Data-driven business: Информационная основа деятельности современной Компании

Концепция Data-Driven

Business: информационная

основа деятельности

современной компании

Бараков Александр

Сентябрь 2015

2

Какие данные являются значимыми для бизнеса?

Какие значимые данные появятся и будут необходимы бизнесу

через 5,10, 20 лет?

Какие новые виды анализа данных могут трансформировать

принятие решений в вашей отрасли, повысив операционную

эффективность?

Какой набор ПО оптимальным образом будет решать задачи

связанные с хранением, обработкой, анализом данных и

доставкой и информации пользователям?

Какие BI- BigData- решения внедрять, с какими приоритетами?

Какой набор ресурсов (внутренних/внешних) и компетенций

необходимо аккумулировать для запуска и развития системы

бизнес-анализа компании? (Как выбрать интегратора /

консультанта? Какого набирать в штат? Как планировать и

управлять BI-проектами? и т.д.)

Как необходимо трансформировать бизнес-процессы и

корпоративную культуру?

Экспертные

Технические

Организационные

Ключевые вопросы об информации, стоящие перед современной компанией:

Проблематика

Информационная основа деятельностиЭволюция возможностей аналитических систем

3

Предиктивная аналитика

Что произойдет?

Поддержка

решений

Дан

ны

е

Аналитическая система Вовлечение менеджера

Прескриптивная аналитика

Что делать?

Автоматизация

решений

2020

2010

t

Диагностическая аналитика

Почему это произошло?

Описательная аналитика

Что произошло?

Работа с

данными


4

Прескриптивная

аналитика

Предиктивная

аналитика

Диагностическая

аналитика

• Статистический анализ

• Прогностическое моделирование

• Анализ «Что если?»

• Alerts (уведомления о событиях требующих

действий)

• Data Discovery («путешествие» по связанным

данным, drill down / drill up)

Сл

ож

но

сть

, б

изн

ес

-це

нн

ос

ть

• Оптимизационное моделирование (какие

сценарии действий оптимальны?), (тактическое

планирование с учетом влияния множества

факторов и ограничений)

• Симуляция сценариев действий (Каковы

последствия различных вариантов действий с

учетом множества факторов?)

Аналитические инструменты:

Расп

ро

стр

ан

ен

но

сть

Описательная

аналитика• Стандартные excel-отчеты


5

Предиктивная аналитика

Что произойдет ?

Поддержка

решений

Дан

ны

е

Аналитическая система Вовлечение менеджера

Прескриптивная аналитика

Что делать?

Автоматизация

решений

2020

2010

t

Диагностическая аналитика

Почему это произошло ?

Описательная аналитика

Что произошло ?

Крупный производитель

дистрибутор (США, Европа)

Работа с

данными

Крупный производитель

дистрибутор (РФ)

Средний производитель-

дистрибутор (РФ)

К 2020 году - трансформация системы управления - концепция «data-

driven business»:1. Появление бизнес-процесса создания и поддержки в компании сложных

математических моделей анализа и интерпретации данных

2. Парадигма принятия решений, основанных на доказательствах из моделей, с жесткой

связью «предпосылки в данных – решение»

3. Возникновение конкуренции за данные о клиентах: резкое увеличение расходов на сбор

(покупку) и анализ информации о покупателях. Главная задача - собрать как можно больше

данных и научиться как можно точнее их анализировать.

4. Резкое увеличение точности таргетирования. На смену работе с массовой аудиторией

придет адресная персонализированная коммуникация.

5. Распространение явления «предприятие-киборг»: многочисленные программные

решения компании перейдут на уровень высокоинтегрированной, высокоорганизованного

программного продукта масштаба предприятия с элементами автоматизации функций

принятия решений

6. Появление услуг analytics as a service и аутсорсинга профессионального анализа

данных как функции в компании

7. Появление новых должностей:

• Chief Meaning Officer – объединение функций decision и data scientist, IT-менеджера и

организационного антрополога

• Data scientist

• Специалисты по моделированию и автоматизации решений

Информационная основа деятельностиКонцепция «Data-driven business»

6


7

Требуются Data Scientist

Основные цели и задачи – Развитие направления по анализу BIGDATA

больших объемов структурированных и не структурированных данных,

получаемых из информационных система компании (ERP, CRM и др.), интернет

магазина, социальных сетей.

Обязанности:

• Поиск возможностей для монетизации данных

• Программная реализация алгоритмов машинного обучения в т.ч.

