaaS –
Software as a Service). Через терминалы аналитики подключались мейнфрейм
с разделением времени. Компании оплачивали время работы машины, а не
покупали «железо» и приложения. Сейчас BI-продукты (как «коробочные»,
так и «облачные») использовать намного проще. У них «красивый»
графический интерфейс. Многие процессы стали делаться автоматически с
учетом огромного роста вычислительных мощностей. Объемы данных, с
которыми работают аналитики, существенно возросли. Современные ERPсистемы придали «стандартизованности» методам сбора, хранения и
обработки бизнес-данных. Поэтому доступ к данным для аналитики и ее
настройка под аналитические нужды стали проще. Но в ряде областей
прорывы не так значительны.
В области визуализации бизнес-данных в течение долгого времени не
происходит существенных прорывов, т.к. не смотря на развитие технологий,
когнитивные способности человека в восприятии информацию хорошо
описаны в классических работах по инфографике и визуализации данных.
Однако,
некоторые
новые
удобные
способы
визуализации
все-таки
148
появляются, например, микрографики (spark line), маркированные графики
(bullet charts) выдающихся специалистов по визуализации данных Стивена
Фью (Stephen Few) и инфографика Эдварда Тафти (Edward Tufte).
Cамообучающиеся
аналитические
системы,
которые
должны
анализировать, какие показатели в каких разрезах вы используете наиболее
часто, какие маршруты анализа выбираете, какой способ визуализации
используете. На основе этого они могли бы подстраиваться под конкретную
аналитическую задачу и предлагать оптимальный по времени способ
анализа. Однако успешных продуктов такого класса реализующих подобный
«автоматизированный» функционал в полной мере на данный момент не
создано.
Многие
BI-вендоры
активно
продвигают
упрощенные
для
использования конечным пользователем механизмы data mining. Но этим
методам не достаточно доверяют специалисты-статистики. Волшебный
«черный ящик» при использовании недостаточно квалифицированными
аналитиками часто дает неадекватные результаты. Также только начинает
развиваться аналитика нечисловых данных в BI.
Несмотря на активное агрессивное развитие мобильных технологий в
маркетинге, применение мобильных платформ в узкоспециализированных
BI-приложениях для аналитики не получило существенного успеха. Не
смотря на прорыв в технической реализуемости, на практике оказалось, даже
вне офиса сотрудникам для реальных аналитических задач удобнее и
привычнее работать на стационарных компьютерах или ноутбуках, даже не
на планшетных компьютерах.
Наиболее
активные
в
настоящее
время
направления
развития
интерактивной бизнес-аналитике это Big Data [185, 186] (Большие Данные, в
т.ч. работа со слабоструктурированной и неструктурированной, в т.ч.
социальной
информацией, обработка потоков данных), которые находят
свое применение в задачах персонализации предложений клиентам компаний
в мультиканальной модели взаимодействия. Важным технологическим
149
развитием являются технологии in-memory (аналитическая обработка
данных в оперативной памяти).
В текущих быстро меняющихся экономических условиях, когда затраты
на ИТ будут серьёзно пересматриваться, спрогнозировать спрос на системы
бизнес-аналитики в России крайне сложно. Однако, не смотря на
существенные потребные затраты, компании, оказавшиеся в непростых
условиях, прибегнут к комплексному анализу данных по всем направлениям
бизнеса, чтобы сохранить его, повысить эффективность и снизить издержки.
Таким образом, можно увидеть еще очень широкое поле для развития
инструментов интерактивного анализа в системе контроллинга современных
компаний.
Судя
по
предыдущему
опыту,
развитие
интерактивных
инструментов пойдет по пути перерождения старых идей в новых
технологических обрамлениях. Поэтому ключевым фактором успеха, скорее
всего, будет не столько развитие самих инструментов анализа, их базовых и
расширенных возможностей, сколько степень их реального включение в
регулярный процесс менеджмента. В заключение хочется отметить, сможет
ли
«умная»,
«всезнающая»
и
«всевидящая»,
«самообучающаяся»
информационная система эффективно принимать управленческие решения
самостоятельно, или человеческий фактор все же останется решающим для
успеха любого бизнеса, покажет время!
150
ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ
В
соответствии с
актуальностью темы
исследования, а
также
поставленными целями и задачами в диссертационной работе были получены
следующие основные результаты, характеризуемые научной новизной:
Группа результатов 1. Подходы к поддержке принятия решений в рознице.
1. Сформулированы ключевые особенности рынка непродовольственной
мультиканальной розничной торговли в России, которые существенно
влияют на подходы к поддержке принятия управленческих решений.
Основные из них это большое число географически распределенных
торговых точек, широкий ассортимент и большое число лиц,
принимающих решений, что ставит перед системой поддержки
решений дополнительные ограничения.
2. Предложена авторская классификация методов поддержки принятия
управленческих
решений
в
рознице
на
основе
критерия
управленческого масштаба торговой сети. Выделены ограничения и
возможности усовершенствования. Сделан вывод, что необходима
адаптация
применяемых
теоретических
в
российской
и
мировой
подходов, методов, механизмов и
практике
инструментов
поддержки принятия управленческих решений для использования в
системе контроллинга крупных мультиканальных торговых сетей.
Группа результатов 2. Многомерный оперативный факторный анализ.
3. Разработан
факторного
новый
инструмент
анализа
с
многомерного
учетом
оперативного
особенности
и
российской
мультиканальной розницы. Выработаны маршруты многомерного
анализа (магазины, товар, время, клиенты, атрибуты магазинов,
атрибуты товара, типы рекламных акций и т.д.). Разработан набор
взаимосвязанных моделей факторного анализа для управления
ключевыми бизнес-процессами мультиканальной розничной компании:
оперативное управление продажами по магазинам, валовой прибылью
151
по товару, валовой прибылью по рекламным акциям. Для каждой
модели обоснован выбор вида факторной модели, ключевых факторов
и применяемых методов расчета влияния факторов; разработана
матрица «фактор –> ответственный –> действие», предложен
рациональный способ визуализации результата факторного анализа
(водопадная диаграмма в абсолютных и относительных значениях);
приведен числовой пример. Разработанный инструмент позволяет
провести глубокий комплексный анализ «где» и «почему» в 3
ключевых
областях
розницы
(торговая
сеть,
товар,
клиенты),
персонифицировать ответственность за результат и предложить
стандартизованный алгоритм управления ситуацией.
