Цифровой офис для контроля продаж: кейс межрегиональной компании с 13 филиалами

Основной сферой деятельности компании является производство и поставка стационарных и тяговых аккумуляторных батарей, а также реализация комплексных проектов с участием электротехнического промышленного оборудования ведущих российских и мировых производителей.

В компании 13 филиалов с несколькими подразделениями по всей стране и более 30 менеджеров по продажам. Продукция отгружается не только по России, но и зарубежным дружественным странам. В связи с этим нужно учитывать расчеты не только в рублях, но и в других валютах через курс ЦБ на дату операции.

Если рассмотреть распределения выручки по подразделениям, то увидим запутанную картину. Продажи менеджеров распределяются по собственным подразделениям, за исключением случаев, когда менеджер продал продукцию по чужому направлению деятельности. Присутствует нетривиальная связь подразделений и направлений деятельности, которая влияет на то, сколько в действительно денег принесло то или иное подразделение компании.

У филиалов установлена разные версии 1С, в которой созданы собственные отчеты. Отсутствует прозрачная аналитика и трудно принять решения по премированию менеджеров, определению какое подразделение работает эффективнее и какое направление деятельности действительно влияет на прибыльность компании.

После тщательного анализа рынка и консультаций с экспертами, клиент решил внедрить систему бизнес-аналитики (BI) и обратился к нам с задачей: создать решение, которое позволит в реальном времени отслеживать продажи, оценивать эффективность филиалов и направлений деятельности, а также работу менеджеров по продажам. Внедрить BI-практику в компанию, а также заложить фундамент для развития Data-Driven культуры.

Были поставлены сжатые сроки - 3 месяца. Учитывая запрос клиента и бюджет мы выбрали в качестве BI системы - Apache Superset (open source решение, которое развернули на серверах клиента в закрытом контуре с соблюдением всех правил информационной безопасности компании).

В нашей команде на клиенте работали следующие специалисты: бизнес-аналитик, дата-инженер, ETL специалист и BI разработчик. Работали по спринтам, проводя после каждого спринта планирование задач на следующий спринт (неделю), а также анализировали сложности с которыми мы сталкивались, чтобы в последующем их избегать. Такая практика внедрена на всех проектах, это помогает ритмично двигаться в рамках поставленных задач и укладываться в сроки.

Забегая вперед мы все же не уложились в сроки и реализовали проект за 4.5 месяца. Какие причины привели к задержке опишем в следующей статье.

Наша команда приступила к работе, начиная с детального анализа текущих процессов и требований клиента. Мы разработали архитектуру решения, выбрали подходящие инструменты и технологии.

Разработали единое хранилище данных (БД PostgreSQL), где информация обрабатывалась и приводилась к единому стандарту.

Определив требования к исходным данным, приступили к интеграции данных из различных источников со всех филиалов (1С и другие базы данных). Настроили с помощью Apache Airflow сбор, преобразования и загрузку данных в хранилище.

Организовали работу с НСИ (нормативно-справочная информация) для унификации данных и создали несколько витрин данных с необходимыми расчетами по методологии клиента.

Далее разработали 4 интерактивных дашборда в BI Apache Superset, которые позволили руководству компании:

У руководства компании кратно сократилось время на принятие решений благодаря централизованным и актуальным данным. Появился инструмент для оперативного выявления проблемных зон и принятия мер по их устранения. Сэкономили средства на сборе данных и ключевой коммерческой отчетности.

Через 2 месяца после внедрения оценили клиентский опыт и сам проект.

Получили следующие результаты:

1. 5 сек - среднее время формирования отчетов по продажам (вместо 3-5 раб дней), что кратко сэкономило средства компании по сбору данных и отчетности.

2. в 2-3 раза - выросла скорость по принятию решений в коммерческих отделах

3. Найдено 10+ точек роста продаж, благодаря прозрачным данным в едином цифровом поле и интерактивным отчетам в BI-системе. Это позволяет быстро сопоставить* значения показателей друг с другом. *Ранее из-за разрозненных данных этого сделать не получалось.

1. Определение ключевых вопросов и ролей

Мы сформулировали ключевые вопросы, на которые должен отвечать дашборд в будущем. Определили ролевую модель, включающую три основные роли (по ним мы в последующих этапах работы настроили видимость отчетов):

2. Матрица показателей и измерений

Составили таблицу с показателями и измерениями (разрезами), по которым мы будем проводить анализ. Это помогло структурировать данные и требования к аналитике (Рис. 1).

3. Проектирование базы данных

Для проектирования базы данных разработали ER-модель (Рис. 2), которая помогает:

4. Интеграция данных

Определив требования к исходным данным, организовали интеграцию данных из различных источников (1С и другие базы данных). Создали единое хранилище данных на базе PostgreSQL, где информация обрабатывается и приводится к единому стандарту.

5. НСИ (Нормативно-справочная информация)

Также организовали работу с НСИ для унификации данных. Внедрение НСИ обеспечило эффективный обмен информацией между системами и снизило количество ошибок в обработке данных, что положительно сказалось на бизнес-процессах.

6. Методология расчета показателей

Совместно с заказчиком, мы составили документ с методологией расчета показателей, ответив на вопросы:

7. Подготовка макетов и моделирование сценариев

Подготовили макеты дашбордов в Figma (Рис. 3, 4, 5, 6). Промоделировали несколько сценариев с заказчиком и внесли изменения, что помогло избежать лишних трудозатрат на этапе разработки дашбордов в BI-системе.

8. Разработка витрин данных

На языке SQL разработали витрины данных (Рис. 7) с учетом методологии расчетов показателей. Такие витрины адаптированы под нюансы платформы Superset и облегчают BI разработчику настройку виджетов на дашборде.

9. Создание интерактивных дашбордов

На следующем этапе разработали интерактивные дашборды в Apache Superset, которые позволили руководству компании: