Business Case for the BI4 Semantic layer and Web Intelligence
Bi4 retail эксполинк2013-06-06 v4
Transcript of Bi4 retail эксполинк2013-06-06 v4
БИЗНЕС-ИНТЕЛЛЕКТ ДЛЯ ПРИБЫЛЬНЫХ ПРОДАЖ
ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ
Виктор Шишляев Генеральный директор ООО «Информационные технологии и сервисы»
КОМУ ИНТЕРЕСЕН БИЗНЕС-ИНТЕЛЛЕКТ?
BI
Розница
Телеком
Банки
E-commerce
Общепит
Развлечения
БИЗНЕС-ИНТЕЛЛЕКТ ДЛЯ ПРИБЫЛЬНЫХ ПРОДАЖ
ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ
Виктор Шишляев Генеральный директор ООО «Информационные технологии и сервисы»
МАССОВЫХ
ТИПОВАЯ СИСТЕМА БИЗНЕС-АНАЛИЗА
Товар 3
Товар 2
Товар 1
Клиент 1 Клиент 2
Клиент 3
Месяц 3 Месяц 2
Месяц 1
ТОВ
АР
Ы
КЛИЕНТЫ ВРЕМЯ
Объем продаж Товара 2
Клиенту 3 в Месяце 2
ТИПОВАЯ СИСТЕМА БИЗНЕС-АНАЛИЗА
Товар 3
Товар 2
Товар 1
Клиент 1 Клиент 2
Клиент 3
Месяц 3 Месяц 2
Месяц 1
ТОВ
АР
Ы
КЛИЕНТЫ ВРЕМЯ
Объем продаж Товара 2
Клиенту 3 в Месяце 2
Товар 1 Товар 2 Товар 3
Месяц 1 30 800 2 450 10 450
Месяц 2 6 400 8 970 7 880
Месяц 3 18 300 3 530 7690
Товары
Время
Клиент 3
ТРАДИЦИОННАЯ АНАЛИТИЧЕСКАЯ ОТЧЕТНОСТЬ
Приемлемо для учетных
целей
Недостаточно для повышения прибыльности
ИНСТРУМЕНТАРИЙ БИЗНЕС-ИНТЕЛЛЕКТА
1. Поиск скрытых зависимостей
2. Классификация
3. Прогнозирование
4. Сегментация
ИНСТРУМЕНТАРИЙ БИЗНЕС-ИНТЕЛЛЕКТА
1. Поиск скрытых зависимостей
2. Классификация
3. Прогнозирование
4. Сегментация
ПОИСК СКРЫТЫХ ЗАВИСИМОСТЕЙ
■ Открытие новых точек продаж
■ Стимулирование кросс-продаж
■ Борьба со злоупотреблениями
■ Оценка эластичности спроса
■ Товарный каннибализм
■ …
ОТКРЫТИЕ ГИПЕРМАРКЕТА В РОЗНИЧНОЙ СЕТИ «Х»
0
2
4
6
8
10
12
14
16
18
20 0
1.1
1.2
01
2
03
.11
.20
12
05
.11
.20
12
07
.11
.20
12
09
.11
.20
12
11
.11
.20
12
13
.11
.20
12
15
.11
.20
12
17
.11
.20
12
19
.11
.20
12
21
.11
.20
12
23
.11
.20
12
25
.11
.20
12
27
.11
.20
12
29
.11
.20
12
01
.12
.20
12
03
.12
.20
12
05
.12
.20
12
07
.12
.20
12
09
.12
.20
12
11
.12
.20
12
13
.12
.20
12
15
.12
.20
12
17
.12
.20
12
19
.12
.20
12
21
.12
.20
12
23
.12
.20
12
25
.12
.20
12
27
.12
.20
12
29
.12
.20
12
31
.12
.20
12
Ми
лл
ио
ны
руб
лей
30.12.2012
21.12.2012
17.11.2012
ГИПЕРМАРКЕТ vs СОПРЕДЕЛЬНЫХ МАГАЗИНОВ
Значение -0.1590 < 0, следовательно, открытие
Гипермаркета отрицательно повлиял на
товарооборот сопредельных магазинов
сети
Отчет о результатах анализа взаимного
влияния на товарооборот за
[01/10..18/12]
Задача: Оценить влияние открытия Гипермаркета на товарооборот группы из 8 сопредельных магазинов (магазинов-спонсоров)
Критерий - «Коэффициент
корреляции Пирсона», число из
диапазона [-1;1]
МЕНЬШЕ БРАТЬЕВ – БОЛЬШЕ НА БРАТА!