4. Разработана
модифицированная
эффективностью
отличающаяся
крупной
от
усовершенствованных
схема
управления
мультиканальной
стандартной
методов
операционной
розничной
применением
многомерного
при
сети,
анализе
оперативного
факторного анализа. Внедрение данной схемы управления позволяет
снизить число циклов согласования при принятии управленческого
решения (на основе стандартной матрицы принимать решения на
уровне линейного менеджмента и только нерешенные вопросы
эскалировать на уровень высшего менеджмента), т.е. повысить
скорость и качество проработки решений а также производительность
труда большого числа руководителей торговой сети.
Группа результатов 3. Автоматизация многомерного оперативного
факторного анализа.
5. Сформирован набор критериев и обоснован подход к выбору
инструмента
автоматизации,
который
реализует
разработанные
алгоритмы анализа. Обоснованный выбор инструмента позволяет
существенно снизить трудозатраты на подготовку управленческих
решений и повышает вероятность успешного применения нового вида
анализа в схеме управления мультиканальных розничных компаний.
152
6. Разработан комплексный подход к подготовке, внедрению и поддержке
развития системы многомерного оперативного факторного анализа,
учитывающий особенности крупных российских мультиканальных
розничных компаний. Разработан подход к измерению и оценке
эффективности, в т.ч. окупаемости разработанного инструмента
анализа, что позволит компаниям взвешенно оценить потребность во
внедрении нового инструмента, а также оценить предполагаемые
выгоды от его использования.
7. Проведена апробация нового инструмента анализа (в т.ч. на
международных
конференциях).
Разработанные
в
результате
диссертационного исследования подходы и алгоритмы были успешно
внедрены в торговых сетях «Спортмастер», «O’Stin», «FunDay»,
«Спортландия»,
«Columbia»,
«Weekender»,
«Skechers»
(что
подтверждено актами о внедрении).
8. Результаты диссертационной работы используются в учебном процессе
МГТУ им. Н.Э. Баумана при проведении семинарских занятий по
дисциплине «Контроллинг».
По мнению автора, результаты диссертационного исследования вносят
существенный вклад в развитие теория управления розничным бизнесом и
разработку прикладных рекомендаций, обеспечивающих их использование в
реальной практике российских и международных компаний.
Публикации
Результаты
диссертационного
исследования
отражены
в
16 опубликованных работах общим объемом 7.8 п.л., в т.ч. на английском
языке, из них 5 научных работ в изданиях, рекомендованных ВАК
Минобрнауки России общим объемом 4.0 п.л.:
1. Чаплыгин Ю.В.
Факторный
анализ
рекламных
кампаний
мультиканальной розничной сети // Экономический анализ: теория и
практика. 2015. №5 (404). С.15-30. (1,0 п.л.)
153
2. Чаплыгин Ю.В. Многомерный факторный анализ рентабельности
ассортимента розничной сети // Управленческий учет. 2014. №10. С.5467. (0,9 п.л.)
3. Чаплыгин Ю.В. Интерактивный анализ в системе контроллинга //
Контроллинг. 2012. №3 (45). С.38-48. (0,8 п.л.)
4. Чаплыгин Ю.В. Бизнес-аналитика как инструмент контроллинга в
крупных компаниях // Менеджмент и Бизнес-Администрирование.
2012. №1. С.188-193. (0,5 п.л.)
5. Чаплыгин Ю.В. Business Intelligence (BI) как инструмент контроллинга
в некоммерческих организациях // Контроллинг. 2011. №5 (42). С.5663. (0,8 п.л.)
Результаты диссертации также отражены в других опубликованных
работах:
6. Чаплыгин Ю.В. Business Intelligence success factors in Russian controlling
system («факторы успеха бизнес-аналитики в системе контроллинга в
России») // Сборник научных трудов IV международного конгресса по
контроллингу «Контроллинг на малых и средних предприятиях». Прага
(Чехия). 2014. С. 321-329. (0,8 п.л.)
7. Чаплыгин Ю.В.
Факторный
анализ
ассортиментного
портфеля
розничной сети // Сборник трудов III Международного конгресса по
контроллингу «Green Controlling». СПб. 2013. С. 136-141. (0,3 п.л.)
8. Чаплыгин Ю.В. Многомерный факторный анализ стратегических
планов розничной сети // Сборник трудов XIII всероссийского
симпозиума ЦЭМИ РАН «Стратегическое планирование и развитие
предприятий». М. 2012. С. 124-125. (0,1 п.л.)
9. Чаплыгин Ю.В.
Детерминированный
факторный
анализ
продаж
розничной сети // Сборник трудов II Международного конгресса «Роль
контроллера в обеспечении жизнеспособности организаций». М. 2012.
С. 209-214. (0,5 п.л.)
154
10.Чаплыгин Ю.В. Риски при внедрении контроллинга // Управляем
предприятием. 2012. № 05 (16). С.1-5. (0,3 п.л.)
11.Чаплыгин Ю.В. Business Intelligence (BI) как инструмент контроллинга
вуза // Сборник трудов I Международной научно-практической
конференции
управление
«Стратегическое
некоммерческих
организациях:
и
контроллинг
фонды,
в
университеты,
муниципалитеты, ассоциации и партнерства». М.. 2011. С. 154-160.
(0,4 п.л.)
12.Чаплыгин Ю.В. Интерактивная бизнес-аналитика как инструмент
контроллинга // Сборник трудов I Международного конгресса
«Влияние методологии на выбор инструментов контроллинга». М.
2011. С. 138-142. (0,3 п.л.)
13.Чаплыгин Ю.В.