исполняемая в распределенной среде

• Оптимизация алгоритмов машинного обучения для получения

моделей с заданными параметрами эффективности

Требования:

• Образование в прикладной статистике, эконометрике или

статистической социологии

• Опыт в data mining, владение методами прикладной статистики:

регрессионного, кластерного анализа, классификации и проверки

гипотез

• Владение статистическими инструментами SPSS или R

• Умение работать с базами данных, знание SQL

• Умение работать со средствами BI и визуализации


8

К 2020 году - трансформация системы управления - концепция «data-

driven business»:

1. Снижение общей

потребности Компании в

менеджерах

2. Повышение доли

деятельности, имеющей

наибольшую бизнес-

ценность: анализ,

представление/

обсуждение, действиеСбор

Сбор

Хранение

Исследов

ание

Исследов

ание

Хранение

Доступ

Доступ

Анализ

Анализ

Представ

ление

Представление

Действие

Действие

Деят-сть c

меньшей

бизнес-

ценностью

Деят-сть c

наивысшей

бизнес-

ценностью

Затраты

усилий

Настоящее Будущее

(2025)

Предиктивная аналитика в планировании продаж и управлении

запасами

Механизм:

1. Статистический анализ подневных исторических данных по остаткам и

продажам по товарам

2. Фиксация факторов сезонности по группе товаров, фиксация

повторяющихся тенденций, сдвигов, форм корреляций

3. Прогнозирование продаж по товарам / по клиентам

4. Прогнозирование остатков и потребностей в запасах по складам

5. Формирование автоматических рекомендаций по объему и

графику закупок

Эффект: снижение уровня складских запасов, повышение

оборачиваемости запасов, системное снижение неликвидов, повышение

гибкости управления ассортиментом

Информационная основа деятельностиПредиктивная аналитика в торгово-производственной компании

9

Предиктивная аналитика в управлении продажами/маркетингом

Модель кросс-продаж - автоматическое

(или полуавтомат.) определение товаров,

которые клиент пока не купил, но

сделает это с высокой вероятностью

Механизм:

1. Рекомендует менеджеру товары,

которые будут иметь для его клиента

прямую связь или положительную, но

неочевидную ассоциацию

2. Формирует алгоритмы для

персонализированных рассылок

(SMS, email)


10

Эффект: Увеличение средней суммы заказа, повышение

маржинальности продаж через совмещенное ценообразование


Модель оценки потенциалов

b2b-клиента (склонности к

заказу) на базе Истории

продаж клиента/подобных

клиентов

Эффект:

• Повышение сред. объема

продаж c клиента

• Быстрое выявление

негативных событий (например

закупка у конкурента)

• Повышение точности

производственного

планирования

11


12


Модели сложной сегментации в b2b-сегменте:• Модель управления жизненным циклом клиента: Активный, постоянный,

уснувший, потерянный

• Модель анализа оттока – клиенты склонные к уходу, лояльные. Анализ

параметров реакции клиента на активность со стороны компании

• Модель управления предложениями клиентам

• Модель увеличения адресности маркетинговых компаний и акций, новых

продуктов

Пример расчетных данных:

• прогнозируемая прибыльность клиента

• прогнозируемая надежность клиента

• лучшее следующее действие для данного клиента (Next Best Action,

NBA)

• Вероятность оттока клиента



13

Предиктивная аналитика в маркетинге

Модели сложной сегментации в b2b-сегменте: RFM-модель

• Recency (давность) — давность сделки, чем меньше времени прошло с

момента последней активности клиента, тем больше вероятность, что

он повторит действие

• Frequency (частота) — количество сделок, чем больше каких-либо

действий совершит клиент, тем больше вероятность того, что он его

повторит в будущем

• Monetary (деньги) — сумма сделок, чем больше денег было потрачено,

тем больше вероятность того, что он сделает заказ

Механизм: анализ перемещений клиентов в течение их жизни между

разными классами RFM и привязка определенных действий менеджера и

типов предложений к тому или иному сценарию перемещений


14


Модели сложной сегментации в b2b-сегменте: RFM-модель


15


• Создание сложных профилей клиентов на

основании истории покупок по карте

лояльности. пример: “молодой отец”,

“любитель дорогих алкогольных напитков”

• Персонализация предложений через

маркетинговые инструменты, например –

СМС со спец предложением купить

определенные товары со скидкой

Модели сложной сегментации в системе лояльности

розничной сети:

Результат: сокращение затрат, увеличение количества

заказов/покупок в расчете на потраченный руб.


