Для водочной компании сейчас выстраиваем оптимальные маршруты супервайзеров и мерчендазейров. Оптимизируем движение людей по магазинам, чтобы они могли проверить как можно больше за короткий срок. Из интересного — если мерчендайзер, например, ездит на метро — ему часто маршрут выгоднее строить по принципу «вышел, сделал на точке А, перешел дорогу, сделал на точке Б». А вот супервайзеры ездят на машинах и им такой же маршрут давать нельзя — например, железную дорогу он может объезжать минут 20. Можем построить оптимальные маршруты для всех.

Еще можно строить решения для дистрибьюторов и вынимать из магазинов информацию о продажах той или иной группы товаров, соответствующего производителя и так далее. Из стандартного — почековка и анализ продаж. Например, как влияет размещение товара на полке на его продажи и где оптимально ставить. Простой пример. На кассе надо держать не только набор «жвачка – контрацепция – салфетки – сигареты», но как выяснилось и особенно по утрам, это средства от похмелья. За ними никто не пойдет в соседнюю аптеку или искать на полках, при этом аккуратная коробочка с надписью «снижает похмелье» привлекает внимание так же, как и «мерзавчик» вечером 5 лет назад. Ну а про расположение детских товаров на нижних полках и воблы поближе к пиву, вы и сами знаете.

Еще занимаемся составлением отчетов по продажам для франчайзи-точек и филиалов. Там обычно ситуация такая — чем дальше от центра, тем меньше контроля. Если же делать нормальную аналитику, по показателям сразу видно, где может быть проблема. А для центрального отделения важно знать о ней до того, как начнутся серьёзные потери, вроде того, что тонна йогуртов пропадёт по сроку годности. Должно быть время на реакцию.

Еще взяли товар по 12 рублей 50 копеек. Решили посчитать, что будет, если поднять цену до 13 рублей —выяснилось, что его как брали, так и будут брать.

Что в основе?

В любом случае внизу всей этой полезной информации лежат примитивы – чеки, описание магазина, примерные координаты предоставления того или иного бренда на полке этого магазина. Имея эту информацию, можно построить абсолютно любой отчёт, как начиная с того, сколько за месяц там продано в расчёте на квадратный метр, на кассира и т.п., так и заканчивая деталями, как повлиял закон о запрете продажи алкогольной продукции ночью. Кстати, на таком анализе мы можем не просто порекомендовать открывать отдельную кассу под алкоголь в 22:30, перед ночным запретом на реализацию алкоголя, но и указать нужное правило открытия – закрытия касс по всей торговой сети, с учетом праздников и событий специфичных для локации магазина.

Отчётность

В целом, BI — это сбор данных ради использования аналитики по ним. Кроме отчётов есть ещё мат.аппарат с соответствующими моделями, которые будут управлять, например, не только маршрутами мерчендайзеров, супервайзеров, но ещё и моделировать поведение покупателя в магазине. Можно строить прогнозы, начиная от среднего чека и что в нём составляет максимальный приоритет, что там надо передвинуть в ту или иную сторону, чтобы повысить продажи вот этого вот максимального приоритета.
К тому же коллективное использование лицензий всегда дешевле. Даже простой видеопоток движения зрачков покупателей выгодней покупать по очереди, чем брать машинки под каждый магазин. Трафик по сети гонять все дешевле, да и видео с движением зрачков при просмотре товара на полках хорошо грузить из «облака».

Система ловит инциденты и направляет информацию тем, кто должен реагировать. Например, если в 2:14 ночи в чеке бутылка водки (а системы, запрещающей пробивать такой товар нет) — нужно срочно отреагировать, пока в гости не пришел Роскомнадзор. Для этого оповещаются кадровики (они будут штрафовать кассира за нарушение), безопасники (они попробуют выяснить, как вообще так получилось), старший точки и айтишники (чтобы никто не попытался на всякий случай стереть транзакцию, если получится, и нарисовать какое-нибудь списание). Думаю, в целом понятно.

Ещё один характерный инцидент — это отмашка на продажу. Например, система знает, что если не продавать по 20 йогуртов в день, часть из них — будет просрочена. Автоматически может быть принято решение наподобие:
Через 3 дня поставить товар повыше на полке (дать инструкцию сотрудникам магазина).
Через 8 дней сделать скидку 20% (обновить базу цен и акций).
Оповестить лояльных клиентов о скидке.
Если продажи не растут — мотивировать продавцов бонусами за этот товар.
Если йогуртов больше прогноза за неделю до конца срока годности — активировать акцию «купи 3 по цене одного».

