Преодоление аналитической пропасти: SPAR Калининград

Как управлять ассортиментом? Надо посмотреть на свои данные. Взять Qlik, начать с анализа чеков и объединить их со складом. Это можно сравнить с прыжком через пропасть. Рассказываем о деталях проекта в супермаркетах «SPAR Калининград».

Представим себе уже работающий бизнес. Например, сеть супермаркетов из 40 магазинов. 300 касс выбивают больше 100 тыс. чеков в день. На полках примерно 20 тыс. позиций. Для анализа структуры продаж и управления ассортиментом данные раз в неделю выгружаются из 1С в Excel.

Представили? Да, у нас тоже возник вопрос: почему компания при таком объеме данных не использует BI? Наши коллеги из компании Qlever Solutions, которая разрабатывает решения на Qlik, называют причину аналитической пропастью.

Смысл аналитической пропасти в том, что любая прагматичная компания начинает пользоваться новыми приложениями лишь после появления потребности. Но потребность всегда возникает с опозданием — когда внутренние процессы уже построены в соответствии с тем, как работают унаследованные приложения и на что они способны.

На краю аналитической пропасти рано или поздно окажется любой бизнес. Это произойдет в самый неподходящий момент. Конкурентная среда обычно подкидывает новые задачи, когда данных уже много.

Люди не смогут мгновенно переключиться на что-то новое. Сам набор сотрудников, их знания и распределение ролей между ними всегда соответствует тому, чем они пользуются прямо сейчас.

Еще могут быть технические трудности. Ведь данные находятся в разных системах — они разными способами и с разной периодичностью создаются, в разных форматах хранятся. Хотя стоит отметить, с этой трудностью современные аналитические платформы справляются уже очень хорошо.

Перепрыгнув на другую сторону аналитической пропасти, компания изменится. Она уже не только будет пользоваться новыми инструментами. У нее появятся новые процессы, новые роли и новые люди.

Но чтобы на другой стороне оказаться, надо разбежаться и прыгнуть. Буквально, в пропасть.

Аналитическая пропасть растет по мере развития бизнеса. Пока сотрудников мало, а процессы просты, трансформироваться можно очень быстро. Но насколько важно для небольшой компании прямо сейчас уметь анализировать свои данные? Да, неплохо бы. Но зачастую некритично. Жизненная необходимость появляется после того, как в компании уже работает много людей, а процессы стали сложны и взаимосвязаны. До этого достаточно было таблиц Excel.

Чем больше бизнес, тем больше данных он создает и тем больше людей вовлечено в процессы. Что-то поменять иногда очень трудно. Трансформацию трудно купить, потому что ее успех зависит не только от количества денег, потраченных на платформы и инструменты.

Специалисты сети SPAR, отвечающие за ассортимент и ценообразование, уже не первый год пользовались Excel — таблицы были их основным инструментом для анализа продаж. Данные для своей работы они просто загружали из учетной системы 1С. Когда-то такой подход был оправдан. Однако, это время прошло. Теперь рынок не прощает ритейлерам ошибок в ценообразовании и ассортименте.

Перед калининградскими супермаркетами SPAR стояла задача изменить принципы управления ассортиментом. Надо было начать использовать для принятия решений больше данных. Чтобы этими данными воспользоваться, требовался новый инструмент.

Посмотрим на данные, которые были доступны на момент начала проекта. Для текущих аналитических задач использовалась лишь та информация, которая попадала в 1С. Но эта система предназначена именно для учета, а не для анализа ассортимента. Данные в ней хранятся в уже агрегированном виде. Информацию из касс, которая отражала бы полную структуру продаж, никто не собирал и не хранил.

Первый этап проекта в SPAR стартовал в сентябре 2019 и начался с того, что данные были выгружены из касс и разработан механизм для выявления ошибок — например, расхождений между кассами и учетной системой 1С. Это позволило сразу скорректировать состав товарных категорий. Одним из результатов, например, стало уменьшение их числа в несколько раз.

Когда данные есть, нет никаких препятствий дать сотрудникам к ним прямой доступ. Бизнес-пользователи могли бы самостоятельно работать с данными и извлекать из них пользу — это называется “самообслуживание” (self-service). Такой способ работы становится сейчас доступен даже тем, кто в жизни не написал ни строчки программного кода.

Однако, для прыжка через пропасть требуется совсем другое. Нужен какой-то простой и однозначный способ извлекать из данных пользу. Некая методология. Ответ на вопрос “что с этим делать?”

Такая методология должна выполнить роль фундамента. Новые источники, новые практики использования данных и новые роли появятся позже. Когда-то все это превратится в аналитическую культуру. Но пока нужны лишь простые и однозначные способы работы с информацией.

Эти способы не должны вызывать никаких вопросов у большинства сотрудников, отвечающих за свой участок работы — в нашем случае речь об ассортименте на полках.

В качестве такой базовой методологии был выбран набор дэшбордов со стандартными показателями для анализа чеков, разработанный Qlever Solutions на основе опыта, полученного при создании аналитических приложений для ритейла.

Здесь снова надо вернуться к сравнению с Excel. Все-таки более привычного и распространенного инструмента для работы с данными пока не существует. Однако, таблицы изначально создавались для другого. Это резко ограничивает возможности их применения для анализа данных. Например, формально Excel позволяет сделать ABC-анализ ассортимента — классифицировать товары по их вкладу в выручку. Такая возможность действительно есть, но она скорее теоретическая. Примерно как с ответом на вопрос о том, можно ли построить дом из спичек. Да, конечно. Однако примеров никто не видел.

