Задачи анализа данных в бизнес-аналитике (семинар К. В. Воронцова). Бизнес-аналитика в эпоху больших данных Анализ данных в бизнес аналитике — mashamult.ru

новости

Об анализе информации в последнее время говорят так много и столько всего, что можно окончательно запутаться в проблеме. Это хорошо, что многие обращают внимание на такую актуальную тему. Плохо только то, что под этим термином каждый понимает то, что ему нужно, часто не имея общей картины по проблеме. Фрагментарность в таком подходе является причиной непонимания того, что происходит и что делать. Все состоит из кусков, слабо связанных между собой и не имеющих общего стержня. Наверняка, вы часто слышали фразу «лоскутная автоматизация». С этой проблемой уже неоднократно сталкивались многие и могут подтвердить, что основная проблема при таком подходе состоит в том, что практически никогда невозможно увидеть картину в целом. С анализом ситуация аналогичная.

Для того чтобы было понятно место и назначение каждого механизма анализа, давайте рассмотрим все это целиком. Будет отталкиваться от того, как человек принимает решения, поскольку объяснить, как рождается мысль, мы не в состоянии, сконцентрируемся на том, как можно в этом процессе использовать информационные технологии. Первый вариант – лицо, принимающее решение (ЛПР), использует компьютер только как средство извлечения данных, а выводы делает уже самостоятельно. Для решения такого рода задач используются системы отчетности, многомерный анализ данных, диаграммы и прочие способы визуализации. Второй вариант: программа не только извлекает данные, но и проводит различного рода предобработку, например, очистку, сглаживание и прочее. А к обработанным таким образом данным применяет математические методы анализа – кластеризацию, классификацию, регрессию и т.д. В этом случае ЛПР получает не сырые, а прошедшие серьезную обработку данные, т.е. человек уже работает с моделями, подготовленными компьютером.

Благодаря тому, что в первом случае практически все, что связано собственно с механизмами принятия решений, возлагается на человека, проблема с подбором адекватной модели и выбором методов обработки выносится за пределы механизмов анализа, т. е. базой для принятия решения является либо инструкция (например, каким образом можно реализовать механизмы реагирования на отклонения), либо интуиция. В некоторых случаях этого вполне достаточно, но если ЛПР интересуют знания, находящиеся достаточно глубоко, если так можно выразиться, то просто механизмы извлечения данных тут не помогут. Необходима более серьезная обработка. Это и есть тот самый второй случай. Все применяемые механизмы предобработки и анализа позволяют ЛПР работать на более высоком уровне. Первый вариант подходит для решения тактических и оперативных задач, а второй – для тиражирования знаний и решения стратегических проблем.

Идеальным случаем была бы возможность применять оба подхода к анализу. Они позволяют покрыть почти все потребности организации в анализе бизнес информации. Варьируя методики в зависимости от задач, мы будем иметь возможность в любом случае выжать максимум из имеющейся информации.

Общая схема работы приведена ниже.

Часто при описании того или иного продукта, анализирующего бизнес информацию, применяют термины типа риск-менеджмент, прогнозирование, сегментация рынка… Но в действительности решения каждой из этих задач сводятся к применению одного из описанных ниже методов анализа. Например, прогнозирование – это задача регрессии, сегментация рынка – это кластеризация, управление рисками – это комбинация кластеризации и классификации, возможны и другие методы. Поэтому данный набор технологий позволяет решать большинство бизнес задач. Фактически, они являются атомарными (базовыми) элементами, из которых собирается решение той или иной задачи.

Теперь опишем отдельно каждый фрагмент схемы.

В качестве первичного источника данных должны выступать базы данных систем управления предприятием, офисные документы, Интернет, потому что необходимо использовать все сведения, которые могут пригодиться для принятия решения. Причем речь идет не только о внутренней для организации информации, но и о внешних данных (макроэкономические показатели, конкурентная среда, демографические данные и т.п.).

Хотя в хранилище данных не реализуются технологии анализа, оно является той базой, на которой нужно строить аналитическую систему. В отсутствие хранилища данных на сбор и систематизацию необходимой для анализа информации будет уходить большая часть времени, что в значительной степени сведет на нет все достоинства анализа. Ведь одним из ключевых показателей любой аналитической системы является возможность быстро получить результат.

