1. Этапы развития систем автоматизации и современный подход к анализу данных.
Развитие АИС началось с автоматизации массовых рутинных ручных операций, таких как ввод и обработка первичных документов. В первую очередь было обращено внимание на бухгалтерию, т.к. все первичные документы стекались в бухгалтерию и на бухгалтера наваливалась работа по их массовой обработке, с тем, чтобы в конечном итоге получить регламентированную бухгалтерскую отчетность. Первыми в массовом порядке были востребованы программы для автоматизации бухгалтерского учета. Затем появились программы по автоматизации материального учета, так называемые “складские программы”. Так сложилось, что в начале эти программы (бухгалтерия и склад) работали независимо друг от друга, что не позволяло нормальным образом консолидировать учет в компаниях.
По мере развития рынка, роста количества фирм и компаний, предлагающих свою продукцию и услуги, усложнения бизнес-процессов появилась потребность в комплексных системах учета (оперативный учет + бухгалтерия), работающих в едином информационном пространстве.
Если Первые Системы, как правило, решали задачи автоматизации ручной обработки документов и их печати, автоматизации промежуточных расчетов, ведение реестров и регистров, получение регламентированных форм, то Современные КИС, ERP уже предлагают комплексный подход, обеспечивающий консолидированный учет и контроль данных, оптимизацию бизнес-процессов и, наконец, их аналитическую обработку.
В условиях жесткой рыночной конкуренции успех компаний на рынке начинает все более и более зависеть от своевременности и адекватности управленческих решений. Анализ бизнес-информации приобретает все большее значение и оказывает серьезное влияние на процесс принятия решений. Современный бизнес уже немыслим без его применения, особенно торговля, которая развивается наиболее динамично. При этом, под механизмами анализа подразумевается широкий спектр инструментов от систем консолидации данных и построения отчетности до методов углубленного анализа данных, таких, как прогнозирование, поиск закономерностей, сегментация объектов по различным признакам и многое другое.
Итак, на повестке дня – осознанная необходимость! Руководящее звено компаний нуждается в инструменте, предназначенном для более глубокого анализа и прогнозирования, в инструменте который бы представил данные в удобном для анализа виде, помог бы сопоставить различные срезы данных, снабдил бы аналитиков готовыми методиками анализа. Технологической основой такого инструмента, называемого аналитической платформой, является централизованное хранилище данных, аккумулирующее всю необходимую информацию с подключенными к нему инструментами загрузки и анализа данных. Хранилище данных – это не база данных, это специальным образом систематизированная информация, которая может быть взята из разных источников (ERP, CRM, Интернет…), необходимая для обработки с целью принятия стратегически важных решений. Такой подход позволяет добиться высокой гибкости, обеспечивает интеграцию с разнородными источниками данных и большие возможности для расширения спектра решаемых задач.
Удобным и распространенным инструментом для получения аналитической отчетности являются OLAP-кубы (On Line Analytical Processing – оперативная аналитическая обработка данных). OLAP дает возможность в реальном времени генерировать описательные и сравнительные сводки данных и получать информацию для анализа в любом разрезе.
Предлагаемое нашей компанией решение для получения аналитической отчетности, базируется на интеграции отчетных данных, генерируемых в КИС “Фрегат-Корпорация” и аналитической платформы Дедуктор. Данное решение даст возможность пользователям Фрегат представлять отчетную информацию Фрегата в качественно ином, удобном для анализа виде: произвольные динамические таблицы, графики, диаграммы, OLAP-кубы. Приобретя этот интегрированный продукт Наши пользователи получат новый инструмент визуализации (включая OLAP) и переработки данных, а так же базовый набор сценариев для анализа. По мере развития и появления новых потребностей предлагаемые сценарии могут модифицироваться и дополняться.
Основной задачей, решаемой в рамках данного предложения, является обеспечение перехода наших клиентов от эпизодического решения задач анализа к регулярным, автоматизированным способам. А сам подход гарантирует, что предлагаемая система позволит не только решать текущие задачи, но и обеспечит платформу для решения аналитических задач, которые возникнут в будущем.
2. Аналитические задачи, которые можно решать с помощью интегрированного продукта.
Дедуктор – предоставляет аналитикам инструментальные средства, необходимые для решения самых разнообразных аналитических задач: аналитическая отчетность, прогнозирование, сегментация, поиск закономерностей и другие задачи, где применяются такие методики как OLAP, KDD(поиск закономерностей), Data Mining(добыча знаний). В технологию обработки информации заложены математические методы, позволяющие аналитику на понятном ему языке оперировать математическим аппаратом, строить модели прогноза и проверять их на имеющихся данных. Конечно же специалист-аналитик в своей сфере является ключевой фигурой, ставящей задачи для сбора информации – какие данные необходимо собирать. Например, нельзя построить универсальную аналитическую систему, которая бы подходила любой клиенто-ориентированной организации. Для успешной деятельности одних организацих необходима, например, информация о личных характеристиках человека, таких как пол, вес, рост, возраст. Для других необходима информация о характеристиках организаций, таких как удаленность, число сотрудников, сфера деятельности, занимаемая площадь. Отличие может быть и в зависимостях между данными. Например, сезонность продаж зависит от вида продаваемого товара. Такая сезонность может наблюдаться при торговле одеждой, но ее может не быть при торговле продуктами питания. Для каждого конкретного случая необходимо строить свою модель. Даже, если у двух различных организаций абсолютно одинаковая деятельность, модели, построенные для одной, могут не работать для другой.
