анализ продаж - Информационные технологии и сервисы

BUSINESS INTELLIGENCE
как инструмент
повышения
эффективности
розничной торговли
Конечная цель применения инструментария Business Intelligence (BI)
в розничной торговле – рост прибыльности бизнеса!
02
ИНСТРУМЕНТЫ ПОВЫШЕНИЯ ПРИБЫЛЬНОСТИ
1
Анализ продаж указывает
направления:
• Более полного удовлетворения
текущего спроса
• Формирования нового спроса
• Повышения результативности
маркетинга
2
Анализ запасов определяет
возможности для:
Рост прибыли за счет:
• Увеличения объема
продаж
• Увеличения средней
стоимости чека
• Сокращения издержек на
логистику
• Сокращения уровня запасов
• Повышения оборачиваемости
запасов
• Совершенствования поставок и
выкладки товара
03
ИНСТРУМЕНТЫ ПОВЫШЕНИЯ ПРИБЫЛЬНОСТИ
3
Анализ цен и торговой
наценки открывает пути для:
• Исследования эластичности спроса
• Активной ценовой конкуренции
• Планирования маркетинговых
акций
Рост прибыли за счет:
4
Анализ закупочной политики
способствует:
• Повышения
маржинальности бизнеса
• Гибкого ценообразования
• Оптимизации стратегии
закупок
• Оптимизации закупочных цен
• Формализации процедур отбора
поставщиков
• Поддержанию необходимого
складского запаса
04
ТРАДИЦИОННАЯ АНАЛИТИЧЕСКАЯ ОТЧЕТНОСТЬ
Традиционные средства бизнес-анализа в торговле – это
отчеты о фактах в абсолютных и относительных величинах
Типовая аналитика
Типовые показатели
Направления
бизнеса
Количество
Покупатели
Ассортиментные
группы и позиции
Стоимость
Наценка, скидка
Выручка
Точки (география)
продаж
Прибыль
Акции и
мероприятия
Рентабельность
Временные
интервалы
Поставщики и
производители
Оборачиваемость
Число позиций
документа (чека)
Процентная доля
Позиция в рейтинге
05
ИЗМЕРЕНИЯ И ПОКАЗАТЕЛИ В ХРАНИЛИЩЕ ДАННЫХ
Объем продаж
Товара 2
Клиенту 3
в Месяце 2
Товары
Товар 3
Товар 2
Товар 1
Клиент 1
Клиент 2
Клиент 3
Клиенты
Месяц 3
Месяц 2
Месяц 1
Время
06
ПОСТРОЕНИЕ ОТЧЕТА НА БАЗЕ ХРАНИЛИЩА ДАННЫХ
Клиент 3
Фильтр по клиентам
Товары
Время
Товар 1
Товар 2
Товар 3
Месяц 1
30 800
2 450
10 450
Месяц 2
6 400
8 970
7 880
Месяц 3
18 300
3 530
7690
Объем продаж
07
ПРИМЕР МНОГОМЕРНОЙ МОДЕЛИ ДЛЯ РИТЕЙЛА
Покупки
Выручка
Показатели
Маржа
Рейтинг
Динамика
ABC-класс
Клиент
Пространство
измерений
(аналитики)
Потребительская группа
Регион
Ассортимент
Точка продаж
Тип дисконтной карты
Индекс стабильности
Возрастная группа
08
ПРИМЕРЫ АНАЛИТИЧЕСКИХ ОТЧЕТОВ
Аналитика:
■Клиент
■Подразделение
■Категория клиента
■Индекс по частоте потребления
■Индекс проникновения
Аналитика:
■Ассортиментные группы
Показатели:
■Отгрузка
■Маржа
■Наценка
■Динамика (тренд) по отгрузке,
марже и наценке
Показатели:
■Средний уровень запасов
■Средняя цена продажи
■Доля в марже и в выручке
■Рентабельность текущих
активов (ROCA)
09
ОСОБЕННОСТИ АНАЛИТИЧЕСКОЙ ОТЧЕТНОСТИ
■ Быстрые ответы на запросы к неограниченному массиву
информации (отсюда - возможность отслеживания динамики)
■ Пользователь самостоятельно выбирает набор измерений и
показателей
■ Пользователь самостоятельно определяет состав строк и
столбцов, уровни группировки, условия фильтрации, и
дополнительные расчетные показатели
■ Возможность сохранения выбранного ракурса отчета с
последующим автоматическим обновлением данных
■ Иерархическое представление информации с функцией
«проваливания» (drill-down) и «сворачивания»
■ Мгновенное переключение столбцов и строк с автоматической
перегруппировкой и пересчетом итогов
010
АНАЛИЗ ПРОДАЖ