Следующим элементом схемы является семантический слой. Вне зависимости от того, каким образом будет анализироваться информация, необходимо, чтобы она была понятна ЛПР, поскольку в большинстве случаев анализируемые данных располагаются в различных базах данных, а ЛПР не должен вникать в нюансы работы с СУБД, то требуется создать некий механизм, трансформирующий термины предметной области в вызовы механизмов доступа к БД. Эту задачу и выполняет семантический слой. Желательно, чтобы он был один для всех приложений анализа, таким образом легче применять к задаче различные подходы.

Системы отчетности предназначены для того, чтобы дать ответ на вопрос «что происходит». Первый вариант его использования: регулярные отчеты используются для контроля оперативной ситуации и анализа отклонений. Например, система ежедневно готовит отчеты об остатках продукции на складе, и когда его значение меньше средней недельной продажи, необходимо реагировать на это подготовкой заказа на поставку, т. е. в большинстве случаев это стандартизированные бизнес операции. Чаще всего некоторые элементы этого подхода в том или ином виде реализованы в компаниях (пусть даже просто на бумаге), однако нельзя допускать, чтобы это был единственный из доступных подходов к анализу данных. Второй вариант применения систем отчетности: обработка нерегламентированных запросов. Когда ЛПР хочет проверить какую-либо мысль (гипотезу), ему необходимо получить пищу для размышлений подтверждающую либо опровергающую идею, т. к. эти мысли приходят спонтанно, и отсутствует точное представление о том, какого рода информация потребуется, необходим инструмент, позволяющий быстро и в удобном виде эту информацию получить. Извлеченные данные обычно представляются либо в виде таблиц, либо в виде графиков и диаграмм, хотя возможны и другие представления.

Хотя для построения систем отчетности можно применять различные подходы, самый распространенный на сегодня – это механизм OLAP. Основной идеей является представление информации в виде многомерных кубов, где оси представляют собой измерения (например, время, продукты, клиенты), а в ячейках помещаются показатели (например, сумма продаж, средняя цена закупки). Пользователь манипулирует измерениями и получает информацию в нужном разрезе.

Благодаря простоте понимания OLAP получил широкое распространение в качестве механизма анализа данных, но необходимо понимать, что его возможности в области более глубокого анализа, например, прогнозирования, крайне ограничены. Основной проблемой при решении, задач прогнозирования является вовсе не возможность извлечения интересующих данных в виде таблиц и диаграмм, а построение адекватной модели. Дальше все достаточно просто. На вход имеющейся модели подается новая информация, пропускается через нее, а результат и есть прогноз. Но построение модели является совершенно нетривиальной задачей. Конечно, можно заложить в систему несколько готовых и простых моделей, например, линейную регрессию или что-то аналогичное, довольно часто именно так и поступают, но это проблему не решает. Реальные задачи почти всегда выходят за рамки таких простых моделей. А следовательно, такая модель будет обнаруживать только явные зависимости, ценность обнаружения которых незначительна, что и так хорошо известно и так, или будут строить слишком грубые прогнозы, что тоже совершенно неинтересно. Например, если вы будете при анализе курса акций на фондовом рынке исходить из простого предположения, что завтра акции будут стоить столько же, сколько и сегодня, то в 90% случаев вы угадаете. И насколько ценны такие знания? Интерес для брокеров представляют только оставшиеся 10%. Примитивные модели в большинстве случаев дают результат примерно того же уровня.

Правильным подходом к построению моделей является их пошаговое улучшение. Начав с первой, относительно грубой модели, необходимо по мере накопления новых данных и применения модели на практике улучшать ее. Собственно задача построения прогнозов и тому подобные вещи выходят за рамки механизмов систем отчетности, поэтому и не стоит ждать в этом направлении положительных результатов при применении OLAP. Для решения задач более глубокого анализа применяется совершенно другой набор технологий, объединенных под названием Knowledge Discovery in Databases .