В Дедукторе используются различные методы извлечения данных, позволяющие решить следующие задачи:
• Сегментирование клиентов (по каким признакам делить клиентов и на какие группы).
Например, все клиенты делятся на 3 группы по методу АВС: А – клиенты, которые дают 70% прибыли или оборота, В – 20% и С – 10%. Далее строятся зависимости объема продаж этих групп клиентов от заданных аналитиком характеристик клиента: юр/физ. лицо, вид деятельности, удаленность, количество магазинов и т.д. С помощью математических методов, применяемых в экономике, путем наложения сегментов можно выявить, какие именно сегменты являются наиболее активными по числу или объему продаж, какие приносят наибольшую прибыль, где находятся наиболее лояльные клиенты, какие товарные группы они предпочитают и т.д.
Получив подобную информацию, можно более продуманно проводить маркетинговые мероприятия, предлагая конкретному сегменту именно тот ассортимент, который является для него наиболее предпочтительным. Если в результате анализа, вырисовался портрет каждого клиентского сегмента, то когда появляется новый клиент, которого по описанию можно отнести к конкретному сегменту, менеджер сразу может предложить тот товарный ассортимент, который данный сегмент вероятней всего потребляет.
• Выявление неочевидных зависимостей, влияющих на анализируемый параметр (например, объем продаж).
Сегментация клиентов в итоге позволяет обнаружить скрытые зависимости, например, на объем закупки определенным образом может влиять сочетание каких-то характеристик – удаленность клиента, физическое это или юридическое лицо и т.п. Что позволяет соответствующим образом корректировать политику продаж и продвижения своих продуктов/услуг.
Другой пример – анализ чеков в розничной торговле помогает определить взаимозависимые товары (т.е. если покупатель купил один товар, то скорее всего купит и другой). Так чай часто покупают вместе с кондитерскими изделиями, пиво с чипсами, фотопленку с фотоаппаратом и т.д. Не все такие зависимости очевидны, а их своевременное выявление позволяет более грамотно располагать товары на прилавках (рядом) и в результате увеличивать прибыль магазина.
• Оценка эффективности рекламных акций.
Если в данных о сделках содержится информация об источниках рекламы, способствующих совершению сделок, то с помощью OLAP-куба можно получать отчеты по объемам сделок в разрезе различных источников. Не менее интересна информация в разрезе источника рекламы и каких-либо характеристик клиента. Это дает возможность ориентировать рекламу на конкретного покупателя, например, при появлении нового товара предлагать его прежде всего тому сегменту клиентов, который является основным потребителем данной группы товаров.
• Оптимизация работы менеджеров (какой менеджер с какой группой клиентов эффективней работает).
Заранее спрогнозировать успех сделки важно потому, что в случае отказа клиента организация теряет не только затраченное на его привлечение и работу с ним время, но и затраченные на него средства, а также самого клиента, который, видимо, уйдет к конкуренту.
Когда у организации накопилось достаточно много информации о завершенных сделках, успешных и неуспешных, можно использовать эту информацию, для выяснения факторов, которые в большей степени влияют на конечное состояние сделки. При появлении нового клиента, можно, используя данные накопленные об успешных и неуспешных сделках, определить какой менеджер эффективнее сработает в данном случае.
• Прогнозирование объема продаж.
С одной стороны, в целях сокращения своих затрат, торговые организации стремятся свести к минимуму время, которое товар лежит на складе, а также место, которое он там занимает. С другой стороны, необходимо чтобы на складе всегда имелся необходимый запас востребованного лежал требуемый в настоящее время товар. Прогнозирование объемов продаж является важным шагом на пути принятия решения по оптимизации работы предприятия.
Важные данные для построения прогноза объемов продаж – это статистика продаж за предыдущие периоды. Построив прогноз по всем сегментам клиентов и прогноз по всем группам товаров, можно получить общий прогноз объемов продаж. Такой прогноз учитывает сезонность продаж каждой группы товаров и активность каждого сегмента клиентов в разные периоды времени.
• Оптимизация закупок и др.
Получив информацию о прогнозе продаж , можно оптимизировать объем закупок.
Интересные решения можно получить по оптимизации цен на товары, определить так называемые коридоры цен, в диапазоне которых можно варьировать цену в сторону увеличения, не теряя при этом в объеме продаж. Также можно, используя мнение эксперта, назначить «красивые цены». Решение в Дедукторе может просчитать экономическую выгоду таких операций.
|