• Сегментация держателей карт DIY-сети по статистике покупок для

персонализации маркетинговой активности и управления бонусами


16


17

Предиктивная аналитика в финансовом планировании

• Модели оценки текущей кредитоспособности b2b клиентов: исследование плохих историй

клиентов в CRM-системе и нахождение предупреждающих признаков в поведении

• Модель предиктивного анализа финансового состояния компании, пример: «что если»-

анализ рабочего капитала

Типовые ошибки и

ограничения BI-проектов

Информационная основа деятельностиТрадиционная система управления

19

Мидл-

менеджмент

Топ-


Отчеты, рабочие эксели,

системы и базы данных

Отчеты и системы

Отчеты

Бизнес-

процессы «как-

то» описаны,

«как-то»

актуализируются

Сформулированы

«какие-то» KPI

Внедрена ERP -

система с «какой

то» системой

отчетности

О чем думают? Как часто принимают

значимые решения и

действуют?

Куда смотрят? Как часто?

О достижении

бизнес-целей

О выполнении

плана и других KPI


поставленных

задач

Исполнители

26

Информационная основа деятельностиСистема управления с BI-системой

27


плана и других KPI


поставленных

задач

Исполнители

Мидл-


Топ-


О чем думают? Как часто принимают

значимые решения и

действуют?

О достижении

бизнес-целей

Отчеты, рабочие эксели,

системы и базы данных

Отчеты и

системы

Куда смотрят? Как часто?

Отчеты

Бизнес-

процессы «как-

то» описаны,

«как-то»

актуализируются

Сформулированы

«какие-то» KPI

Внедрена ERP + BI-

система

+Мобильный

доступ к BI

BI-система

BI-система

BI-система

Ключевые причины неоптимальности:

1. BI-система внедрялась как копия

прежних отчетов, и не

ориентирована на ускорение

решений и действий пользователя

2. Экспертиза бизнес-анализа («как

действовать, если …») отсутствует,

неоднородна или разнородна в

сознании сотрудников

BI-система

Информационная основа деятельностиОшибки и ограничения BI-проектов

29


30

Информационная основа деятельностиПриоритезация BI-проектов в Компании

31

Факторы эффективности внедрения BI-систем в компаниях:


28

Экспертные

Технические

Организационные

• Готовность системы показателей

• Наличие аналитиков-профессионалов, аналитической

экспертизы и компетенций у менеджмента

• Участие в проекте исполнительного руководства.

• Учет конкурирующих целей

• Готовность к внесению изменений в бизнес-процессы и

систему принятия решений.

• Наличие доступа к данным и информации

• Интеграция BI-системы в существующие процессы

• Постоянный внутренний маркетинг BI-системы

• Налаженное взаимодействия между группой BI-

аналитиков и бизнес-пользователями.

• Предварительная реализация мини-проекта.

• Наличие необходимой аппаратной инфраструктуры

• Возможность масштабирования BI

• Прозрачность и полнота бизнес-аналитики в приложении BI.

Действия

Информационная основа деятельностиДействия

34

1. Оценка текущего состояния системы бизнес-анализа

1.1. Оценка насколько процессы принятия решений сотрудниками основаны

на данных. Распричинивание случаев не data-driven решений:

аналитика есть, но не используется (нет доступа, нет квалификации, не осведомлен)

аналитика есть, но не актуальная

аналитики нет, но данные есть и т.д.

1.2. Выявление зон информационного дефицита (где нехватка в оперативной

аналитике)

В сквозных бизнес-процессах работы с информацией:

• Сбор исходных данных и их детализация

• Алгоритмы анализа и моделирования данных

• Разработка и хранение планов

• Мониторинг, оперативная аналитика и поиск причин

• Элементы предиктивного анализа

• Ключевые сценарии реагирования

В функциональных областях (ключевых бизнес-процессах): управление продажами,

управление запасами, управление ассортиментом, производство и т.д.

1.3. Выявление ошибок в информационных обменах, авторов ручной доработки

отчетов и точек создания параллельных «версий правды»


36

2. Моделирование СБА «как должно быть» (по каждому бизнес-

процессу):

• Какие ключевые типы решений с какой интенсивностью должны приниматься

менеджером/руководителем на позиции?