Knowledge Discovery in Databases (KDD) – это процесс преобразования данных в знания. KDD включает в себя вопросы подготовки данных, выбора информативных признаков, очистки данных, применения методов Data Mining (DM), постобработки данных, интерпретации полученных результатов. Data Mining – это процесс обнаружения в «сырых» данных ранее неизвестных, нетривиальных, практически полезных и доступных для интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Привлекательность этого подхода заключается в том, что вне зависимости от предметной области мы применяем одни и те же операции:

Извлечь данные. В нашем случае для этого нужен семантический слой.
Очистить данные. Применение для анализа «грязных» данных может полностью свести на нет применяемые в дальнейшем механизмы анализа.
Трансформировать данные. Различные методы анализа требуют данных, подготовленных в специальном виде. Например, где-то в качестве входов может использоваться только цифровая информация.
Провести, собственно, анализ – Data Mining.
Интерпретировать полученные результаты.

Это процесс повторяется итеративно.

Data Mining, в свою очередь, обеспечивает решение всего 6 задач – классификация, кластеризация, регрессия, ассоциация, последовательность и анализ отклонений.

Это все, что необходимо сделать, чтобы автоматизировать процесс извлечения знаний. Дальнейшие шаги уже делает эксперт, он же ЛПР.

Интерпретация результатов компьютерной обработки возлагается на человека. Просто различные методы дают различную пищу для размышлений. В самом простом случае – это таблицы и диаграммы, а в более сложном – модели и правила. Полностью исключить участие человека невозможно, т.к. тот или иной результат не имеет никакого значения, пока не будет применен к конкретной предметной области. Однако имеется возможность тиражировать знания. Например, ЛПР при помощи какого-либо метода определил, какие показатели влияют на кредитоспособность покупателей, и представил это в виде правила. Правило можно внести в систему выдачи кредитов и таким образом значительно снизить кредитные риски, поставив их оценки на поток. При этом от человека, занимающегося собственно выпиской документов, не требуется глубокого понимания причин того или иного вывода. Фактически это перенос методов, когда-то примененных в промышленности, в область управления знаниями. Основная идея – переход от разовых и не унифицированных методов к конвейерным.

Все, о чем говорилось выше, только названия задач. И для решения каждой из них можно применять различные методики, начиная от классических статистических методов и кончая самообучающимися алгоритмами. Реальные бизнес задачи решаются практически всегда одним из указанных выше методов или их комбинацией. Практически все задачи – прогнозирование, сегментация рынка, оценка риском, оценка эффективности рекламных кампаний, оценка конкурентных преимуществ и множество других – сводятся к описанным выше. Поэтому, имея в распоряжении инструмент, решающий приведенный список задач, можно говорить, что вы готовы решить любую задачу бизнес анализа.

Если вы обратили внимание, мы нигде не упоминали о том, какой инструмент будет использоваться для анализа, какие технологии, т.к. сами задачи и методы их решения не зависят от инструментария. Это всего лишь описание грамотного подхода к проблеме. Можно использовать все, что угодно, важно только, чтобы был покрыт весь список задач. В этом случае можно говорить о том, что имеется действительно полнофункциональное решение. Очень часто в качестве «полнофункционального решения задач бизнес анализа» предлагаются механизмы, покрывающие только незначительную часть задач. Чаще всего под системой анализа бизнес информации понимается только OLAP, чего совершенно недостаточно для полноценного анализа. Под толстым слоем рекламных лозунгов находится всего лишь система построения отчетов. Эффектные описания того или иного инструмента анализа скрывают суть, но достаточно отталкиваться от предложенной схемы, и вы будете понимать действительное положение вещей.

Бизнес-аналитика и анализ данных. Эффективный консалтинг — это то, что необходимо для качественного развития любого бизнеса. Разрешение существующих проблем и кризисов, предотвращение потенциальных, поиск ходов для увеличения прибыли и эффективности в целом: всё это предоставляет вам качественный консалтинг.

Процесс консалтинга — сложный, многоступенчатый, многоуровневый, здесь нет четкого и универсального подхода к абсолютно любому делу: контекст бизнеса, его ниша, отрасль, ЦА, особенности и многое другое: всё это влияет на то, каким образом будут диагностироваться бизнес-процессы. Естественно, финальному этапу консалтинга предшествуют множество других пре-процессов, таких, как подготовка задача, описание бизнес-процессов, аналитика бизнеса, диагностика инфраструктуры в целом и IT-инфраструктуры организации, в частности, анализируются данные, а уже на основе этого создается ряд рекомендаций. Надо сказать, что именно бизнес-аналитика и анализ данных — важнейшие этапы в процессе консалтинга, именно они ведут к соответствующим выводам, именно на основе такого анализа, создаются какие-либо рекомендации.