Стратегический
контроллинг
мультибрендовой
торговой сети// Сборник трудов XII всероссийского симпозиума
ЦЭМИ РАН «Стратегическое планирование и развитие предприятий».
М. 2011. С. 149-150. (0,1 п.л.)
14.Чаплыгин Ю.В.
российским
Проблемы
бизнесом
модернизации
на
базе
систем
интерактивных
управления
инструментов
контроллинга // Сборник трудов XIII Международного симпозиума
«Социальные и гуманитарные проблемы модернизации российского
общества: роль высоких технологий в осуществлении модернизации
России». М. 2011. С. 45-52. (0,3 п.л.)
15.Чаплыгин Ю.В. Оценка эффективности системы поддержки принятия
управленческих
решений
//
Электронный
сборник
статей
II
Международной научно-практической конференции «Инновационные
технологии организации и управления наукоемким производством». М.
2010. С.53-58. (0,4 п.л.)
16.Чаплыгин Ю.В. Эволюция инструментов бизнес-анализа // Сборник
трудов научно-практической конференции МГТУ им. Н.Э. Баумана
«Научная весна-2010». М. 2010. С. 178-181. (0,3 п.л.)
155
Библиографический список
1.
Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы
эконометрики. М.: ЮНИТИ-ДАНА, 2001. 270 с.
2.
Амелин Л.Н. Управленческие решения // Управление персоналом. 2005.
№ 3. С. 17-25.
3.
Анализ хозяйственной деятельности предприятия: Учеб. пособие /
Л.Л. Ермолович [и др.]; Под ред. Л.Л. Ермолович. Минск: Соврем. шк.,
2006. 736 с.
4.
Анискин Ю.П., Павлова А.М. Планирование и контроллинг. М.: ОмегаЛ, 2007. 280 с.
5.
Артемьев В.И. Что такое Business Intelligence? // Открытые системы,
2003. №04. С. 40-55.
6.
Архипенков С.Я., Голубев Д.В., Максименко О.Б. О хранилищах
данных. От концепции до внедрения / Под ред.: С.Я. Архипенкова. М.:
Диалог-МИФИ, 2002. 528 с.
7.
Баканов М. И., Мельник М.В., Шеремет А.Д. Теория экономического
анализа. Учебник / Под ред. М.И. Баканова; 5-е изд. М.: Финансы и
статистика, 2007. 536 с.
8.
Баканов М.И. Экономический анализ в торговле. М.: Финансы и
статистика, 2006. 400 с.
9.
Балдин К.В., Воробьев С.Н., Уткин В.Б. Управленческие решения.
М.: Дашков и К, 2006. 493 с.
10. Барбашина О.В., Борисова Н.А. Модификация процесса принятия
управленческих решений с применением контроллинга // Стратегия
торгово-экономического образования. 2002. №3 С. 92-98.
11. Барнгольц С.Б., Мельник М.В. Методология экономического анализа
деятельности хозяйствующего субъекта. М.: Финансы и статистика,
2003. 240 с.
12. Басовский Л.Е. Теория экономического анализа. М.: ИНФРА-М, 2009.
222 с.
156
13. Бердникова Т.Б. Анализ и диагностика финансово-хозяйственной
деятельности предприятия. М.: ИНФРА-М, 2003. 215 с.
14. Бир С. Мозг фирмы. М.: Либроком, 2009. 416 с.
15. Бланк И.А. Управление торговым предприятием. М.: ЭКМОС, 1998.
416 с.
16. Блюмин С.Л., Суханов В.Ф., Чеботарев С.В. Актуальная математика в
решении экономических производственных задач // Опыт разработки и
внедрения в учебный процесс вуза новых образовательных технологий:
Материалы Всеросс. науч.-метод. конф. Липецк, 2000. С. 47-48.
17. Блюмин С.Л., Суворов В.А., Чеботарев С.В. Индексы Дивизиа в
экономическом факторном анализе // Вестник Тамбовского
университета, 2000. №4. С. 419-422.
18. Блюмин С.Л., Суханов В.Ф., Чеботарев С.В. Применение теоремы
Бюдана-Фурье в экономическом факторном анализе // Современные
проблемы информатизации в непромышленной сфере и экономике: Сб.
трудов. IX Междунар. открытой науч. конф. Воронеж, 2004. С. 8-9.
19. Блюмин С.Л., Суханов В.Ф., Чеботарев С.В. Экономический факторный
анализ. Липецк: ЛЭГИ, 2004. 148 с.
20. Богатко А.Н. Основы экономического анализа хозяйствующего
субъекта. М.: Финансы и статистика, 2001. 206 с.
21. Борисова Н.А. Модификация организационной структуры торговой
организации с учетом внедрения отдела контроллинга // Современные
вопросы менеджмента в торговле и сфере услуг. 2003. С. 49-52.
22. Борисова Н.А. Семь принципов управления ассортиментом // Российская
торговля. 2003. №5 (810). С. 26-28.
23. Борисова Н.А. Совершенствование управления розничными торговыми
организациями на основе контроллинга // Лучший молодой менеджерпредприниматель. Сборник проектов Национального конкурса. М.: Изд.
Центр ГОУВПОГУУ, 2003. С. 14-18.
157
24. Борисова Н.А. От менеджмента к контроллингу// Российская торговля.
2003. №4 (809). С. 26-28.
25. Борисова Н.А. Прогнозируемые эффекты от организации службы
контроллинга в торговых организациях // Экономика и финансы. 2002.
№8(10). С. 36-38.
26. Бородулин А.Н. Разработка автоматизированных систем контроллинга
для малых и средних предприятий торговли: дис. … канд.техн.наук. М.,
1999. 150 с.
27. Бражко Е.И., Серебрякова Г.В., Смирнов Э.А. Управленческие решения:
Учебное пособие. М.: РИОР, 2006. 126 с.
28. Васильева Г.А. Показатели оценки эффективности работы
подразделения контроллинга // Контроллинг. 2004. №2. С. 54-56.
29. Вебер Ю., Шеффер У. Введение в контроллинг / Под ред.: С.Г. Фалько.