0
1
2
3
4
5
6
7
8
01
.10
.20
12
04
.10
.20
12
07
.10
.20
12
10
.10
.20
12
13
.10
.20
12
16
.10
.20
12
19
.10
.20
12
22
.10
.20
12
25
.10
.20
12
28
.10
.20
12
31
.10
.20
12
03
.11
.20
12
06
.11
.20
12
09
.11
.20
12
12
.11
.20
12
15
.11
.20
12
18
.11
.20
12
21
.11
.20
12
24
.11
.20
12
27
.11
.20
12
30
.11
.20
12
03
.12
.20
12
06
.12
.20
12
09
.12
.20
12
12
.12
.20
12
15
.12
.20
12
18
.12
.20
12
Ми
лл
ио
ны
руб
лей
Гипермаркет (товарооборот, руб)
Магазины-спонсоры (товарооборот, руб)
Средний товарооборот магазинов-спонсоров
На графике: с момента открытия Гипермаркета
средний уровень товарооборота сопредельных магазинов сети понизился на
487 079,94 RUB ежедневно
АНАЛИЗ КРОСС-ПРОДАЖ
Выявляет сопутствующие
товары
Дает оценку эластичности
спроса на сопутствующий
товар по драйверу
Дает оценку популярности и достоверности
Выявляет драйверы
продаж
НЕКОТОРЫЕ АССОЦИАЦИИ ОЧЕВИДНЫ
ПОИСК СКРЫТЫХ АССОЦИАЦИЙ
Проанализируем 2000 чеков, среди которых:
800 чеков с SKU «Сметана»
700 чеков с SKU «Творог»
500 чеков с SKU «Сметана» и SKU «Творог»
Support = 500/2000=0,250 Доля чеков с такой парой SKU
Confidence (сметана) = 500/800 = 0,625 Доля чеков с парой среди чеков со сметаной
Lift = (500/2000) / ((800/2000)*(700/2000)) = 1,786 Во столько раз частота чеков с этой парой больше вероятности случайного попадания обоих SKU в один и тот же чек
Confidence (творог) = 500/700 = 0,714 Доля чеков с парой среди чеков с творогом
Выявляем следующее:
0,714 > 0,625 отсюда делаем
вывод, что скорее покупка творога влечет покупку сметаны, чем
наоборот
АНАЛИЗ АССОЦИАЦИЙ – ПРАКТИЧЕСКИЙ ПРИМЕР
Артикулы Support (поддержка) Confidence (надежнос Lift (подъем)
Общий результат 2 813,0 18 083,7 2 074,0 КУКУРУЗА БОНДЮЭЛЬ СЛАДКАЯ 340Г 18,0 174,1 14,8
ГОРОШЕК БОНДЮЭЛЬ 400Г ЖБ 6,0 48,8 7,5 ГОРОШЕК БОНДЮЭЛЬ 400Г ЖБ 85,0 457,1 58,2
