Плюсы анализа кассовых чеков в ритейле с помощью BI систем
Программное обеспечение Программное обеспечение

Наш опыт работы с компаниями из разных отраслей рынка показывает, что ритейлеры предъявляют к аналитике наиболее жесткие требования

Главная>Программное обеспечение>Анализ кассовых чеков
Программное обеспечение Тема номера

Анализ кассовых чеков

Дата публикации:
19.08.2015
Посетителей:
1080
Просмотров:
942
Время просмотра:
2.3

Авторы

Автор
Максим Растеряев В прошлом — эксперт Центра управления данными компании «Инфосистемы Джет»

Анализ кассовых чеков магазина – что он может дать ритейлеру?

 

 

Наш опыт работы с компаниями из разных отраслей рынка показывает, что ритейлеры предъявляют к аналитике наиболее жесткие требования. Им необходимы ежедневная оперативная отчетность, отчеты по достаточности и оборачиваемости товаров, данные из систем Data Mining и др. Прибавьте к этому потребность в информационных панелях (Dashboards) для топ-менеджеров, предоставляющих агрегированные данные о состоянии бизнеса (информация о ежедневных продажах и т.д.). Для того чтобы обеспечить себя всей этой информацией, ритейлеру необходимо проводить качественную аналитику кассовых чеков. Имеются ввиду все чеки, собранные со всех магазинов в единый массив данных с кассового сервера. Кроме того, «в расчет» берутся дополнительные источники данных: справочники товаров/касс/кассиров, информация по дисконтным программам и счетчикам посетителей. Только анализ «вкупе» даст правильную картину состояния бизнеса.

 

Результатом анализа чеков является максимально детализированная отчетность в разрезе различных временных периодов: времени суток (утро/день/обед/после обеда/вечер), дня недели, выходного/рабочего дня и т.д. Деление на подобные промежутки может быть привязано к периодам, когда магазин предположительно посещают различные группы покупателей. Это позволяет оценить эффективность проведенных промо-акций и распродаж, сформировать поведенческую модель покупателя и определить основные тенденции развития магазина. Ключевые расчетные показатели подразумевают расчет:

  • выручки по чекам;
  • среднего чека – позволяет увидеть динамику покупательской способности;
  • количества чеков – показывает активность клиентов в различные временные периоды;
  • глубины чека (среднее количество товаров) – позволяет скорректировать будущие акции/промо/распродажи в зависимости от поведения клиентов;
  • суммы скидок – покажет результат акций/промо/распродаж.

 

Помимо расчета основных показателей, огромную роль играет правильная группировка чеков по сумме и количеству товаров. Она позволяет провести анализ их распределения, разработать решения по увеличению количества чеков с большей стоимостью, скорректировать ассортиментную и рекламную политику. Также важно построение динамики продаж и распределения чеков в различных разрезах (с разным количеством позиций по ценовым диапазонам, с различной суммой покупки в общем количестве чеков и др.).

 

Исходя из этих показателей, можно оценить, в каких ценовых сегментах покупатели совершают большие покупки, а в каких – ограниченные и случайные, а также провести правильную дифференциацию ценообразования и акционной политики, спрогнозировать будущие периоды спада и провести стимулирование продаж.

 

Немаловажно также учитывать человеческий фактор, а именно анализировать работу персонала ритейлера. В этом может помочь построение отчетов с группировкой по кассовым узлам, кассирам, кластерам магазинов. Выявив сильные и слабые группы, можно разработать мотивационные программы и KPI для каждой из них.

 

Рассмотрим пару примеров реализации анализа чеков из нашей практики.

 

Первый – это проект для крупного российского ритейлера (сектор товаров народного потребления). Каждый день в отчете «Анализ чеков» консолидируются данные с кассового сервера, из SAP, дополнительных Excel-таблиц из российских магазинов и кассового сервера, RMS-системы из магазинов в странах СНГ (итого 5 различных источников данных). Ежедневный объем чековых транзакций может достигать 5 млн строк. При этом время готовности внедренной BI-системы составляет менее 2 минут, отклик на сложные запросы занимает около минуты. В самом отчете более 40 возможных измерений и 30 показателей.

 

Второй пример – анализ чеков у продуктового ритейлера. Отличительными особенностями проекта были очень большой объем данных (50 млн строк в день) и высокие требования к производительности BI-системы. При этом набор показателей и измерений практически не отличается от предыдущего примера.

 

Дело техники

 

Отдельно стоит сказать о технологической составляющей процесса анализа чеков. Информация для построения вышеописанной аналитики, как правило, хранится в хранилище кассового сервера и в учетной системе компании. Таким образом, для построения отчетов необходимо консолидировать данные как минимум из 2 источников (на практике их больше). При этом объем данных кассового сервера компании Enterprise-сегмента может достигать нескольких миллиардов записей в месяц.