Аналитические платформы наоборот, изначально создавались как инструмент, который должен помочь воспользоваться информацией для того, чтобы принять решение. Задача дэшборда — показать, на что именно посмотреть перед тем, как изменится цена товара или он будет исключен из ассортимента.

Итак, главным результатом первого этапа проекта в сети SPAR стало решение для анализа чеков с помощью стандартных для отрасли методов. Отвечающие за ассортимент специалисты получили новый инструмент для работы — дэшборды Qlik Sense. Эти дэшборды помогают увидеть номенклатуру с точки зрения того, как продавались отдельные товары: оценивать частоту продаж, проводить ABC-анализ, сравнивать продажи товаров между собой внутри одной категории или узнавать о том, какие товары продаются вместе.

Первый этап занял два месяца и включал 350 часов работы проектной команды Qlever Solutions. Данные из чеков помогли получить не только новый инструмент для работы с ассортиментом, но и создать набор управленческих отчетов, которые отражают выручку, трафик, средний чек, количество чеков по часам и дням недели, распределение продаж по населенным пунктам и магазинам.

Для анализа продаж нужны данные из касс. Анализ чеков позволит узнать что продается, как продается и с чем именно. Это огромный шаг в сторону применения данных для увеличения продаж. Однако, для управления ассортиментом его мало.

Управление ассортиментом подразумевает еще и ценообразование. Ценообразование не может опираться только на анализ продаж. В кассах нет информации, которая могла бы здесь помочь. Требуется знать и учитывать себестоимость товаров. На первый взгляд, с себестоимостью никаких проблем возникнуть не должно — ведь все данные о закупках доступны в 1С.

Однако, в случае с большой сетью закупки — это лишь часть расходов. Чтобы узнать, во сколько на самом деле магазину обходится пакет молока или упаковка чипсов, надо учесть расходы на логистику и хранение.

Поэтому задачей второго этапа разработки аналитической системы для SPAR стало объединение информации о продажах с состоянием складов.

Второй этап стартовал в 2020, продолжался 4 месяца и включал 650 часов работы проектной команды Qlever Solutions. Кроме того, около 500 часов пришлось потратить на разработку дополнительных функций, необходимость в которых возникала по мере появления новых требований SPAR к своим аналитическим инструментам.

Созданные на втором этапе приложения уже не были ограничены сколь-нибудь стандартными подходами к объединению информации и представлению ее в таком виде, чтобы этим можно было воспользоваться. Одновременно с интеграцией данных здесь требовалась «тонкая настройка» аналитической системы. Надо было учесть особенности процессов SPAR, логистики и специфические потребности специалистов в каких-то разрезах данных.

Итак, в «SPAR Калининград» сегодня развернуто 8 аналитических приложений и примерно 50 вспомогательных, которые обеспечивают послойную трансформацию данных*. Аналитическими приложениями пользуется около 40 специалистов — это менеджеры товарных категорий, аналитики и руководители разного уровня.

Вызов проекта в SPAR заключался вовсе не в технической реализации. Загрузить и трансформировать данные — уже не rocket scienсe. С визуализацией тоже нет проблем — сейчас доступно много инструментов, способных с этим помочь.

Но когда данных, сотрудников и ролей много, проектные риски появляются в области организационных изменений. Пока данными никто всерьез не пользуется, трудно развивать инструментарий. Ведь подключать новые источники, объединять данные и создавать показатели просто незачем. И наоборот: пока нет готовых инструментов, в компании не могут появиться новые роли и люди. Примерно как в шутке про бассейн: сначала научитесь плавать, воду потом нальем.

В случае со SPAR помогли две вещи. Первая — это архитектура платформы Qlik, которая позволила действовать быстро за счет того, что на отдельных этапах можно обходиться без создания хранилища данных. Данные могут трансформироваться прямо в конечном приложении и никакие дополнительные инструменты здесь не требуются.

Второй вещью, которая помогла преодолеть аналитическую пропасть, стали готовые приложения Qlever Solutions для анализа чеков.

Всего через месяц после старта проекта сотрудники SPAR получили первое приложение, с которым можно было работать.

Аналитическая пропасть оказалась позади. Теперь можно было подключать новые источники и развивать аналитическую культуру.

* Данные на разных этапах трансформации хранятся отдельно. Созданные показатели передаются из модели в модель, что позволяет фильтровать, обогащать, очищать и выполнять другие преобразования независимо в каждом слое. Это помогает сделать работу с данными прозрачной, а единые правила хранения внутри одного слоя упрощают разработку, так как ETL-процессы можно контролировать отдельно. Решения обладают высокой масштабируемостью — к ним можно без ущерба для производительности подключить любое количество источников данных.

Заказчик проекта:

«SPAR Калининград» управляет 41 розничным магазином с общей торговой площадью около 40 тыс. кв м. SPAR в мире — одна из крупнейших франчайзинговых сетей розничной торговли. Включает более 13 000 магазинов в 48 странах. Более 370 000 сотрудников ежедневно обслуживают 14 млн. покупателей.

Исполнитель проекта:

Qlever Solutions с 2014 г. создает корпоративные решения и оказывает услуги в области работы с корпоративными данными. Среди заказчиков такие компании, как Burger King, Газпром Нефть, Энергосбыт +, Alex Fitness, KFC. Партнер Qlik с 2014 г.

География проекта:

Калининград и область.