КУКУРУЗА БОНДЮЭЛЬ СЛАДКАЯ 340Г 6,0 26,0 7,5 СВЕКЛА ВАРЕНАЯ ОЧИЩЕННАЯ 11,0 50,1 25,5
МОРКОВЬ ВАРЕНАЯ ОЧИЩЕННАЯ 6,0 25,2 16,0 КАРТОФЕЛЬ ВАРЕНЫЙ НЕОЧИЩЕННЫЙ 5,0 24,9 9,5
МОРКОВЬ ВАРЕНАЯ ОЧИЩЕННАЯ 8,0 132,8 40,8 СВЕКЛА ВАРЕНАЯ ОЧИЩЕННАЯ 6,0 67,6 16,0 КАРТОФЕЛЬ ВАРЕНЫЙ НЕОЧИЩЕННЫЙ 2,0 65,2 24,8
КАРТОФЕЛЬ ВАРЕНЫЙ НЕОЧИЩЕННЫЙ 7,0 79,1 34,3 СВЕКЛА ВАРЕНАЯ ОЧИЩЕННАЯ 5,0 40,0 9,5 МОРКОВЬ ВАРЕНАЯ ОЧИЩЕННАЯ 2,0 39,0 24,8
ШОКОЛАД RITTER SPORT ЦЕЛ.МИНДАЛЬ 100Г 7,0 205,4 40,1 ШОКОЛАД RITTER SPORT ГОР/ЦЕЛ.ФУНДУК 100Г 1,0 43,5 18,1 ШОКОЛАД RITTER SPORT ЛЕСН ОРЕХ 100Г 1,0 48,2 17,0
ЯБЛОКИ ЖИГУЛЕВСКИЕ 40,0 365,7 41,2 ЛИМОНЫ /ЮАР 2,0 20,5 9,7
ФОРЕЛЬ Ф-К СЛ/С В/У 300Г /МЕРИДИАН 34,0 376,8 32,3 СЕМГА Ф-К СЛ/С В/У 300Г /МЕРИДИАН 1,0 33,5 8,1
СЕМГА Ф-К СЛ/С В/У 300Г /МЕРИДИАН 47,0 499,7 47,9 ФОРЕЛЬ Ф-К СЛ/С В/У 300Г /МЕРИДИАН 1,0 27,0 8,1
ЛИМОНЫ /ЮАР 10,0 231,0 16,9 ЯБЛОКИ ЖИГУЛЕВСКИЕ 2,0 58,1 9,7
ШОКОЛАД RITTER SPORT ГОР/ЦЕЛ.ФУНДУК 100Г 7,0 154,2 23,0 ШОКОЛАД RITTER SPORT ЦЕЛ.МИНДАЛЬ 100Г 1,0 42,3 18,1
ШОКОЛАД RITTER SPORT ЛЕСН ОРЕХ 100Г 9,0 143,8 21,6 ШОКОЛАД RITTER SPORT ЦЕЛ.МИНДАЛЬ 100Г 1,0 39,7 17,0
Выбраны 10 лучших ассоциаций из числа
тех, где LIFT>=7
Confidence определяет, что из
пары является драйвером продажи, а что – сопутствующим
товаром
Lift показывает, насколько драйвер
поднимает продажу сопутствующего
товара. Иначе говоря, Lift – это эластичность сопуствующего товара
по драйверу
Support показывает популярность товара, пары товаров, тройки
товаров и т.д.
ЦАРИЦА ПОЛЕЙ – КУКУРУЗА!
Confidence для пары «КУКУРУЗА->ГОРОШЕК»
равен 48,8
Confidence для пары «ГОРОШЕК->КУКУРУЗА»
равен 26,0
Практические рекомендации:
■ Разместите горошек рядом с его драйвером – кукурузой
■ Подстегните спрос на кукурузу и она поднимет продажи горошка
■ Для организации акции по продукции Bonduelle отдайте предпочтение кукурузе, а не горошку!
