• Чт. Сен 29th, 2022

Как анализ данных поможет усилить позиции бизнеса в условиях хаоса

Автор:admin

Май 12, 2022

В рамках программы Skolkovo MMA состоялся вебинар «Data-Driven подход в условиях хаоса: кейсы стартапов и крупных корпораций».

Как аналитика работает в условия неопределенности и почему Excel может принести бизнесу больше пользы, чем ML, рассказывают руководитель технической группы консультантов Skilkovo MMA, директор Департамента больших данных и продвинутой аналитики компании «Лента» Павел Мягких и вице-президент по аналитике и AI «СберМаркета» Дмитрий Зборовский.

Как анализ данных поможет усилить позиции бизнеса в условиях хаоса

Классический бизнес-подход основан на представлении о качествах и навыках предпринимателя, которые помогают создавать ценность, запускать и развивать проекты: «творчестве», «интуиции» и «предпринимательском таланте», опыте и экспертизе.

Data-Driven, о котором сегодня пойдет речь, предполагает другой пул инструментов: здесь решения принимаются на основе данных и их обработки. Но помогает ли аналитика, когда рынки попадают в ситуацию неопределенности? Известно, например, что «черные лебеди», прибытие которых мы наблюдаем в большом количестве в последнее время, исключают достоверные прогнозы. 

Данные не побеждают хаос — но снижают его влияние на нас. Попробуем разобраться, как это работает.

 

Зачем бизнесу данные?

Сколько российские компании инвестируют в работу с данными? Во многом это зависит от области применения инструментов: в маркетинге, например, на аналитику уходит около 13% бюджета.

На долю решений, принятых на основе данных, влияет отрасль, в которой работает компания. Ближе всего Data-Driven оказывается крупным ИТ-корпорациям: например, «Яндексу» или VK. Активно работают с данными банки, телеком и ритейл. 

Как бизнесу в России помогают перейти на отечественное ПО. Узнай по ссылке

Интересно, что аналитика окружена представлениями, которые не всегда подтверждает опыт реальных компаний. Считается, например, что чем крупнее бизнес, тем лучше организована работа с данными. Но на практике мы встречаем другие корреляции. Например, связь между работой с данными и маржой: чем маржинальнее бизнес, тем хуже может быть организована аналитика. 

В качестве примера можно привести ритейлеров из фэшн-сегмента и продавцов электроники. В фэшн установочная маржа — 70%. Это означает, что можно ошибиться с закупкой, ценой, промо или уценкой. И все равно остаться в плюсе.

А вот в электронике целевая маржа составляет всего 10%. И это очень мало — поэтому компании важно получать от процессов максимум. Чтобы снизить риски ошибочных решений, такой бизнес и опирается на данные.

 

Павел Мягких — об эффективности прогнозов:

Несколько лет назад я проводил исследование: собирал метаанализ публикаций по эффективности прогнозирования в фэшн-сегменте. Я выделил три блока: 

  • Экспертное прогнозирование;
  • Эконометрические подходы (линейные модели, экспоненциальное сглаживание, панельные данные);
  • Технологии ML.

Оказалось, что у экспертного мнения эффективность колеблется на уровне 50%. Эконометрика снижала долю ошибок до 30%. А ML-решения сокращали показатель до 10-15%.

 

Дмитрий Зборовский — о пользе простых решений: 

Эконометрические подходы могут существенно улучшить результаты компании. При этом, чтобы ими воспользоваться, не нужно производить расчеты вручную или инвестировать в сложные технологии и найм отдельных специалистов. Линейную регрессию, например, можно использовать в Excel. Достаточно загрузить данные и задать команду.

Линейная регрессия помогает предсказывать конечное значение по изменяющимся параметрам. С ее помощью мы можем посмотреть, как на определенную метрику повлияли неочевидные факторы: например, день недели, время года или погода — на количество заказов, которые сделали пользователи сервиса доставки продуктов.

 

Аналитика: от простого к сложному

В любой индустрии первые шаги компании, которая планирует переход к data-driven, будут типичными. 

Сначала бизнесу важно разобраться, какую конкретную задачу помогут решить данные — ответить на вопрос: «Data-Driven — чтобы что?» Аналитика всегда должна решать конкретную проблему в конкретном бизнес-процессе. Более того, существование проблемы важно не только предполагать, но и проверить — по сути, работа с данными начинается уже на этом этапе.