Анализ данных и бизнес аналитика: как осуществить?

Качественному анализу, в данном случае, никак не обойтись без наличия каких-либо количественных метрик. То есть, очень желательно, чтобы в работу предприятия была внедрена некая автоматизация — бизнес-процессов, взаимоотношений с клиентами, поставщиками, посредниками, чтобы также был автоматизирован документооборот и все остальные процессы. Именно при качественном учете всех процессов, происходящих внутри бизнеса, значительно облегчается отчетность и дальнейшая аналитика.

Как можно автоматизировать документооборот, управление клиентами и облегчить отчетность?

Лучшим вариантом станет эксклюзивное программное обеспечение, предназначенное для выполнения множества задач — от ФБ Консалт. Вам предлагаются качественные системы управления клиентами — разного рода CRM, предназначенные для различных отраслей бизнеса, эффективное решение для контроля документооборота — DocsVision, а также ПО, подходящее для бизнес-аналитики и анализа данных, в том числе — и для выявления сомнительных финансовых операций — QlikView. Внедрение таких решений, значительно повысит эффективность вашего бизнеса.

Бизнес-аналитика, или BI, — это общий термин, подразумевающий под собой разнообразные программные продукты и приложения, созданные для анализа первичных данных организации.

Бизнес-анализ как деятельность состоит из нескольких связанных между собой процессов:

    интеллектуальный анализ данных (data mining)
    ,
    аналитическую обработку в реальном времени (online analytical processing)
    ,
    получение информации из баз данных (querying)
    ,
    составление отчетов (reporting)
    .

Компании используют BI для принятия обоснованных решений, сокращения издержек и поиска новых перспектив для бизнеса. BI — это нечто большее, чем обычная корпоративная отчетность или некий набор инструментов для получения информации из учетных систем предприятия. IT-директора используют бизнес аналитику, чтобы выявить неэффективные бизнес-процессы, которые «созрели» для перестройки.

Используя современные инструменты бизнес-анализа, бизнесмены могут начать анализировать данные самостоятельно и не ждать, пока IT-департамент сформирует сложные и запутанные отчеты. Такая демократизация доступа к информации дает пользователям возможность подкреплять реальными цифрами свои бизнес-решения, которые в обратном случае были бы основаны на интуиции и случайностях.

Несмотря на то что системы BI достаточно перспективны, их внедрение может быть затруднено техническими и «культурными» проблемами. Менеджерам необходимо обеспечивать четкие и согласованные данные для BI приложений, чтобы пользователи могли им доверять.

Какие компании используют BI-системы?

Ресторанные сети (например, Hardee’s, Wendy’s, Ruby Tuesday и T.G.I. Friday’s) активно используют системы бизнес-аналитики. BI крайне полезен им для принятия стратегически важных решений. Какие новые продукты добавить в меню, какие блюда исключить, какие неэффективно работающие точки закрыть и т.д. Они также используют BI для таких тактических вопросов, как пересмотр договоров с поставщиками продуктов и выявление путей совершенствования неэффективных процессов. Поскольку ресторанные сети сильно ориентированы на свои внутренние бизнес-процессы и поскольку BI занимает в контроле этих процессов центральное место, помогая управлять предприятиями, рестораны, среди всех отраслей, входят в элитную группу компаний, которые получают реальную выгоду от этих систем.

Бизнес-аналитика является одним из ключевых компонентов BI. Этот компонент важен для достижения успеха компании из любой отрасли.

В секторе розничной торговли Wal-Mart широко применяет анализ данных и кластерный анализ для того, чтобы сохранять свое доминирующее положение в секторе. Harrah’s изменил основы своей политики конкурентной борьбы в игральном бизнесе, сделав упор на анализ лояльности клиентов и уровня обслуживания, вместо поддержания мега-казино. Amazon и Yahoo — это не просто крупные веб-проекты, они активно используют бизнес-аналитику и общий подход «протестируй и пойми» для налаживания своих бизнес-процессов. Capital One проводит более 30 000 экспериментов ежегодно для выявления целевой аудитории и оценки предложений по кредитным картам.

С чего или с кого должно начаться внедрение BI?