М.: НП Объединение контроллеров, 2014. 416 с.
30. Вертакова Ю.В., Козьева И.А., Кузбожьев Э.Н. Управленческие решения
разработка и выбор: Учебное пособие. М.: Кнорус, 2005. 352 с.
31. Виханский О.С., Наумов А.И. Менеджмент: Учебник. М.: Гардарики,
2000. 528 с.
32. Гиляровская Л.Т. Экономический анализ: Учебник для вузов / Под ред.
Л.Т. Гиляровской; 2-е изд.. М.: ЮНИТИ-ДАНА, 2004. 615 с.
33. Гинзбург А.И. Экономический анализ. СПб.: Питер, 2003. 176 с.
34. Голубков Е.П. Технология принятия управленческих решений: Учебник.
М.: Дело и Сервис, 2005. 544 с.
35. Горский В.Г., Орлов, А.И. Математические методы исследования: итоги
и перспективы // Заводская лаборатория. 2002. №1. С. 108-112.
36. Гребнев А.И. Экономика торгового предприятия: Учебник.
М.: Экономика, 2006. 412 с.
37. Гринберг А.С., Плющ О.Б., Шешолко В.К. Экономико-математические
методы и модели: курс лекций. 2-е изд. Минск: Акад. Упр. при
Президенте Республики Беларусь, 2005. 222 с.
158
38. Дайле А. Практика контроллинга. М.: ФиС, 2001. 336 с.
39. Данилочкина Н.Г. Контроллинг как интегрированная функция
управления // Контроллинг в России. 2002. №1. С. 10-17.
40. Деверадж С., Кохли Р. Окупаемость ИТ: Измерение отдачи от
инвестиций в информационные технологии / М.: Новый издательский
дом, 2005. 178 с.
41. Дрезнер Х., Хостманн Б., Байтендийк Ф. Обновленные Волшебные
Квадраты Gartner для систем интеллектуальной поддержки бизнеса //
Inside Gartner Group. 2003. №2. C. 50-62.
42. Друкер П. Задачи менеджмента в XXI веке. М.: Вильямc, 2004. 272 c.
43. Друкер П. Практика менеджмента. М.: Вильямс, 2009. 400 с.
44. Дурденко В.А. Разработка управленческих решений. Воронеж: ВИЭСУ,
2004. 177 с.
45. Ермолович Л.Л., Сивчик Л.Г., Толкач Г.В.. Анализ хозяйственной
деятельности предприятия: Учеб. пособие / Под ред. Л.Л. Ермолович
Минск.: Современная школа, 2009. 915 с.
46. Замков О.О., Толстопятенко A.B., Черемных И.Н. Математические
методы в экономике. М.: МГУ им. М.В. Ломоносова, 2001. 366 с.
47. Зверева Н.И., Зинатуллина Р.С. Контроллинг как системообразующий
фактор интегрированной системы управления // Контроллинг в России.
2002. №1. С. 24-27.
48. Зеленский М.С. Организация системы контроллинга на предприятии:
дис. … канд. эк. наук. СПб. 2000. 228 с.
49. Ивасенко А.Г., Никонова Я.И., Плотникова Е.Н. Разработка
управленческих решений. Новосибирск: СГГА, 2007. 162 с.
50. Игнатова Т.В. Стратегический контроллинг как фактор устойчивого
развития предприятий розничной торговли: дис. … канд. эк. наук.
Красноярск. 2008. 194 с.
51. Интрилигатор М. Математические методы оптимизации и
экономическая теория. М.: Айрис-пресс, 2002. 553 с.
159
52. Кабушкин Н.И. Основы менеджмента. 10-е изд. М.: Новое издание,
2007. 336 с.
53. Каплан Р.С., Нортон Д.П. Организация, ориентированная на стратегию.
М.: Олимп-Бизнес, 2010. 416 с.
54. Каплан Р.С., Нортон Д.П. Сбалансированная система показателей. От
стратегии к действию.М.: Олимп-Бизнес, 2014. 320 с.
55. Карданская И.Л. Основы принятия управленческих решений. М.:
Русская деловая литература, 1998. 288 с.
56. Карданская Н.Л. Принятие управленческого решений. М.: ЮНИТИДАНА, 2005.303 с.
57. Карминский А.М. Информатизация контроллинга // Контроллинг в
России. 2002. №1. С. 18-22.
58. Карминский А.М. Информационно-аналитическая составляющая
бизнеса: методология и практика. М.: Финансы и статистика, 2007.
272 с.
59. Карминский А.М., Фалько С.Г. Контроллинг: учебник. М.: Финансы и
статистика, 2006. 336 с.
60. Карминский А.М., Ряховская О.Н. Стратегический и оперативный
контроллинг // Контроллинг в России. 2001. №1. С. 105-111.
61. Кендалл М. Многомерный статистический анализ и временные ряды.
М.: Наука, 1976. 736 с.
62. Кент А., Миллер Р. Экстремальное программирование: постановка
процесса. СПб: Питер, 2003. 368 с.
63. Кент Т., Омар О. Розничная торговля: Учебник для студентов вузов.
М.: ЮНИТИ-ДАНА, 2007. 719 с.
64. Кирхлер Э., Шротт А. Принятие решений в организациях. Харьков:
Гуманитарный Центр, 2004. 155 с.
65. Кнауп В. Контроллинг как система повышения эффективности
менеджмента. М.: РАГС, 1998. 119 с.
160
66. Ковалёв В.В., Волкова О.Н. Анализ хозяйственной деятельности
предприятия. М.: Проспект, 2007. 424 с.
67. Колосова В.В. Оперативный и стратегический контроллинг на
российских предприятиях: дис. … канд. эк. наук. М. 2003. 161 с.
68. Комафорд К. Корпоративная отчетность: Серверная архитектура для
распределенного доступа к информации. // Открытые системы. 1999.
№2. С. 1-5.
69. Кондратьев В.В. 7 нот менеджмента. Настольная книга руководителя.
М.: Эксмо, 2008. 976 с.
