В настоящее время мы (DataReview совместно с лабораторией анализа данных DataLab) проводим исследование рынка и, согласно предварительным результатам, только единицы компаний на постсоветском пространстве пользуются аналитикой.
Организации используют мощные компьютеры для обеспечения текущей деятельности (CRM и EPR системы, бухгалтерия, оперативный учет), но при этом редко анализируют свои же данные для принятия управленческих решений. Руководители по-старинке полагаются на интуицию, а не на факты. Выглядит это так, как если бы в 21 веке человек вычислял время по движению солнца, нося на руке электронные часы.
Как бы там ни было, важно понять, почему так происходит — почему компании не могут (или не хотят) «считать собственные цифры»?
Итак, существует несколько ключевых «отговорок».
Отговорка№1. У нас недостаточно данных
Кажется, у нас сложился некий стереотип, связанный с понятием Big Data. Малый и средний бизнес пожимают плечами: «Мы не Google или Facebook, чтобы внедрять у себя аналитику — она доступна только таким гигантам». На самом деле, это заблуждение. Ниже приведен реальный пример внедрения аналитических решений для малого бизнеса:
|
Характеристика компании |
Значение |
| Сфера деятельности |
Мелкооптовая торговля |
| Количество работников |
18 |
| Количество ассортиментных позиций |
1000 |
| Ежемесячное количество транзакций |
30,000 |
| Среднемесячный объем продаж |
50,000 $ |
| Среднемесячный объем запасов |
80,000 $ |
| Учетная система |
1С |
| Рентабельность продаж |
11% |
| Ставка налогообложения |
15% |
Предположим, что частный предприниматель установил приложение по анализу продаж. Инвестиции в систему составили 7,000 $.
Эффекты, которые он смог получить в первый же месяц после внедрения:
1. Благодаря анализу маржинального дохода от продаж появилась возможность оптимизировать ассортимент, сократив слабосвязанные и низкорентабельные позиции, и в результате повысить совокупную рентабельность продаж на 1,5%. Также удалось на 7% сократить непродающиеся запасы, что высвободило 5,600$ из суммы кредита, взятого по ставке 18%.
2. Анализ продаж также позволил точно выявить сезонные (в пределах года), месячные и недельные пики и спады продаж. Ранее в периоды «пик» покупатели сталкивались с нехваткой некоторых товаров. Теперь поставки оптимизированы под всплески спроса, и это позволило увеличить продажи на 4%.
3. Возможность анализировать историю покупок клиентов «на лету» дало возможность придерживаться утвержденной политики в отношении скидок. Это стимулировало некоторых покупателей закупать больше, что увеличило продажи на 4%, а отмена необоснованных скидок повысила рентабельность продаж еще на 1%.
Подсчитаем полученный эффект: снижение запасов и как результат экономия на выплатах процентов по кредиту составила 5600*18%/12*(100%-15%) = 71$ в месяц. Увеличение рентабельности продаж на 1,5% и увеличение объема продаж на 8% принесло дополнительно 50,000*2,5%*85% + 50,000*8%*13,5%*85% = 1062 + 459 =1521$ в месяц с учетом налогообложения.
Таким образом, суммарная месячная прибыль от внедрения анализа продаж составила 1462+71=1592$, что позволило полностью окупить инвестиции в бизнес-аналитику менее чем за 4,5 месяца! (Источник примера).
Отговорка 2. Нам не хватает ресурсов
Даже, если вы решили просто приобрести ПО для аналитики, нужен человек, который разберется с программой, загрузит туда данные, представит результаты. Вероятно, вы скажете, что сотрудники и так перегружены работой, а принимать в штат новых специалистов(-а) нет возможности.
Если в этой ситуации рассмотреть внедрение аналитики как инвестицию, такие аргументы сразу отпадут. Существует несколько решений. Во-первых, вы можете обучить аналитическим навыкам кого-то из сотрудников, отправив его на профильные курсы или тренинги. Также есть вариант нанять нового специалиста.
Но, пожалуй, проще всего обратиться за помощью в специализированную компанию, предлагающую услуги анализа данных. Это значительно сэкономит вам средства и время.
[note]Статья в тему: Не ищите единорога – доверьте анализ данных команде специалистов[/note]
Отговорка 3. Качество наших данных оставляет желать лучшего
Вероятно, так и есть. Это одна из основных проблем в больших организациях. При этом все понимают, что, когда речь идет об анализе, качество данных на входе обеспечивает качество результатов на выходе. Тем не менее, это не мешает успешному внедрению технологий бизнес-аналитики. Один из этапов такого внедрения предполагает очистку и структурирование данных для их дальнейшего анализа.
Сегодня на рынке представлены ряд компаний, которые предлагают подобные услуги. Все, что требуется от вас — предоставить данные (в каком бы виде они не хранились и какого бы качества ни были) специалистам. При этом вам не нужно углубляться в процесс очистки, структурирования, анализа и визуализации данных — оставьте математику математикам. В результате вы просто получаете отчет, содержащий выводы и практические рекомендации по внедрению тех или иных решений для улучшения бизнес-показателей.
Отговорка №4. Мы не хотим раскрывать коммерческие тайны и распространять персональные данные
Математическим алгоритмам и аналитичекому ПО все равно как зовут вашего клиента: Василий Петрович или №4356. Тоесть данные можно шифровать.
При этом для решения большинства задач вовсе не нужны данные, содержащие коммерческую тайну, (например, про маржинальность продаж или названия поставщиков).
Так что на самом деле все просто. К сожалению, степень осведомленности о таких вещах, как бизнес-аналитика и прогнозный анализ в странах бывшего Союза очень низкая. Один знакомый недавно мне задал вопрос: «А может, у наших компаний реально нет потребности внедрять подобные технологии? Бизнес же как-то идет, прибыль капает…» Следуя этой логике, зачем приобретать Мерседес? Запорожец же как-то ездит, колеса крутятся. Но дело в том, что Мерседес и удобнее, и быстрее.
Блоггер Сергей Бобровкий на этот счет написал: владение бизнес-аналитикой — это как ходить в чистых ботинках. С этим трудно не согласиться.
У Вас возникли вопросы, связанные с применением аналитических технологий для повышения эффективности бизнеса? Не знаете, с чего начать и как это работает? DataReview предоставляет бесплатные консультации. Вы можете задать вопрос и получить ответ от наших аналитиков, написав на почту info@datareview.info или заполнив простую форму обратной связи.