Общая вовлеченность сотрудников жизненно необходима для успеха BI-проектов, поскольку каждый, кто задействован в процессе, должен обладать полным доступом к информации, чтобы иметь возможность изменить способы и методы своей работы. BI-проекты должны начинаться с высшего руководства, а следующей группой пользователей должны быть менеджеры по продажам. Их основная обязанность — наращивать продажи, и заработная плата часто зависит от того, насколько хорошо они это делают. Поэтому они гораздо быстрее воспримут любой инструмент, способный помочь им в работе, при условии, что этот инструмент легко использовать и что они доверяют получаемой с его помощью информации.

Вы можете заказать свой пилотный проект на платформе для бизнес-анализа.

Используя BI-системы, сотрудники корректируют работу над индивидуальными и групповыми задачами, что ведет к более эффективной работе команд продавцов. Когда руководители отделов продаж видят существенную разницу показателей нескольких отделов, они стараются довести «отстающие» отделы до того уровня, на котором работают «лидирующие».

Внедрив бизнес-аналитику в отделах продаж, можно продолжать внедрение уже в других департаментах организации. Положительный опыт продавцов будет способствовать переходу на новые технологии других сотрудников.

Как внедрить BI-систему?

Перед внедрением BI-системы, компаниям следует проанализировать механизмы принятия управленческих решений и понять, какая информация необходима руководителям для более обоснованного и оперативного принятия этих решений. Также желательно проанализировать, в каком виде руководители предпочитают получать информацию (в качестве отчетов, графиков, онлайн, в бумажной форме). Уточнение данных процессов покажет, какую информацию компании необходимо получить, анализировать и консолидировать в своих BI-системах.

Качественные BI-системы должны предоставлять пользователям контекст. Недостаточно просто составлять отчеты о том, какими были продажи вчера и какими — год назад в этот же день. Система должна давать возможность понять, какие факторы привели именно к такому значению объема продаж в один день и другому — в тот же день год назад.

Подобно многим IT проектам, внедрение BI не окупится, если пользователи будут чувствовать «угрозу» или скептически относиться к этой технологии и в результате откажутся от ее использования. BI, будучи внедренной в «стратегических» целях, должна, по идее, фундаментальным образом изменить функционирование компании и процесс принятия решений, поэтому руководителям IT-департаментов необходимо с особым вниманием подходить к мнениям и реакциям пользователей.

7 этапов запуска BI-систем

Убедитесь, что ваши данные корректны (достоверны и пригодны для анализа).
Проведите полноценное обучение пользователей.
Внедряйте продукт как можно более оперативно, привыкая пользоваться им уже по ходу внедрения. Не стоит тратить огромное количество времени на разработку «идеальных» отчетов, поскольку отчеты можно будет добавить по мере по мере развития системы и потребности пользователей. Составляйте отчеты, которые быстро обеспечат максимальную пользу (потребность пользователей в данных отчетах максимальна), а затем корректируйте их.
Придерживайтесь интегративного подхода к построению хранилища данных. Убедитесь, что вы не «запираете» себя в неработающей в длительной перспективе стратегии обработки данных.
Перед тем как начать, четко оцените ROI. Определите конкретные преимущества, которые намереваетесь получить, и затем проверяйте их соответствие действительным результатам каждый квартал или каждые полгода.
Сфокусируйтесь на целях вашего бизнеса.
Не покупайте программное обеспечение для аналитики, потому что вы думаете
, что вам это нужно. Внедряйте BI с мыслями, что среди ваших данных существуют показатели, которые необходимо получить. При этом, важно иметь хотя бы примерное представление о том, где конкретно они могут быть.

Какие могут возникнуть проблемы?

Крупное препятствие на пути к успеху BI-систем — сопротивление пользователей. Среди прочих возможных проблем — необходимость «просеивать» большие объемы нерелевантной информации, а также данные неудовлетворительного качества.

Ключ к получению значимых результатов от работы BI-систем — это стандартизированные данные. Данные являются фундаментальным компонентом любой BI системы. Компаниям необходимо привести свои хранилища данных в строгий порядок прежде, чем они смогут начать извлекать необходимую информацию и доверять полученным результатам. Без стандартизации данных есть риск получать некорректные результаты.

Еще одной проблемой может стать некорректное понимание роли аналитической системы. BI- инструменты стали более гибкими и удобными для пользователей, однако основная их роль по-прежнему — составление отчетов. Не стоит ждать от них автоматизированного управления бизнес-процессами. Впрочем, определенные изменения в этом направлении все же намечаются.