70. Контроллинг в бизнесе: методологические и практические основы
построения контроллинга в организациях / С.Г.Фалько [и др.].
М.: Финансы и статистика, 2002. 256 с.
71. Контроллинг как инструмент управления предприятием /
Н.Г. Данилочкина [и др.]; Под ред. Н.Г. Данилочкиной. М.: ЮНИТИДАНА, 2002. 279 с.
72. Концепция контроллинга: Управленческий учет. Система отчетности.
Бюджетирование. М.: Альпина Бизнес Букс, 2006. 269 с.
73. Котлер Ф. Основы маркетинга. М.: Вильямс, 2015. 752.
74. Кравченко Л.И. Анализ хозяйственной деятельности в торговле. М.:
Новое знание, 2009. 526 с.
75. Кунаев А.И. Конкурентные преимущества в розничных торговых
организациях. М.: МГУК, 1995. 24 с.
76. Кутанин Ю.В. Механизм организации контроллинга на промышленном
предприятии: дис. … канд. эк. наук. М. 2010. 162 с.
77. Ламбен Ж.-Ж. Менеджмент, ориентированный на рынок. СПб.: Питер,
2007. 800 с.
78. Лафта Дж. К. Эффективность менеджмента организации. М.: Русская
Деловая Литература, 1999. 320 с.
79. Леви М., Вейтц Б.А. Основы розничной торговли. СПб.: Питер, 2005.
448 с.
161
80. Литвак Б.Г. Разработка управленческого решения М.: Инфра–М, 2005.
304 с.
81. Локк Д. Основы управления проектами. М.: HIPPO, 2004. 240 с.
82. Лукичева Л.И., Егорычев Д.Н. Управленческие решения. М.: Омега-Л,
2006. 383 с.
83. Любавин А.А. Особенности современной методологии внедрения
контроллинга в России // Контроллинг в России. 2002. №1. С. 28-41.
84. Любушин Н.П. Анализ финансово-экономической деятельности
предприятия: Учеб.пособие для вузов. М.: ЮНИТИ-ДАНА, 2009. 471 с.
85. Любушин Н.П. Теория экономического анализа: Курс лекций.
Н.Новгород: НКИ, 2008. 81 с.
86. Любушин Н.П. Экономический анализ: учебник для студентов вузов.
М.: ЮНИТИ-ДАНА, 2010. 575 с.
87. Майер Э. Контроллинг как система мышления и управления. М.:
Финансы и статистика, 1993. 96 с.
88. Манн Т, Майер Э. Контроллинг для начинающих. М.: Финансы и
статистика, 1995. 304 с.
89. Мескон М., Альберт М., Хедоури Ф. Основы менеджмента. М.: Вильямс,
2007. 665 c.
90. Миколайчик З. Решения проблем в управлении: Принятие решений и
организация работ. Харьков: Гуманитарный центр, 2004. 470 с.
91. Орлов А.И. Вероятностные модели конкретных видов объектов
нечисловой природы // Заводская лаборатория. 1995. №5. С. 43-51.
92. Орлов А.И. Объекты нечисловой природы // Заводская лаборатория.
1995. №3. С. 43-52.
93. Орлов А.И. Статистика объектов нечисловой природы // Заводская
лаборатория. 1990. №3. С. 76-83.
94. Орлов А.И. Эконометрика. Учебное пособие. М.: Экзамен, 2002. 576 с.
95. Орлов А.И. Эконометрическая поддержка контроллинга.// Контроллинг
в России. 2002. №1. С. 42-53.
162
96. Орлов А.И. Экспертные оценки // Заводская лаборатория. 1996. №1.
С.54-60.
97. Орлов А.И., Организационно-экономическое моделирование: Учебник,
ч.2: Экспертные оценки. М.: МГТУ им. Н.Э. Баумана. 2011. 486 с.
98. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям.
СПб.: Питер, 2010. 704 с.
99. Половцева Ф.П. Коммерческая деятельность: Учебник. М.: Инфра–М,
2005. 248 с.
100. Попченко Е.Л. Контроллинг как организационно-экономический
механизм повышения эффективности управления организацией: дис. …
канд. эк. наук. М., 2005. 218 с.
101. Поршнев А.Г. Управление организацией: Практикум. М.: ИНФРА-М,
2003. 373 с.
102. Рапопорт Б.М. Оптимизация управленческих решений. М.: ТЕИС, 2006.
264 с.
103. Рейльян Я.Р. Аналитическая основа принятия управленческих решений.
М.: ЮНИТИ-ДАНА, 2003. 213 с.
104. Ременников В.Б. Разработка управленческого решения: Учебное
пособие для вузов. М.: ЮНИТИ-ДАНА, 2000. 271 с.
105. Риттман М. Интервью с Найджелом Пендзом // Citforum.ru. 2010.
URL, http://citforum.ru/consulting/BI/NigelPendse/ (дата обращения
22.09.2014).
106. Руководство к Своду знаний по управлению проектами. 4-е издание
(Руководство PMBOK). Американский национальный стандарт
ANSI/PMI. США, 2008. 275 с.
107. Ряховская О.Н. Разработка систем информационно-аналитического
обеспечения принятия управленческих решений по продуктивной
программе предприятий на основе концепции контроллинга: дис. …
канд. эк. наук. М. 2001. 149 с.
163
108. Ряховская О.Н., Карминский А. А., Живага А. А. Информатизация
контроллинга. Общие принципы // Контроллинг в России. 2001. №3.
С. 91-94.
109. Саак А.Э., Тюшняков В.Н. Разработка управленческого решения:
Учебник. СПБ.: Питер, 2007. 272 с.
110. Савицкая Г.В. Анализ хозяйственной деятельности предприятия. Минск:
Экоперспектива, 2007. 425 с.
111. Савицкая Г.В. Экономический анализ: Учебник. 12-е изд. М.: Новое
знание, 2006. 679 с.
112. Салливан Т. Данных – больше, доступ – лучше // Computerworld Россия.
2001. №38. С. 30-34.