 

Процесс построения моделей анализа чеков можно представить следующим образом:

  1. выявление требований к отчетам, интервьюирование пользователей;
  2. определение источников данных (кассовый сервер, учетные системы, плановые показатели в excel-таблицах от пользователей и др.);
  3. выбор оптимальной BI-платформы;
  4. проектирование внутреннего хранилища выбранной системы;
  5. разработка скриптов процесса извлечения, трансформации данных и расчета некоторых показателей;
  6. разработка конечных отчетов, написание формул расчета показателей;
  7. проектирование UI (User Interface) конечного приложения;
  8. опытная эксплуатация приложения.

 

И здесь на помощь приходят современные программные средства Business Intelligence и технологии Online Analytical Processing (OLAP). Они позволяют консолидировать данные из разных источников и сохранять информацию в специальную оптимизированную базу данных с набором предрассчитанных показателей в различных разрезах. Ее структура представляет собой рассчитанные виртуальные кубы данных. Она позволяет сильно увеличить производительность работы системы (отклик, объем обрабатываемых данных, глубина детализации и т.д.).

 

Подобные технологические механизмы заложены в ряде представленных на данный момент на ИТ-рынке BI-платформ. Это значительно облегчает и ускоряет процесс анализа чеков. С другой стороны, сама разработка качественной отчетности анализа чеков занимает от 1 до 3 месяцев в зависимости от специфики и требований заказчика. Поэтому ждать быстрого и легкого внедрения в любом случае не стоит.

Уведомления об обновлении тем – в вашей почте

«Что это у нас за газета», или Специфика BI на российском рынке

Наш герой Джети еще ни разу в жизни не был в мегаполисе, образ кипящей жизни миллионов людей создавал в его голове интернет

Производящий класс

Функционал BI-решений может быть востребован не только в ресторанном бизнесе, у ритейлеров или страховщиков

«Мы — не стандартный e-commerce, который бьется за клиентов»

Почему в пандемию у Faberlic стало больше консультантов? Зачем домохозяйства объединяются в одного суперпокупателя? Почему провалилась попытка заменить бумажные каталоги планшетами на Android?

Личные кабинеты уже не личные? О предотвращении угона данных, баллов и денег

Личные кабинеты клиентов на сайтах компаний содержат множество персональных данных их владельцев. Вместе с информацией о тех же людях, представленной в интернете, они формируют пул сведений, которыми легко могут воспользоваться злоумышленники.

Использование инструментов бизнес-анализа в ритейле

Сегодня ритейлеры все чаще внедряют BI-системы, поскольку им все более необходим качественный анализ успешности проводимых маркетинговых кампаний, программ лояльности и эффективности работы персонала. Как правило, интересующая ритейлеров информация содержится в системе обработки клиентских данных – CRM.

«Лаборатория стоит 15 млн рублей и не приносит сиюминутной прибыли. Но для компании это шанс выйти на устойчивое развитие»

Как отечественные ритейл-компании поняли, что им нужны инновационные лаборатории? Почему лаборатории не приносят денег, но нужны каждому? Насколько российский ритейл отстает от западного?

Self-Service — новый вектор эволюции платформ BI

Сроки проектов BI не соответствуют темпам изменения бизнес-требований, и причины не только в циклах согласования, но и функциональных ограничениях BI-продуктов.

Отчитаться на раз

Современные банки вынуждены осуществлять свою деятельность в условиях постоянного жесткого прессинга со стороны других участников рынка. Конкуренция, сокращение числа потенциальных клиентов, постоянно меняющаяся внешняя ситуация требуют непрерывного управления деятельностью банка, принятия менеджментом своевременных тактических и стратегических решений, от которых зачастую зависит само существование организации.

Как устроена экосистема клиентского сервиса АШАН Ритейл Россия

Почему клиент все же бывает не прав? Как АШАН Ритейл Россия отреагировал на кризис? В чем заключается разница между поколениями покупателей?

Спасибо!
Вы подписались на обновления наших статей
Предложить
авторский материал





    Спасибо!
    Вы подписались на обновления наших статей
    Подписаться
    на тему







      Спасибо!
      Вы подписались на обновления наших статей
      Оформить
      подписку на журнал







        Спасибо!
        Вы подписались на обновления наших статей
        Оформить
        подписку на новости







          Спасибо!
          Вы подписались на обновления наших статей
          Задать вопрос
          редактору








            Оставить заявку

            Мы всегда рады ответить на любые Ваши вопросы

            * Обязательные поля для заполнения

            Спасибо!

            Благодарим за обращение. Ваша заявка принята

            Наш специалист свяжется с Вами в течение рабочего дня