Третьим препятствием при трансформации бизнес-процессов с использованием BI системы является недостаточное понимание компаниями собственных бизнес-процессов. Как следствие, компании просто не понимают, как можно эти процессы улучшить. Если процесс не оказывает прямого влияния на прибыль или компания не собирается стандартизировать процессы во всех своих подразделениях, внедрение BI системы может оказаться неэффективным. Компаниям необходимо понимать все виды деятельности и все функции, которые составляют отдельный бизнес-процесс. Также важно знать, как передается информация и данные через несколько разных процессов, и как данные передаются между бизнес-пользователями, и то, как люди используют эти данные для осуществления своих задач в рамках конкретного процесса. Если стоит цель оптимизировать работу сотрудников, все это необходимо понять еще перед тем, как запустить BI-проект.

Некоторые преимущества от использования BI-решений

Большое количество BI-приложений помогло компаниям с лихвой отбить вложенные средства. Системы бизнес-аналитики используются для изучения способов сокращения издержек, выявления новых возможностей для развития бизнеса, представления ERP-данных в наглядной форме, а также для быстрого реагирования на изменение спроса и оптимизации цен.

Кроме повышения доступности данных, BI может предоставить компаниям больше преимуществ во время переговоров, упрощая оценку отношений с поставщиками и клиентами.

В рамках предприятия существует множество возможностей экономить деньги путем оптимизации бизнес-процессов и процесса принятия решений в целом. BI способен эффективно помогать в совершенствовании этих процессов, проливая свет на допущенные в них промахи. Например, сотрудники одной компании в Альбукерке использовали BI для определения путей сокращения использования мобильных телефонов, работы в сверхурочные часы и других текущих расходов, сэкономив для организации $2 миллиона за три года. Также, с помощью BI-решений, Toyota осознала, что вдвое переплатила своим перевозчикам общей суммой $812 000 в 2000 г. Использование BI-систем для обнаружения дефектов в бизнес-процессах ставит компанию в более выгодное положение, давая конкурентное преимущество перед компаниями, которые используют BI просто для того, чтобы отслеживать происходящее.

    Проанализируйте, как принимают решения руководители.
    Подумайте, какая информация нужна руководителям для оптимизации принятия оперативных управленческих решений.
    Обращайте внимание на качество данных.
    Продумывайте показатель эффективности, который имеет наибольшее значение для бизнеса.
    Обеспечивайте контекст, который влияет на показатель эффективности.

И помните, BI — это нечто большее, чем поддержка принимаемых решений. Благодаря развитию технологий и тому, как их внедряют руководители IT-департаментов, системы бизнес-анализа обладают потенциалом трансформировать организации. IT-директора, которые успешно используют BI для улучшения бизнес-процессов, вносят гораздо более значимый вклад в деятельность свой организации, руководители, внедряющие базовые инструменты составления отчетов.

По материалам www.cio.com

Малый бизнес в странах СНГ пока не применяет анализ данных для развития бизнеса, определения корреляций, поиска скрытых закономерностей: предприниматели обходятся отчетами маркетологов и бухгалтеров. Руководители малых и частично средних предприятий больше полагаются на свою интуицию, чем на анализ. Но при этом у аналитики огромный потенциал: она помогает снизить затраты и повысить прибыль, быстрее и объективнее принимать решения, оптимизировать процессы, лучше понимать клиентов и совершенствовать продукт.

Бухгалтер не заменит аналитика

Руководители малых предприятий часто полагают, что отчеты маркетологов и бухгалтеров достаточно адекватно отображают деятельность компании. Но на основе сухой статистики принять решение очень сложно, а ошибка в подсчетах без профильного образования неминуема.

Кейс 1. Пост-анализ акционных кампаний.
К Новому году предприниматель объявил акцию, в рамках которой определенные товары предлагались со скидкой. Оценив выручку за новогодний период, он увидел, как повысились продажи, и обрадовался своей находчивости. Но давайте учтем все факторы:

    Продажи особенно сильно растут в пятницу, в день, когда выручка максимальная — это недельный тренд.
    Если сравнивать с ростом продаж, который обычно происходит под Новый год, то выигрыш не так и велик.
    Если отфильтровать акционные товары, оказывается, что показатели продаж ухудшились.