• Каких метрик / показателей не хватает? (для оценки операционной

эффективности, достижения KPIs)

• Каких исходных данных не хватает? (объемы, процедуры ввода/сбора)

• Какие аналитические инструменты кому необходимы для оптимальной

реализации целевых сценариев решений и действий

• Какие ключевые сценарии действий типа «если.., то…» должны быть в

первую очередь реализовываться на местах («если ДЗ клиента > Х – стоп

отгрузка» «если прогноз выполнения плана <80% - вызов менеджера к КД не

дожидаясь конца месяца» и т.д.)

• Какие процедуры контроля автоматизируемы? (если менеджер не разу открыл

определённый отчет, не просмотрел уведомление в почте, то ..)

Более подробно – см. Разработка BI-стратегии


37

3. Планирование трансформации

• План изменения (эволюц./революц.) аппаратной и программной

инфраструктуры сбора, хранения, анализа данных и доставки информации

• Какие BI-системы оптимальны под задачи Компании? Какие BI-инструменты можно

создать без бюджета, и быстро, какие требуют бюджета и времени?

• Какие приложения в BI-системе нужно разрабатывать? для кого? под какие задачи?

• План изменения модели данных Компании

• Ввод и хранение каких данных необходимо наладить, в какие сроки, с каким

приоритетом?

• Какие источники потери качества данных необходимо нейтрализовать?

• План методологического прогресса: Какие процедуры, модели и алгоритмы анализа и

принятия решений необходимо разработать в каких областях и подразделениях, с какими

приоритетами?

• План организационных изменений

• Какой должен быть план развития / замены конкретных рук-лей для соответствия

требованиям к скорости и качеству принятия решений?

• Какой внутренний / внешний штат / организационные решения необходимы Компании

(Бизнес-аналитики, data scientists, программисты, администраторы базы данных, кросс-

функциональный проектный офис типа BICC – BI Center of Competence)

Ключевые зоны развития аналитических приложений в

современной торгово-производственной компании:

Финансы:

• Бюджетирование и

анализ корректировок

бюджетов

• Факторный анализ

• Анализ затрат,

моделирование

себестоимости;

• Анализ рисков

Управление маркетингом:

• Прогнозирование продаж

• Таргетинг маркет.

активности

• Ценообразование

• Сегментация клиентской

базы и разработка

продуктов

Управление запасами и

товародвижением:

• Анализ и прогноз OOS

• Расчет оптимальных

запасов по складам

Производство:• Планирование производства,

закупок, материалов

• Анализ простоев персонала и

оборудования

• анализ динамики выпуска,

процента брака,

• тайминг операций и потери;

• анализ план-графика

производства в разрезах

Анализ продаж и клиентов: • Оперативный анализ зон падения

и роста показателей продаж

• План-фактный анализ

• Выявление потенциалов кросс-

продаж

Управление компанией:

• Онлайн-аналитика KPI

• Прогноз значений

показателей KPI


35

Ключевые зоны развития аналитических приложений в

современной торгово-производственной компании:

Бизнес-процессы планирования

Информационная основа деятельности1. Анализ бизнес-процессов и схем принятия решений (как есть)

38

Бюджетирование и

финансовое

планирование

Прогнозирование

спроса

Планирование

запасов


производстваПланирование

закупок


продаж

Стратегическое

управление

31

Информационная основа деятельностиОрганизационные изменения

CDO

CEO

CIOРуководитель

Бизнес-юнитаCOO

Админ-ры БД /

сист. админ-ры

data scientistdata steward

Data officers

data owner Analytics owner

business analyst

CMO

business analysts

Business modelers

Архитекторы БД

information

architect

Metadata-администраторы

Dataminers

Data developers

32

Информационная основа деятельностиОрганизационные изменения

CEO

Директор по маркетингу

(продуктовому)COO

data scientist

data owner Analytics owner

CMO= CDO

business analysts = Business modelers

information architect=Dataminers =data

scientist

Data developers (BI)

Архитектор БД=Metadata-

администраторы

CIO

Админ-ры БД /

сист. админ-ры

Категорийный менеджер

Контакты:

Александр БараковБизнес-аналитик / Консультант

ГК "Институт Тренинга - АРБ Про"

Email: [email protected]

Phone: + 7(812)3268095

Cell: + 7(909)5897302

Skype: barakov.a.a.

www.arb-pro.ru

mailto:[email protected]

http://www.arb-pro.ru/

Data & Analytics

Data-driven business: Информационная основа деятельности современной Компании