Эволюция принятия решений на основе данных: опыт Magnum

Magnum — №1 ритейлер в Казахстане с долей на рынке розницы в 45% во всех городах присутствия. За 15 лет работы компания открыла 200 филиалов в четырнадцати городах Казахстана.

Для бизнес-аналитики Magnum использует решение на базе Qlik. У компании 375 аналитических лицензий и 25 лицензий разработчиков, 355 активных ежемесячных пользователей, 467 отчетов и 22 тысячи обращений к ним ежемесячно. В базе Qlik хранится 9 терабайт данных.

Magnum использует Qlik Sense c 2021 года. В 2022 компания активно развивались, аналитика расширялась вместе с бизнесом, данных становилось всё больше и больше. При этом в каждом департаменте работали независимые аналитические отделы. Единых стандартов и согласованности в данных не было. Например, операционный департамент считал Service Level (показатель качества обслуживания клиентов) одним способом, коммерческий департамент — другим, департамент логистики — третьим. На совместные встречи сотрудники приходили с разными цифрами по одному и тому же KPI, что, конечно, не давало увидеть объективную картину состояния бизнеса.

Уровень культуры работы с данными среди пользователей был средним. Около 100 сотрудников прошли обучение Qlik Sense от Datanomix, но многие предпочитали работать с данными, выгруженными напрямую из учетной системы, и обрабатывать их в Excel.

Монетизация данных отсутствовала: информацией о продажах и товарных остатках компания делилась с партнерами на безвозмездной основе. Развернутой аналитики, покупкой которой могли бы заинтересоваться поставщики для оптимизации собственной работы, у Magnum не было.

В 2024 году BI-команда Magnum увеличилась за счет бизнес-специалистов, а встречи BI-разработчиков и руководителей департаментов начали проходить на регулярной основе. Создавать необходимые отчеты стало проще: больше не возникало ситуаций, когда бизнес-пользователи не могут сформулировать грамотное ТЗ на разработку, а аналитики разрабатывают отчеты, не понимая конечных целей бизнеса.

Компания перешла на гибридную операционную модель: показатели отчетности были стандартизированы на уровне компании силами специального комитета. При этом каждый департамент сохранил возможность разрабатывать собственные отчеты на основе общих бизнес-показателей, согласованных для всей компании. Регулярный процесс аудита архитектуры BI-систем и качества данных повысил скорость и качество итоговых отчетов.

Уровень культуры работы с данными серьезно повысился благодаря внедрению ИИ для расчета автозаказа, ежедневному расчету уровня представленности товаров исходя из прогноза продаж, принятию решений на основе автоматизированной отчетности. Отчеты стали точнее и полезнее, поэтому сотрудники стали больше доверять BI-системе и активнее ею пользоваться. Количество ежедневных активных пользователей выросло на 30%.

Появилась возможность монетизации данных: Magnum начал делать совместное категорийное ревью с партнерами. Если раньше ревью выполнялось силами внутренних экспертов, то теперь компания привлекает партнеров, великолепно разбирающихся в той или иной категории. Например, поставщик Pernod Ricard знает всё о виски, и никто в Magnum не сделает категорийное ревью лучше, чем он.

Объединив данные и BI-экспертизу Magnum и продуктовую экспертизу поставщиков, все участники получили выгоду. Отчеты, ранее отсылаемые партнерам в виде Excel-таблиц, теперь предоставляются в виде расширенной аналитики через партнерскую компанию RS360 и включают показатели, на основе которых принимает решения сам Magnum. За информацию такого качества поставщики готовы платить, ведь это помогает им развивать их собственный бизнес. К тому же, на встречах с менеджментом Magnum партнеры могут оперировать теми же цифрами, что и ритейлер. Это помогает быстрее прийти к взаимовыгодным договоренностям.

Новый подход к аналитике помог бизнесу быстрее принимать решения на основе данных, тем самым увеличивая выручку компании. Примером такого подхода является создание отчета контроля представленности.

Началось всё с бизнес-инсайта: компания выявила, что 1000 товаров из 20 000 имеющихся SKU дают 50% продаж, и решила обеспечить их постоянную представленность во всех магазинах, чтобы не терять выручку. Бизнес-требование заключалось в отслеживании и улучшении представленности выбранных товаров. Нужно было выявить топ-1000 товаров, рассчитать показатели их продаж и товарных остатков и определить, как часто нужно пересматривать этот список.

Первая версия включала графическое и табличное представление данных, показывающее представленность по городам, форматам и магазинам. С помощью специалистов из разных департаментов были определены основные причины падения представленности, BI-система научилась их учитывать и выдавать рекомендации по улучшению показателя. Для контроля представленности товара на полке используется нейронная модель автозаказа, прогнозирующая продажи. Задачи для сотрудников магазинов направляются через приложение «Быстродел», которое обеспечивает удобство контроля и быструю обратную связь. Данные было решено пересматривать ежедневно.

В результате представленность топ-1000 товаров достигла 91%, а представленность по остаткам и продажам — 86%, что значительно превосходит начальные 50%.