Кейс 2. Исследование товарооборачиваемости.
У магазина женской одежды сложности с логистикой: товар на некоторых складах в дефиците, а на некоторых лежит месяцами. Как определить без анализа продаж, сколько брюк завести в один регион, а сколько пальто отправить в другой, при этом получить максимальную прибыль ? Для этого нужно просчитать товарооборачиваемость, соотношение скорости продаж и среднего товарного запаса за определенный период.
Если выразиться проще, товароборачиваемость это показатель того, за сколько дней магазин продаст товар, как быстро продается средний запас, как быстро окупается товар. Хранить большие запасы экономически невыгодно, так как это замораживает капитал, замедляет развитие. Если запас снижать, может появиться дефицит, и компания снова недополучит прибыль. Где найти золотую середину, соотношение, при котором продукт не застаивается на складе, и в то же время вы можете дать определенную гарантию, что клиент найдет нужную единицу в магазине? Для этого аналитик должен помочь вам определить:

    желательную оборачиваемость,
    динамику оборачиваемости.

При расчете с поставщиками с отсрочкой нужно также высчитывать соотношение кредитной линии и оборачиваемости. Оборачиваемость в днях = Средний товарный запас * количество дней / Товарооборот за этот период.

Расчет остатков ассортимента и общей оборачиваемости по магазинам помогает понять, куда необходимо переместить часть товара. Стоит подсчитывать и то, какая оборачиваемость у каждой единицы ассортимента, чтобы принимать решение уценка при пониженном спросе, дозаказ при повышенном, перемещение на иной склад. По категориям можно разработать отчет по оборачиваемости в таком виде. Видно, что майки и джемперы продаются быстрее, а вот пальто — достаточно долго. Сможет ли такую работу провести обычный бухгалтер? Сомневаемся. При этом регулярный расчет товарооборачиваемости и применение результатов может повысить прибыль на 8-10%

В каких сферах применим анализ данных?

Продажи.
Важно понимать, почему продажи идут хорошо (или плохо), какова динамика. Чтобы решить эту задачу, нужно исследовать факторы влияния на прибыль и выручку – например, проанализировать длину чека и выручку на покупателя. Такие факторы можно исследовать по группам товаров, сезонам, магазинам. Можно определять возвышения и ямы продаж, анализируя возвраты, отмены и другие операции.
Финансы.
Мониторинг показателей нужен любому финансисту для наблюдения за кешфлоу и распределения активов по различным сферам деятельности бизнеса. Это помогает оценить эффективность налогообложения и другие параметры.
Маркетинг.
Любая маркетинговая компания нуждается в прогнозах и пост-анализе акций. На этапе проработки идеи нужно определить группы товаров (контрольные и целевые), для которых создаем предложение. Это – тоже работа для аналитика данных, так как обычный маркетолог не обладает нужным инструментарием и навыками для хорошего анализа.Например, если для контрольной группы сумма выручки и количество покупателей одинаково больше в сравнении с целевой – акция не сработала. Для определения этого нужен интервальный анализ.
Управление.
Иметь лидерские качества недостаточно для лидера компании. Количественные оценки работы персонала в любом случае нужны для грамотного управления предприятием. Эффективность управления фондом оплаты труда, соотношение зарплаты и продаж важно понимать так же, как и эффективность процессов – например, загруженности касс или занятости грузчиков в течении дня. Это помогает правильно распределять рабочее время.
Web-анализ.
Сайт нужно грамотно продвигать, чтобы он стал каналом продаж, а для этого нужна правильная стратегия продвижения. Здесь вам поможет веб-анализ. Как его применять? Изучать поведение, возраст, пол и другие характеристики клиентов, активность на определенных страницах, клики, канал трафика, результативность рассылок и прочее. Это поможет совершенствовать бизнес и сайт.
Управление ассортиментом.
АВС-анализ крайне необходим для управления ассортиментом. Аналитик должен распределить товар по характеристикам, чтобы провести такой вид анализа и понять, какой товар самый рентабельный, какой в основе, а от какого стоит избавиться. Для понимания стабильности продаж хорошо проводить XYZ-анализ.
Логистика.
Больше понимания о закупках, товарах, их хранении и доступности даст изучение логистических показателей. Потери и потребности товара, товарный запас также важно понимать для успешного управления бизнесом.