Типовые группы аналитических отчетов по продажам:
① Товарооборот
② Суммы и структура чеков
③ Эластичность продаж
④ Наценка и прибыль
⑤ Эффективность работы персонала
011
1 – ТОВАРООБОРОТ
Цели:
■Анализ товарооборота в суммовом и количественном
выражении в разрезе точек продаж, товарных позиций и
временных интервалов
■Анализ динамики товарооборота, средней суммы покупки и
количества покупок по дням недели
Примеры отчётов:
■Общий товарооборот
■Товарооборот и средняя сумма покупок по дням недели
■Рейтинг наиболее востребованных товаров
■Товарооборот по ассортиментным позициям
■Товарооборот по точкам продаж
■Товарооборот по производителям
■…
012
2 – СУММА И СТРУКТУРА ЧЕКА
Цели:
■Анализ продаж в разрезе точек продаж, временных
промежутков, клиентов, анализ сумм и ассортимента продаж
Примеры отчетов:
■Анализ чеков по суммам покупок, средний чек
■Сравнительный анализ покупок клиентов
■Продажи по картам с разбивкой по типам карт
■Чеки с разбивкой по часам / дням недели / месяцам года
■По выбранной точке продаж / географии продаж
■Сравнение нескольких точек продаж
■Анализ по типам покупателей
■Покупки по конкретному клиенту
■Сравнительный анализ покупок клиентов
■…
013
3 – ЭЛАСТИЧНОСТЬ ПРОДАЖ
Цели:
■Анализ влияния на товарооборот различных факторов:
■ скидки
■ акции
■ сезонный спрос
■ …
Примеры отчётов:
■Зависимость продаж от сезонности
■Проведение акций, скидок
■Изменение продаж в связи изменением выкладки
■…
014
4 – НАЦЕНКА И ПРИБЫЛЬ
Цели:
■Анализ прибыли и торговой наценки в различных аналитических
разрезах
Примеры отчётов:
■Наценка в различных ТП
■Наценка по различным ассортиментным позициям
■Сравнение прибыли по поставщикам
■Сравнение прибыли по производителям
■…
015
5 – ЭФФЕКТИВНОСТЬ ПЕРСОНАЛА
Цели:
■Анализ работы кассиров в различных разрезах
■Сравнительный анализ работы менеджеров и кассиров в
различных точках продаж
Примеры отчётов:
■Сравнительное количество чеков по кассирам
■Количество отмен, ошибок по кассирам
■Количество отработанных часов по кассирам
■Эффективность работы менеджеров по точкам продаж
■Сравнительные показатели недостач по точкам продаж
■Потери от забывчивости покупателей
■…
016
ТРАДИЦИОННАЯ АНАЛИТИЧЕСКАЯ ОТЧЕТНОСТЬ
Приемлемо
для целей
учета
Недостаточно
для целей
управления
ИНСТРУМЕНТАРИЙ DATA MINING
Data Mining – мощные инструменты анализа исторических
данных, тенденций и скрытых зависимостей
Моделирование
и
прогноз
Классификация
Поиск
скрытых
зависимостей
Повышение
прибыльности
НА КАКИЕ ВОПРОСЫ ОТВЕЧАЕТ DATA MINING?
■
■
■
■
■
■
■
■
Классификация покупателей по точкам продаж и по компании в
целом
Анализ состава чеков различных групп покупателей, в том числе,
на наличие в них акционных товаров
Поиск наиболее часто встречающихся позиций в чеках:
 с разбивкой по сумме чека (крупные, средние, мелкие, …)
 с разбивкой по группам покупателей и типам дисконтных карт
 в заданное время суток, заданный день года
Выявление совместно покупаемых товаров
Поиск товаров, покупаемых в количестве N штук единым чеком
Сравнение долей товарных аналогов по всей иерархии
ассортимента с учетом ценовых диапазонов
Определение долей чеков с различным количеством позиций в
общем количестве чеков
…
1 – КЛАССИФИКАЦИЯ
Классификация – это выделение групп и
ранжирование таких объектов как:
 Покупатели
 Товары
 Точки продаж
 Чеки и т.п.
ПОЛЕЗНЫЕ КЛАССИФИКАТОРЫ
На практике наиболее часто используются такие методы
классификации:

ABC, деление по вкладу в общий результат: «A»-80% вклада
(лучшие), «B»-15% вклада (средние), «C»-5% вклада (худшие)

XYZ, деление по степени стабильности: «X»-вариация до 10%
(стабильный), «Y»-вариация до 25% (предсказуемый), «C»вариация более 25% (случайный)

FMR (Fastest-Medium-Rare), деление по частоте операций в
общем потоке: «F»-80% (часто), «M»-15% (средне), «R»-5%
(редко)

RFM (Recency-Frequency-Monetary), ABC-подобное деление по
3 шкалам одновременно (давность, частота, деньги)
а также их комбинации: ABC + XYZ, ABC + FMR, …
1 – КЛАССИФИКАЦИЯ (ПРИМЕР)
• Наиболее результативный
ассортимент (класс A = 80%
эффекта) составляет всего 8%
от общего числа
• Одновременно он же
продается наиболее быстрыми
темпами (класс F)
• Более 75% - это
малорезультативные (класс C)
и редко продаваемые (класс R)
ассортиментные группы
Классификация ассортимента ABC+FMR
FA
7,05% M A
0,73%
MB
13,68%
MC
0,21%
RB
2,28%
RC
76,06%
ABC-классификация
A
A
B
C
B
C
FMR-классификация
F
M
M
M
R
R
Количество АГ
68
7
132
2
22
734
022
2 – МОДЕЛИРОВАНИЕ
Моделирование – это определение:
 Средних показателей
 Трендов и периодических составляющих
 Доверительных интервалов
023
2 – МОДЕЛИРОВАНИЕ (ПРИМЕР)
8 000
y = 130,2x + 2211,6
R² = 0,6527
7 000
6 000
Факт 2010/012012/05
5 000
4 000
Сезонная
составляющая
3 000
Факт 2011
2 000
1 000
Линейная (Факт
2010/01-2012/05)
0
1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
-1 000
-2 000
-3 000
•
•
•
•
В факте 2010-2011 выделен тренд и сезонная составляющая
Заметно, что сегменты сезонной составляющей за 2010 и 2011 годы хорошо совмещаются
Пики: месяцы 3-4, 7-8, 12
Провал: месяц 2
024
2 – МОДЕЛИРОВАНИЕ (ПРИМЕР)
Автокорреляция между фактом разных периодов
0,8
0,6
0,4
0,2
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
-0,2
-0,4
-0,6
Корреляция, R
• График автокорреляции имеет максимум 0,56
в 12–м месяце.
• Следовательно, периодичность = 12 месяцам
025
3 – ПРОГНОЗИРОВАНИЕ
Прогнозирование – это оценка перспектив,
например, в отношении:
 Покупателей
 Товаров
 Запасов
 Акций
Прогнозирование – это инструмент поддержки
принятия решений в условиях неопределённости
026
3 – ПРОГНОЗИРОВАНИЕ (ПРИМЕР)
12000
10000
8000
6000
Низ1
Верх1
Низ2
Верх2
Факт
Прогноз
4000
2000
0
1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
31
33
35
• В факте 2010-2011 выделен тренд, использованный для
прогноза на 2012 г.
• Для будущих периодов построены доверительные интервалы
с надёжностью 80% по данным (1) 2010 г. и (2) 2010-1011 гг.
027
4 – ВЫЯВЛЕНИЕ СКРЫТЫХ ЗАКОНОМЕРНОСТЕЙ
Примеры скрытых закономерностей:
 Совместно покупаемые товары
 Совместно покупающие клиенты
 Неслучайно одновременные события
Сфера применения – кросс-продажи
028
4 – ВЫЯВЛЕНИЕ СКРЫТЫХ ЗАКОНОМЕРНОСТЕЙ
Проанализируем 2000 чеков, среди которых:

800 чеков с SKU «Сметана»

700 чеков с SKU «Творог»

500 чеков с SKU «Сметана» и SKU «Творог»
Выявляем следующее:
 Support = 500/2000=0,250
доля чеков с такой парой SKU
 Confidence (сметана) = 500/800 = 0,625
доля чеков с парой среди чеков со сметаной
 Confidence (творог) = 500/700 = 0,714
доля чеков с парой среди чеков с творогом
0,714 > 0,625
отсюда делаем
вывод, что скорее
покупка творога
влечет покупку
сметаны, чем
наоборот
 Lift = (500/2000) / ((800/2000)*(700/2000)) = 1,786
во столько раз частота чеков с этой парой больше вероятности случайного
попадания обоих SKU в один и тот же чек
029
НАШЕ ПРЕДЛОЖЕНИЕ
Реализовать средства интеллектуального анализа
торговых операций, в том числе:

Традиционную аналитическую отчетность по показателям
продаж, запасов, поставок, ценовой и закупочной политики

Средства классификации элементов и участников операций

Средства моделирования динамики продаж

Средства прогнозирования перспективных результатов

Средства поиска скрытых закономерностей

Средства визуализации результатов анализа в виде
графических и табличных отчетов и индикаторных панелей
030
КОМПАНИЯ «ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И СЕРВИСЫ»

Штат – более 30 специалистов

Ключевые области компетенции:
 Бизнес-аналитика
 управление персоналом
 ABAP-разработка

Сертифицированные специалисты по основным модулям SAP

Практический опыт разработки решений Business Intelligence:






ЗАО «Сталепромышленная компания»
ОАО «Нижнесергинский метизно-металлургический завод»
ОАО «Фортум»
ОАО «Новолипецкий металлургический комбинат»
ОАО «Территориальная генерирующая компания №9»
ООО «Газпром трансгаз Екатеринбург»
031
НАШИ КОМПЕТЕНЦИИ В BUSINESS INTELLIGENCE (BI)
Профессиональная автоматизация бизнес-процессов:

Интеллектуального анализа данных

Планирования и управления стратегией предприятия

Консолидации и визуализации показателей эффективности
 Выгрузки-трансформации-загрузки (ETL), хранения и
представления корпоративной аналитики
032
НАШ ОПЫТ BI-ПРОЕКТОВ

Отчетность для анализа продаж и ассортиментной матрицы
(розница)

Отчетность по показателям логистики и сбыта (дистрибуция)

Консолидация показателей трейдинга (энергетика)

Консолидация показателей налогового учета (транспорт газа)

Кредит-скоринг, отчетность по показателям кредитных и
депозитных операций физических лиц (банковский бизнес)

Управление персоналом по КПЭ (нефтепереработка)

Консолидация и визуализация показателей производства
(металлургия)

Консолидация показателей бюджетного планирования
(металлургия, добыча газа)
033
iT&S
Информационные
Технологии и Сервисы
Спасибо за внимание!
www.itands.ru