ИСПОЛЬЗОВАНИЕ SUPPORT, CONFIDENCE, LIFT SU
PP
OR
T Этот показатель поможет определить драйвер потока покупателей
Если товар «А» имеет высокий Support, то назначьте на него привлекательную цену для стимуляции потока покупателей
CO
NFI
DEN
CE Confidence может
быть полезным для определения стратегии размещения и повышения доходности
Разместите высоко-прибыльный товар рядом с его драйвером
LIFT
Lift показывает «силу» ассоциации в сравнении со случайными совпадениями
Поднимите продажи драйвера и он поднимет продажи сопутствующего товара на Lift%
БОРЬБА СО ЗЛОУПОТРЕБЛЕНИЯМИ
База данных чеков
Сценарии выявления
подозрительных действий
Корректные операции
Подозрительные действия
Набор отчетов
0 10 20 30 40
Гусева
Воронова
Соколова
Канарейкина
Синичкина
Орлова
Щеглова
Возврат
Отмена
Сторно
ИНСТРУМЕНТАРИЙ БИЗНЕС-ИНТЕЛЛЕКТА
1. Поиск скрытых зависимостей
2. Классификация
3. Прогнозирование
4. Сегментация
ПОЛЕЗНЫЕ КЛАССИФИКАТОРЫ
На практике наиболее часто используются такие методы классификации:
ABC, деление по вкладу в общий результат: «A»-80% вклада (лучшие), «B»-15% вклада (средние), «C»-5% вклада (худшие)
XYZ, деление по степени стабильности: «X»-вариация до 10% (стабильный), «Y»-вариация до 25% (предсказуемый), «C»- вариация более 25% (случайный)
FMR (Fastest-Medium-Rare), деление по частоте операций в общем потоке: «F»-80% (часто), «M»-15% (средне), «R»-5% (редко)
RFM (Recency-Frequency-Monetary), ABC-подобное деление по 3 шкалам одновременно (давность, частота, деньги)
КЛАССИФИКАЦИЯ
Метод
ABC
XYZ
RFM
FMR
ABC +
FMR
ABC +
XYZ Полезно также использовать комбинации:
ABC+FMR, ABC+XYZ, …
КЛАССИФИКАЦИЯ АССОРТИМЕНТНЫХ ГРУПП
Итоговая диаграмма
Пары классов
Число записей
AF 86 AM 4 AR 2 BF 109 BM 13 BR 0 CF 113 CM 76 CR 60
AF 19%
AM 1%
AR 0%
BF 24%
BM 3%
BR 0% CF
24%
CM 16%
CR 13%
ABC + FMR анализ за IV квартал 2012 г. AF
AM
AR
BF
BM
BR
CF
CM
CR
Двумерная классификация АГ
по ABC + FMR
Классы АГ показаны в отчете по продажам
МАТРИЦА ПРИНЯТИЯ РЕШЕНИЙ
C B A
F Использовать в
качестве драйвера кросс-продаж
Оптимизировать условия поставок
Обеспечить наличие на полке, не
допускать OOS
M Поиск заменителей Отслеживать тенденции
Стимулировать спрос, выставить на
лучших полках
R Исключить из
ассортиментной матрицы
Особое внимание, поиск заменителей
Разместить рядом с драйвером
Меньше Доходность Больше
Часто
Частота Продаж
Редко
ИНСТРУМЕНТАРИЙ БИЗНЕС-ИНТЕЛЛЕКТА
1. Поиск скрытых зависимостей
2. Классификация
3. Прогнозирование
4. Сегментация
ПРОГНОЗИРОВАНИЕ
Оценка показателей по
неполной информации
Любое предсказание
дается на основе исторических
данных
Типовые модели: Поступательная (тренд) Циклическая (сезонность) Спираль (сезонность + тренд) …
Различные алгоритмы: Регрессия Классификация Деревья принятия решения Свертка критериев …
АДЕКВАТНЫЙ ПРОГНОЗ ВЫРУЧКИ
Прогноз построен методом сезонно-
трендового экспоненциального
сглаживания
Погрешность прогноза не
превысила 13%
ПРОГНОЗИРОВАНИЕ – ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ
■ Используйте данные прошлых периодов для прогноза будущих значений показателя
■ Определите тренд, сезонность, доверительные интервалы – прогноз можно будет дать с заданной степенью надежности
■ Сезонно-трендовое прогнозирование позволит рационально запланировать поставки и решить проблему OOS
РЕЗУЛЬТАТ: СНИЖЕНИЕ СКЛАДСКИХ ЗАПАСОВ
Уровень складских остатков до оптимизации
Уровень складских остатков после оптимизации
ИНСТРУМЕНТАРИЙ БИЗНЕС-ИНТЕЛЛЕКТА
1. Поиск скрытых зависимостей
2. Классификация
3. Прогнозирование
4. Сегментация
СЕГМЕНТАЦИЯ
Оценка распределения объектов по сегментам (отрезкам) интервала
изменения
14
8
5
3
2
1
42,42%
66,67%
81,82%
90,91%
96,97% 100,00%
0,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
0
2
4
6
8
10
12
14
16
180р. 207р. 153р. 235р. Другие значения 126р.