Эти примеры показывают, насколько широкие возможности у анализа данных даже для малых предприятий. Опытный директор повысит прибыль компании и получит выгоду из самых незначительных сведений, правильно используя анализ данных, а работу менеджера значительно упростят наглядные отчеты.

(Business Intelligence).

В качестве докладчиков на семинар приглашаются молодые специалисты, делающие успешную карьеру аналитиков в высокотехнологичных компаниях, таких, как Microsoft, IBM, Google, Яндекс, МТС, и др.
На каждом семинаре студентам рассказывают о некоторых бизнес-задачах, которые решаются в этих компаниях, о том, как происходит накопление данных, как возникают задачи анализа данных, какими методами их можно решать.

Все приглашаемые специалисты открыты для контактов, и студенты смогут обращаться к ним за консультациями.

Цели семинара
:

    способствовать устранению существующего разрыва между университетскими исследованиями и решением практических задач в области анализа данных;способствовать обмену опытом между настоящими и будущими профессионалами.

Семинар проводится регулярно на факультете ВМК МГУ по пятницам в 18:20
, аудитория П5
(первый этаж).

Посещение семинара — свободное

(если у Вас нет пропуска в МГУ, заранее сообщите вашу Ф.И.О. организаторам семинара для подачи списка участников на вахту).

Программа семинара

Дата
Докладчик и тема семинара

10 сентября 2010
18:20
Александр Ефимов

, руководитель аналитического отдела розничной сети МТС.

Прогнозирование эффекта маркетинговых кампаний и оптимизация ассортимента магазинов
.

    Страница прикладной задачи: Оптимизация ассортимента торговых точек (задача с данными) .

17 сентября 2010
18:20
Вадим Стрижов

, научный сотрудник Вычислительного центра РАН.

Банковский кредитный скоринг: методы автоматического порождения и выбора моделей
.

Рассматривается классическая и новая технологии построения скоринговых карт. На семинаре рассказывается о том, как устроены данные о клиентах и о том, как породить наиболее правдоподобную скоринговую модель, отвечающую, к тому же, требованиям международных банковских стандартов.

24 сентября 2010
18:20
Владимир Крекотень

, начальник управления маркетинга и продаж брокерского дома «Открытие».

Применение математических методов для прогнозирования и противодействия оттоку клиентов
.

Рассматриваются практические проблемы, возникающие при анализе клиентской базы в маркетинге. Ставятся задачи кластеризации и сегментации клиентов, скоринга новых клиентов, отслеживания динамики целевых сегментов.

    Страница прикладной задачи: Кластеризация клиентов брокерской компании (задача с данными) .

1 октября 2010
18:20
Николай Филипенков

, и.о. начальника отдела кредитного скоринга Банка Москвы.

Применение математических методов для управления розничным кредитным риском
.

Рассматриваются некоторые практические аспекты построения скоринговых моделей и оценивания рисков.

    Страница прикладной задачи: Управление розничным кредитным риском (задача с данными) .

8 октября 2010
18:20
Федор Романенко

, менеджер отдела качества поиска, Яндекс.

История и принципы ранжирования веб-поиска.

Рассматриваются вопросы использования и развития методов Information Retrieval, от текстового и ссылочного ранжирования до Machine Learning to Rank в задаче интернет-поиска. Основные принципы, лежащие в основе современного веб-ранжирования, излагаются в привязке к историям успеха поисковых систем. Особое внимание уделяется влиянию качества поиска на рыночные показатели и жизненно важной необходимости постоянно работать над его улучшением.

15 октября 2010
18:20
Виталий Гольдштейн

, разработчик, Яндекс.

Геоинформационные сервисы Яндекс.

Рассказывается о проекте Яндекс.Пробки и других геоинформационных проектах Яндекс, о том, откуда берутся исходные данные для построения геоинформационных систем, о новой масштабируемой технологии обработки данных, о конкурсе Интернет-математики и некоторых перспективных задачах. Предоставляются данные и даётся формальная постановка задачи восстановления карты дорог.

    Страница прикладной задачи: Построение графа дорог по данным о треках транспортных средств (задача с данными) .

22 октября 2010
Семинар отменён.

29 октября 2010
18:20
Федор Краснов

, вице-президент по бизнес-процессам и информационным технологиям, АКАДО.

Как получать данные о клиентах?

Источник: knia.ru

Добавить комментарий