Связаться с редакцией
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:
- выявление требований к отчетам, интервьюирование пользователей;
- определение источников данных (кассовый сервер, учетные системы, плановые показатели в excel-таблицах от пользователей и др.);
- выбор оптимальной BI-платформы;
- проектирование внутреннего хранилища выбранной системы;
- разработка скриптов процесса извлечения, трансформации данных и расчета некоторых показателей;
- разработка конечных отчетов, написание формул расчета показателей;
- проектирование UI (User Interface) конечного приложения;
- 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.