113. Салливан Т. Это надо рисовать: Программное обеспечение анализа
данных становится более выразительным // ComputerWorld Россия. 2000.
№42. С. 10-15.
114. Самойленко А. Data mining: учебный курс // СПб: Питер, 2001. 368 с.
115. Скляренко В.К., Федотов С.Н. Система оптимизации моделей принятия
управленческих решений // Справочник экономиста. 2005. №6. С. 37-48.
116. Словарь русско-английских терминов по контроллингу / С.Г. Фалько
[и др.]. Калуга: Манускрипт, 2005. 192 с.
117. Смирнов Э.А. Разработка управленческих решений: Учебник для вузов.
М.: ЮНИТИ-ДАНА, 2002. 271 с.
118. Снегирева В. Розничный магазин. Управление ассортиментом по
товарным категориям. СПБ: Питер, 2007. 416 с.
119. Соколова Л.Е. Разработка управленческого решения. М.: Высшее
образование, 2008. 188 с.
120. Спирли Э. Корпоративные хранилища данных. Планирование,
разработка, реализация. М.: Вильямс, 2001. 400 с.
121. Табурчак П. П., Викуленко А. Е., Овчинникова Л. А. Анализ и
диагностика финансово-хозяйственной деятельности предприятия: Учеб.
пос. для вузов. Ростов-на-Дону: Феникс, 2002. 348 с.
164
122. Торговое дело. Экономика и организация: Учебник / Брагин Л.А. [и др.];
Под ред. Л.A. Брагина. М.: Инфра-М, 1997. 256 с.
123. Торохова И.П. Эффективные методы принятия решений // Секрет
фирмы 2011. №9 (138). С. 24-25.
124. Тюренков А., Кудрявцев Ю. Аналитическая система на базе Oracle
Essbase // Форум Oracle по бизнес-аналитике.: Тез. докл. конф. М. 2009.
С. 45-60.
125. Уткин Э.А., Мырынюк И.В. Контроллинг: российская практика.
М.: Финансы и статистика, 1999. 272 с.
126. Учитель Ю.Г., Терновой А.И., Терновой К.И. Разработка
управленческих решений: Учебник. М.: ЮНИТИ-ДАНА, 2007. 383 с.
127. Фалько С.Г. Контроллинг для руководителей и специалистов.
М.: Финансы и статистика, 2008. 272 с.
128. Фалько С.Г. Контроллинг для руководителя. М.: Институт
контроллинга, 2006. 196 с.
129. Фалько С.Г. Контроллинг: современное состояние и перспективы //
Российское предпринимательство. 2001. №1. С. 96-101.
130. Фалько С.Г., Носов В.М., Контроллинг на предприятии. М.: Знание
России, 1995. 80 с.
131. Фалько С.Г., Рассел К.А., Левин Л.Ф. Контроллинг: национальные
особенности – российский и американский опыт // Контроллинг в
России. 2002. №1. С. 2-8.
132. Фатхудинов Р.А. Управленческие решения: Учебник. М.: Инфра-М,
2007. 344 с.
133. Фёдорова В., Егоров Ю. К вопросу о разложении прироста на факторы //
Вестник статистики. 1977. №5. С. 71-73.
134. Фольмут Х.Й. Инструменты контроллинга от А до Я. М.: Финансы и
статистика, 2001. 288 с.
165
135. Хан Д., Хунгенберг Х. Планирование и контроль: стоимостноориентированные концепции контроллинга. М.: Финансы и статистика,
2005. 925 с.
136. Хумал А. Разделение прироста произведения // Учёные записки по
статистике. М.: АН СССР, 1964. С. 206-212.
137. Цыгичко В.Н. Руководителю о принятии решений. М.: ИНФРА-М, 2004.
178 с.
138. Чаплыгин Ю.В. Интерактивная бизнес-аналитика как инструмент
контроллинга // Сборник трудов I Международного конгресса «Влияние
методологии на выбор инструментов контроллинга». М. 2011. С. 138142.
139. Чаплыгин Ю.В. Business Intelligence (BI) как инструмент контроллинга
вуза // Сборник трудов I Международной научно-практической
конференции «Стратегическое управление и контроллинг в
некоммерческих организациях: фонды, университеты, муниципалитеты,
ассоциации и партнерства». М.. 2011. С. 154-160.
140. Чаплыгин Ю.В. Business Intelligence (BI) как инструмент контроллинга в
некоммерческих организациях // Контроллинг. 2011. №5(42). C. 56-63.
141. Чаплыгин Ю.В. Проблемы модернизации систем управления
российским бизнесом на базе интерактивных инструментов
контроллинга // Сб. труд. XIII Межд. симп. «Социальные и
гуманитарные проблемы модернизации российского общества: роль
высоких технологий в осуществлении модернизации России». М. 2011.
С. 45-52.
142. Чаплыгин Ю.В. Стратегический контроллинг мультибрендовой
торговой сети // Сборник трудов XII всероссийского симпозиума ЦЭМИ
РАН «Стратегическое планирование и развитие предприятий». М. 2011.
С. 149-150.
143. Чаплыгин Ю.В. Риски при внедрении контроллинга // Управляем
предприятием. 2012. № 05 (16). С.1-5.
166
144. Чаплыгин Ю.В. Бизнес-аналитика как инструмент контроллинга в
крупных компаниях // Менеджмент и Бизнес-Администрирование. 2012.
№1. С.188-193.
145. Чаплыгин Ю.В. Детерминированный факторный анализ продаж
розничной сети // Сб. труд. II Межд. конгресса «Роль контроллера в
обеспечении жизнеспособности организаций». М. 2012. С. 209-214.
146. Чаплыгин Ю.В. Интерактивный анализ в системе контроллинга //
Контроллинг. 2012. № 3 (45). С. 38–43.
147. Чаплыгин Ю.В. Многомерный факторный анализ стратегических планов
розничной сети // Сборник трудов XIII всероссийского симпозиума
ЦЭМИ РАН «Стратегическое планирование и развитие предприятий».