Понятно, что такие штуки считаются в реалтайме — перед каждым действием проверяются условия, но, думаю, общий смысл понятен.

Или может быть совсем мелкий инцидент — какой-то лояльный покупатель перестал покупать молоко. Не берёт его в магазине 2 месяца и всё (видно по карте лояльности и чекам). В этом случае можно дать ему скидку 15% на молочные продукты на один раз — и оповестить об этом.

База знаний

Бизнес-процессы можно масштабировать. Вот ещё пример: в одном магазине выросли продажи пива, довольно существенно. Через BI нашли причину — владелец поставил агрегат, который жарит курицу-гриль. В результате этот агрегат отнял какую-то площадь, но окупился сам и повысил продажи соседней категории. Логично эту механику обсчитать и положить в базу — при проектировании следующей точки можно будет точно знать, как оптимально использовать площадь и какое оборудование использовать. В случае дистрибутерской сети правило заносится как «смотрите, мы сделали вот такое вот управляющее действие, и у нас продажи возросли», а система позволяет оценить все параметры и перенести опыт на другие точки.

Весь мат. аппарат лежит в нашем облаке. Сложность реализации систем BI обычно в сборе данных и невероятно сложной интеграции всего этого. У нас сделано максимально просто — есть коннекторы ко всем используемым системам вроде 1С, которые просто вычленяют нужные исходные данные и отправляют на обработку. И есть мат.аппарат, который настраивается под задачи бизнеса. Работа с ним напоминает правильно сформулированные запросы к базе данных.

Есть набор готовых модулей. У нас есть инструмент создания фиксированных отчётов, инструмент создания автоматизированных выгрузок по расписанию, отправка по почте — на любой вопрос инструмент. Если инструмента нет, и заказчик нам говорит «сделайте там супер-пупер красивый отчёт», да, мы сделаем в этом случае отчёт — но модуль дадим всем заказчикам. Нужна модель — не вопрос, сделаем болванку этой модели, не будем подбирать параметры модели, но обучим эту модель базовым действиям. Регулярный пересчёт модели будет делать уже сам заказчик. Например, если у заказчика появились новые условия маркетинговой акции, и модель не предусматривает одно из условий, мы её расширим. Но в случае, если надо поменять один товар на другой, то заказчик сам легко это сделает.

В общем, есть возможности делать многое. Пока самые востребованные услуги – это сбор данных, хранение, их очистка, консолидация справочников, отчётность и мобильный CRM. Всё это делается легко и быстро – ну, настолько, насколько это вообще может быть легко и быстро в Big Data. Объективно почувствовать влияние BI на бизнес можно будет месяца через два.

Основная задача пока — обработка Big Data, например, по итогам разовой полугодовой выгрузки на тему «что закупать к Новому году». У нас есть хороший кейс, прям как из рекламы стирального порошка. Наша MPP СУБД на тестах, на вполне себе обычных офисных ПК в количестве 5 штук, показала сравнимую производительность с SMP СУБД на сервере HiEnd (если быть точнее, то 10 суток на SMP против 2 часов на MPP без оптимизации последней). Проблем с пиком новогодних продаж быть не должно, как и нервов пользователей по получению раз в минуту одного и того же отчета и запуска модели на всякий случай.

В целом, компании – потенциальные заказчики сами понимают необходимость в подобном инструменте. Его окупаемость – около 7-9 месяцев. Ведь даже полпроцента дополнительной маржи или экономии могут означать миллионы рублей в день (если речь о крупном ритейле, конечно). То есть сервис помогает заработать и сэкономить.

Резюме

%Юзернейм%, такая система следит за вами в ряде магазинов и знает о вас, возможно, уже больше Гугла. Разумеется, исключительно для вашего удобства, а то вдруг вы молоко купить забудете :)

А серьёзно – новая аналитика может уже настолько много, что местами это пугает. Если тема интересна, советую посмотреть кусочки примеров вот по этим ссылкам:
Экспертные системы прогнозирования продаж;
Экспертные системы оптимизации цепочек поставок;
Прогнозирование закупок;
И механизм для построения оптимальных маршрутов инкассаторов к банкоматам.