Оцените бизнес-процессы, разберитесь, сколько они стоят — и насколько их можно улучшить.

После того, как компания разобралась с процессами и текущей ситуацией, она переходит к выбору инструментов.

В зависимости от задач, с которыми помогают работать инструменты, в аналитике выделяют четыре крупных блока:

  • Описательная аналитика — отвечает на вопрос: «Что происходит/произошло?»

Пример: BI-системы, отчетность, сегментация клиентов, мониторинг отзывов, отслеживание эмоций сотрудников.

  • Прогнозная аналитика — отвечает на вопрос: «Что произойдет?»

Пример: прогноз спроса или оттока.

  • Предписательная аналитика — отвечает на вопрос: «Что необходимо сделать?»

Пример: персонализация маркетингового предложения. 

  • Ассистивные технологии — отвечает на вопрос: «Как помочь человеку принять нужное решение?»

Пример: рекомендации для клиентов, рекомендательные системы для менеджеров по продажам, чат-боты.

Важно понимать, что уровни аналитики связаны между собой последовательно. 

Нельзя построить предписательную аналитику, не пройдя этапы описания и прогноза. При этом базовые инструменты в большинстве случаев приносят основную выгоду. Качественная описательная аналитика, например, может обеспечивать до 80% прибыли компании. 

Тем не менее, именно попытка перепрыгивать «ступеньки» — самая распространенная ошибка в переходе к Data-Driven.

Представим ритейлера, у которого на каком-то этапе дают сбой логистические процессы. Проблемы с логистикой обычно легко решаются с помощью аналитики: компания может улучшить качество прогнозирования или алгоритмов ротации товаров на складе — и получить довольных клиентов.

Но вместо этого мы часто видим попытку следовать за трендами и использовать данные совсем по-другому: например, при нерешенных проблемах на складе обучить нейросеть или запустить виртуальную примерочную.

Эксперименты — это важно. Но также важно в переходе к Data-Driven соблюдать последовательность шагов. Не стоит начинать работу с данными с ML. Качественный результат могут принести «классические» статистика и эконометрика.

 

Данные и неопределенность

Приобретает ли аналитика дополнительное значение, когда на рынке наступает неопределенность? Здесь можно остановиться на том, как Data-Driven помогает разделять гипотезы и подтвержденные факты, а также валидировать представления руководителей.

 

Павел Мягких — о данных и стереотипах

Однажды я работал с магазином обуви: достаточно крупным, больше 100 офлайн-точек в нескольких регионах. Это был семейный бизнес, который ни разу не менял процессы, запущенные восемь лет назад. Моей задачей было как раз помочь им перейти от «Family-Driven» к Data-Driven подходу — интегрировать полезные решения, основанные на данных.

Мой первый инсайт в этом бизнесе оказался связан с погодой. Дело в том, что в компании регулярно проходили встречи, посвященные эффективности продаж. И когда у штатного аналитика спрашивали, в чем причина невыполненного плана, он ссылался на погоду.

Возможны были несколько вариантов: на одной встрече он говорил, что продажи не идут из-за плохой погоды (люди торопятся домой и реже посещают ТЦ), на другой — что погода слишком хорошая (люди гуляют и не заходят в ТЦ).

Я решил выяснить, существует ли на самом деле связь между продажами и погодой: ведь с житейской точки зрения это казалось логичным. Я собрал небольшой сет в Excel: добавил данные о продажах, о погоде в регионах присутствия — и построил корреляцию.

Она оказалась незначительной, около 0,1. Это говорило о том, что погода и продажи все-таки не связаны друг с другом. А значит, компании важно найти настоящую причину трудностей с выполнением плана.

Ну а вторым инсайтом стали цены. Руководители придерживались мнения, что цены повышать нельзя — это приведет к репутационным потерям. Я в этом сомневался и убедил их провести пилот. Мы взяли несколько магазинов в регионах, посчитали, на какие артикулы можно повысить цены — и повысили. И начали смотреть, что происходит. Не произошло ничего — продажи остались на том же уровне. А маржа, соответственно, увеличилась.

Важно: я не стремился доказать, что повышение цен не принесет компании убытки. Даже если бы мы получили негативный результат (люди покупают меньше, оставляют плохие отзывы), суть эксперимента в том, что гипотеза была бы проверена на практике. И мы бы убедились, что стратегия не повышать цены рабочая. 