М. 2012. С. 124-125.
148. Чаплыгин Ю.В. Business Intelligence success factors in Russian controlling
system (факторы успеха бизнес-аналитики в системе контроллинга в
России) // Сб. науч. труд. IV Межд. конгресса по контроллингу
«Контроллинг на малых и средних предприятиях». Прага (Чехия). 2014.
С. 321-329.
149. Чаплыгин Ю.В. Факторный анализ ассортиментного портфеля
розничной сети // Сб. труд. III Межд. конгресса по контроллингу «Green
Controlling». СПб. 2013. С. 136-141.
150. Чаплыгин Ю.В. Многомерный факторный анализ рентабельности
ассортимента розничной сети // Управленческий учет. 2014. №10. С.5467.
151. Чаплыгин Ю.В. Факторный анализ рекламных кампаний
мультиканальной розничной сети // Экономический анализ: теория и
практика. 2015. №5 (404). C. 15-30.
152. Чеботарёв C.B. Инновационные подходы к методологии экономического
факторного анализа // Шаг в будущее. 2002. №5. С. 94-96.
167
153. Чеботарёв C.B. Метод Лагранжа и теорема Бюдана-Фурье в
экономическом факторном анализе // Системы управления и
информационные технологии. 2003. №1. С. 30-35.
154. Чеботарёв C.B. Применение экономического факторного анализа для
управления хозяйственными процессами // Управление большими
системами. 2003. №3. С. 114-122.
155. Чеботарёв С.В. Теория и практика статического и динамического
экономического факторного анализа // Системы управления и
информационные технологии. 2001. №2. С. 68-73.
156. Чубукова И. А. Data Mining: Учебное пособие. М.: ИНТУИТ, 2009.
238 с.
157. Чуйкин А.М. Разработка управленческих решений: Учебное пособие.
Калининград: Калининградский университет, 2000. 150 с.
158. Шадрина Г.В., Богомолец С.Р., Косорукова И.В. Комплексный
экономический анализ организации: Учебное пособие для вузов. М.:
Мир, 2005. 288 с.
159. Шеремет А.Д Теория экономического анализа. Учебник. M.: ИНФРА-М,
2005. 366 с.
160. Шеремет А.Д. Комплексный экономический анализ деятельности
предприятия. М.: Экономика, 1974. 207 с.
161. Шеремет А.Д., Дей Г.Г., Шаповалов В.Н. Метод цепных подстановок и
совершенствование факторного анализа экономических показателей //
Вестник МГУ. 1971. №4. С. 32-34.
162. Шеремет А.Д., Негашев Е.В. Методика финансового анализа
деятельности коммерческих организаций. М.: ИНФРА-М, 2003. 237 с.
163. Шешукова Т. Г., Гуляева Е.Л. Теория и практика контроллинга: Учеб.
пособие. М.: Финансы и статистика, 2008. 176 с.
164. Эддоус М., Стенсфилд Р. Методы принятия решений. М.: Банки и
биржи, 2004. 590 с.
168
165. Эконометрика: Учебник / И.И. Елисеева [и др.]; Под ред. И.И.
Елисеевой. М.: Финансы и статистика, 2003. 344 с.
166. Экономика и организация деятельности торгового предприятия:
Учебник/ А.Н. Соломатин [и др.]; Под ред. А.Н. Соломатина.
М.: ИНФРА-М, 2001. 295 с.
167. Экономика предприятия: Учебник для вузов / И.Э. Берзинь [и др.]; Под
ред. С.Г. Фалько. М.: Дрофа, 2003. 368 с.
168. Экономико-математические методы в анализе хозяйственной
деятельности предприятий и объединений / А.Б. Бутник-Сиверский
[и др.] М.: Финансы и статистика, 1982. 200 с.
169. Экономико-математические методы и модели: курс лекций для
студентов экон. специальностей днев. и заоч. форм обучения /
Е.А.Кожевников [и др.]. Гомель: ГГТУ им. П.О.Сухого, 2006. 178 с.
170. Экономико-математические методы и прикладные модели: Учеб.
пособие для вузов / В.В. Федосеев [и др.]; Под ред. В.В. Федосеева. М.:
ЮНИТИ-ДАНА, 1999. 361 с.
171. Экономический анализ / Л.Т. Гиляровская [и др.]; Под. ред.
Л.T. Гиляровской. М.: ЮНИТИ-ДАНА, 2001.-527 с.
172. Экономический анализ: ситуации, тесты, примеры, задачи, выбор
оптимальных решений, финансовое прогнозирование / М.И. Баканов
[и др.]; Под. ред. М.И. Баканова. М.: Финансы и статистика, 1999. 656 с.
173. Югенбург С.М. О разложении абсолютных приростов по факторам //
Учёные записки по статистике. 1955. №2. С. 66-83.
174. Baus J. Controlling. Berlin: Cornelsen Verlag. 1996. 176 p.
175. Boyer J. Business Intelligence Strategy: A Practical Guide for Achieving BI
Excellence. Mc Press, 2010. 136 p.
176. Bramsemann R. Handbuch Controlling: Methoden und Techniken. Munchen:
Hanser Verlag, 1990. 388 p.
177. Chebotarev S. V. Economic factorial analysis: general theory and original
approaches // The 4th International Carpathian Controlling Conference (ICCC
169
2003): Proceedings of the conference. High Tatras, Slovak Republic, 2003.
P. 795-798.
178. Chebotarev S. V. Numerical mathematics methods in economic factorial
analysis // The 5th International Conference for Young Computer Scientists
(ICYCS 1999): Proceedings of the conference. Nanjing, P. R. China, 1999.
P. 125-131.
179. Chebotarev S.V. Modern concepts of economic factorial analysis // The 15th
European Simulation Multiconference (ESM 2001): Proceedings of the
conference. Prague, Czech Republic, 2001. P. 76-77.
180. Chiang Alpha C. Fundamental methods of mathematical economics. N.Y.:
McGraw-Hill, 1990. 788 p.