Частота
Сегменты
Распределение частот значений среднего чека
Частота
Интегральный %
СЕГМЕНТАЦИЯ СРЕДНЕГО ЧЕКА ПО МАГАЗИНАМ СЕТИ
Наиболее частотное значение среднего
чека – около 180 руб./чек
У более чем 80% магазинов средний
чек в интервале [153-207] руб./чек
Интервал всех значений среднего
чека [126-283] разбит на 6 равных сегментов
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
35,0%
40,0%
45,0%
0-100 100-500 500-1000 1000-5000 5000-INF
СемьЯ на Г.Хасана
СемьЯ на Комсомольском,49
СемьЯ на Комсомольском,64
СемьЯ на М.Рыбалко
Формат «Малый супермаркет»
СЕГМЕНТАЦИЯ ЧЕКОВ В РАМКАХ ОДНОГО ФОРМАТА
Структура распределения чеков по суммовым
диапазонам в магазинах одного формата
существенно различается
Магазин №1 Магазин №2 Магазин №3 Магазин №4
СЕГМЕНТАЦИЯ – ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ
■ Используйте сегментацию чеков для оценки среднего чека – средний чек позволяет прогнозировать выручку как функцию трафика
■ Проверьте распределение сумм чеков по сегментам для магазинов одного формата – магазины подобных форматов должны иметь подобное распределение чеков по сегментам
■ По диаграмме Парето оцените, какие покупки дают основной вклад в результат, кто ваш типовой покупатель
■ Используя результаты RFM-анализа, запланируйте персонифицированные маркетинговые акции
ТИПОВОЕ РЕШЕНИЕ BI4RETAIL
СОСТАВ ТИПОВОГО РЕШЕНИЯ Хранилище данных Табличная отчетность Классификация Сегментация
СТОИМОСТЬ РАБОТ И СРОКИ ВНЕДРЕНИЯ от 499 000 р. от 3 месяцев
ИНСТРУМЕНТАЛЬНАЯ ПЛАТФОРМА
АРХИТЕКТУРА РЕШЕНИЯ BI4RETAIL
Табличная аналитическая отчетность
Инструментарий Data Mining
Индикаторные панели
(dashboards)
Классификация и сегментация
Прогнозирование
Поиск скрытых зависимостей
Анализ продаж
Анализ клиентской базы
Анализ запасов и поставщиков
Анализ операций
Анализ производства
Слой представления
Слой загрузки, хранения и
бизнес-логики
Слой источников информации
Хранилище данных
ETL
Собственные алгоритмы
POS ERP 1С …
Data Services
Корпоративный портал
Аналитическая отчетность на портале
SD
СПАСИБО ЗА ВНИМАНИЕ!
620026, г. Екатеринбург ул. Белинского, 54, 3-й этаж тел./факс: +7 (343) 287 09 51 www.itands.ru
Виктор Шишляев Генеральный директор ООО «Информационные технологии и сервисы» [email protected]