Я бы отметил, что предпосылки у сложившегося мнения могут быть верными. Восемь лет назад, когда магазин только запускался, у него могло быть 2-3 точки и очень узкая лояльная аудитория.

В таком случае, конечно, изменение цен было бы отмечено: были бы и негатив, и снижение продаж. Но любое мнение должно быть верифицировано во времени: то, было фактом, часто теряет актуальность в новых обстоятельствах. В том числе, кстати, в условиях хаоса и неопределенности.

 

Дмитрий Зборовский — о том, как не принимать решения в ущерб себе

Моя история связана со «СберМаркетом». Сегодня мы лидеры на российском рынке доставки продуктов, но три года назад были обычным стартапом.

Мы доставляли около 100 заказов в день. И самое страшное — не зарабатывали на них, а теряли деньги: около 500 рублей с каждого. Мы находились в кризисной ситуации, и поэтому, на мой взгляд, наши решения могут быть интересны сегодня.

Итак, аналитика и хаос. Данные помогли нам разобраться, где проблема. Мы изучили ситуацию и приняли страшное решение: «уволить» клиентов, с которыми нам не выгодно работать. 

В первую очередь я посмотрел распределение средних чеков в Excel. Оказалось, что 38% клиентов покупают на 1-2 тысячи рублей, примерно четверть — на 2-5 тысяч. Мы на тот момент доставляли от 1000 рублей, хотя некоторые наши конкуренты возили от рубля.

Можно было бы снизить порог заказа — но вместо этого мы подняли минимальную сумму до более выгодных нам 2 тысяч. То есть рискнули 38% клиентов, которые обычно заказывали на меньшую сумму. Но на деле потеряли всего 18%.

Дальше мы изучили данные по весу заказов. Дело в том, что заказ до 50 кг может доставить один автокурьер. А вот на крупные заказы приходилось привлекать несколько исполнителей — это было невыгодно компании.

Данные показали, что примерно 20% наших заказов весили больше 50 кг. Мы снова оказались перед выбором — отказаться от возможности или ввести наценку.

В итоге мы оставили крупные заказы, но ввели на них отдельный прайс. За каждые 5 дополнительных позиций (в стандартный заказ «помещалось» 30) мы увеличивали стоимость доставки на 39 рублей. И еще 199 рублей добавляли за каждые дополнительные 50 кг. Мы снова рисковали — могли потерять 20% тяжелых заказов. Но на практике потеряли только 4%.

И последний пример с «увольнением» клиентов: проблема удержания. Мы заметили, что часть людей не возвращается к сервису после первых заказов. Чтобы найти причину, провели кастдев — многие респонденты говорили о высокой стоимости доставки. 

На тот момент первые доставки у нас были бесплатными, а затем заказ можно было оформить по стандартной стоимости — 299 рублей. Возможно, стоило снизить эту разницу — и брать за заказы не 299 рублей, а 199?

Но мы поступили по-другому: просто отменили бесплатный заказ. Кажется, что это ужасное решение — но на практике оно помогло увеличить ретеншн: люди, которые изначально были готовы платить за доставку, оставались с сервисом дольше тех, кто начинал с бесплатного заказа.

Все эти кейсы иллюстрирую одну мысль: с помощью простой аналитики мы нашли выгодный сегмент клиентов, ядро своей аудитории — и не побоялись расстаться с остальными. Попытки неприбыльного роста могут наносить вред бизнесу — особенно в ситуации хаоса.

 

Data-Driven: как получить максимум?

  1. Data-driven — это не обязательно сложные и дорогие решения. С помощью базовых эконометрических инструментов, многие из которых доступны в Excel, например, можно снизить вероятность ошибок в прогнозах почти вдвое.
  2. Определите контекст и задачу для работы с данными. Найдите, какой бизнес-процесс работает плохо — оцените потери и потенциал улучшения, проверяйте гипотезы и настраивайте аналитику последовательно.
  3. Учитесь. В переходе к Data-Driven важны не только хард-скилы, вроде умения написать модель или извлечь данные, но и гибкие навыки. Например, способность понять проблематику и донести свое видение до руководителей, акционеров и коллег.
  4. Делайте осознанный выбор. Сложные решения вроде нейросетей могут быть переоценены и бесполезны в отдельных вопросах. А потенциал простых инструментов, например «скучного» Excel, наоборот, оставаться недооцененным.

Источник: rb.ru

Добавить комментарий

Ваш адрес email не будет опубликован.