181. Coenenberg A., Baum H.-G. Strategisches Controlling: Grundfragen der
strategischen Planung und Kontrolle. Stutgart: Schafer Verlag, 1987. 207 p.
182. Cohn М. Succeeding with Agile: Software Development Using Scrum, 2009.
504 p.
183. Controlling fundamentals and overhead cost controlling. R3 System.
Germany: SAP AG, 1994. 164 p.
184. Deming W.E. Out of the Crisis. MIT Press, 1986, 508 p.
185. Devlin B. Business unIntelligence: Insight and Innovation beyond Analytics
and Big Data. Technics Publications, 2013. 300 p.
186. Howson C. Successful Business Intelligence, Second Edition: Unlock the
Value of BI & Big Data. McGraw-Hill, 2013. 336 p.
187. Inmon W. H. Building the Data Warehouse. New York: John Wiley & Sons,
Inc., 2005. 412 p.
188. Kaplan R.S., Norton D.P. The Balanced Scorecard: Translating Strategy into
Action. Harvard Business Review Press, 1996. 336 p.
189. Kimball R. The Data warehouse Lifecycle Toolkit (2nd ed.). Indianapolis:
Wiley, 2010. 421 p.
190. Kimball R.. The Data Warehouse Toolkit. Practical Techniques for Building
Dimansional Data Warehouses, Indianapolis: Wiley, 2013. 600 p.
170
191. Liautaud B., Hammond M. Business Intelligence: Turning Information into
Knowledge into Profit. McGraw-Hill, 2001. 306 p.
192. Magic Quadrant for Business Intelligence Platforms 2010-2014 // Gartner Inc.
2014. 53 p.
193. Martin R. C. Agile Software Development: Principles, Patterns, and Practices.
Pearson Education, 2002. 529 p.
194. Miller S. Musings on the ROI of BI // information-management.com:
Information Management Online. 2008. URL, http://www.informationmanagement.com/news/columns/-10000722-1.html (дата обращения
15.06.2014).
195. Moss L.T., Atre S. Business Intelligence Roadmap: The Complete Project
Lifecycle for Decision-Support Applications. Addison-Wesley Professional,
2003. 576 p.
196. Niven P.R. Balanced Scorecard Step-by-Step: Maximizing Performance and
Maintaining Results. Wiley, 2006. 336 p.
197. Power D.J. A Brief History of Decision Support Systems // SSResources.com.
2007. URL, http://DSSResources.COM/history/dsshistory.html (дата
обращения: 15.06.2014).
198. Reichmann T. Controlling: Concepts of Management Control, Controllership,
and Ratios. Springer , 2011. 338 p.
199. Rubin K. S. Essential Scrum: A Practical Guide to the Most Popular Agile
Process. Addison-Wesley, 2012. 498 p.
200. Sydsaeter K. Essential mathematics for economic analysis. FT: Prentice Hall,
2001. 696 p.
201. Thomsen E. OLAP Solutions: Building multidimensional information
systems. Wiley computer publishing, 2007. 696 p.
202. Tomsen E. OLAP Solutions: Building Multidimensional Information System.
Wiley, 2002. 696 p.
203. Williams N., Williams S. Capturing ROI through Business-Centric BI
Development Methods // DM Review Magazine. 2004. №3. P. 83-90.
!"#
$
. .%. & #
#
2010
' ! "'"
! '+
! '+
* + )«
,
/ '
)
"
#
. .
("
"' '"
'!( .
"
.
! '+
,
" '"
.
!
''" 0
'"
( * "' '
'"
'/'
)
!
"# '
0
'
!", !
" '
'/'
'+' *
4' ' + )., !
/
(
( #
,
("
*
'!(
"
0 "
(
"
*
(
4 ("
'
'
*
# ," (
,
! ", !(
!",
(
"
0 *
.
.
( 5 '
.
(
,
( '!"
,
!" '0
)
)" )
( '!" ' "'
)
(" (
"'
* 0 " (
" '
,
.
(" (#
!",
!
.
.
("
'!( ' !! '
16 #0
( + ). ( *
#'
",
. . !4
1" . (
'!( '
'
!" )"' ,
,
("# , )
-'
)
# ," (
(
# ," (
.
'*# ," "
0# '
"
(
(
0
" -'
7
!
).
( #
.
'!( .
'
! #-
'!"
' "
)'" !#3'!" '
- "' ,
' -(
'("
)
!(
*
!!' " +
4-6 (# ! .
,/
,
0 "
'3'
! 0
. (
'
"'
"
+'!!'
!! '
!!
!'0)
0 !"
!!' " + '
.
' "
(
!
0 "
( "
/
!"
( #
' +
"'
'
"
!" # ' "
6
.
!" , ) )'"!)
!"
'
!! '
*
'
. !'"' . 2 ' #'" " '" ",, "
.
0 "
»,
».
!"
" (' 0
'!( '
' #( *
. . * '(
0 "
, ' / .
* +
"# '
". . "
"# #
! ( . "'.
.
! '+
"'
' ! "'" ,
#0 ( '
!
,
!!' " +
)! "
«$' ' - ' "
! ( 1 #
(" ( (
#
! ' (
!"
"
' ) 0# '
"
,
#
!
.
* #
*
., !'
).
) !
. 5 * !
("
., ". .
"
!(
# !"
.)*.
. .
'(
'
.
" ! '
.
) # ! !! '
. .
(
'
'!(
"' ' -
(" (
!4
/' !)
#
!"
# '
#(
* ' #53
%(
(
$
6
( 4'
. .%. & #
!,
0# '
'(
. .
0 "
!"' '
4'!!
.
*
-
(
" 1(
!"
!
"# '
0 '"'
!'0)
)
"
.
! 0
&$-2
* + )
"
( , !
,
)
!" ! +' ,5
( *
"' ,,
7 ,( 2. ., .1. .,
'
')"' ,
!+
"
#
,
!"' !"
!
,
0 "
'( !) ( # '0
'
+'
0 '
"' ,!(
.
("'
'/ ",
'!( .
*
", ( (
!"
#(.
'
'