Новый подход к использованию данных.
Как вырастить KPI подразделения на зрелом рынке

Бизнесу нужны данные, чтобы видеть спрос, управлять продажами, находить точки роста и принимать решения. В ритейле и FMCG объём исходных данных нарастает как снежный ком: внутренние системы, партнёрские источники, внешние данные. Отчёты, прогнозные модели и инструменты ИИ добавляют новые слои информации.

Но сам по себе массив данных ещё не позволяет приходить к однозначным выводам и отвечать на управленческие вопросы.

О новом подходе к использованию данных на конференции «Партнёрство в данных» рассказал Олег Ткачёв, CEO IT-компании Спутник, эксперт в сфере оптимизации процессов ритейла, с опытом более 25 лет в создании систем управления ассортиментом, ценами, товарными запасами складов и магазинов.

Олег предложил посмотреть на данные через простую метафору: данные часто называют новой нефтью, но нефть не заливают в машину напрямую. С данными то же самое. Их мало собрать и положить в хранилище. Их нужно очистить, связать, сопоставить с процессами и довести до управленческого вывода. Иначе у бизнеса есть сырьё, но нет топлива для решений.

Данные фиксируют факт. Связи между данными объясняют, что этот факт означает для бизнеса.

Проблема не в том, что у компании мало данных. Чаще проблема в том, что данные не связаны между собой и не объясняют, что происходит с конкретным объектом: торговой точкой, товаром, категорией, поставкой или прогнозом.

В ритейле почти любую ситуацию можно описать десятками показателей: продажи, остатки, отгрузки, ассортимент, оборудование, промо, поставки, визиты торговых представителей, наличие товара на полке, динамика категории.

Но если эти показатели живут отдельно, они дают не цельную картину, а набор фрагментов. Продажи нельзя оценивать отдельно от остатков: низкие продажи могут означать слабый спрос, а могут — отсутствие товара на полке. Остатки в магазине нельзя рассматривать отдельно от распределительного центра и логики поставок. Ассортимент нельзя анализировать без формата точки, оборудования, локального спроса.
Когда связи построены, меняется уровень понимания. Не «продажи упали», а «точка недопродаёт из-за конкретного ограничения». Не «данные расходятся», а «источники показывают разные стороны одного процесса».

Продажи выросли на 10%. Остатки снизились. Точка продала 120 единиц товара. Без нормы эти сигналы трудно оценить: это хороший результат, тревожное отклонение или обычное поведение для такого объекта?

Норма даёт точку сравнения. Если похожие точки обычно продают 100 единиц, результат 120 говорит о сильной практике, которую стоит изучить. Если достижимый уровень для такой группы — 150, те же 120 уже показывают недопродажу и потерянный потенциал.

Поэтому управленческая аналитика не может опираться только на текущий показатель. Ей нужна система оценки: факт, корректная норма, отклонение и понимание, насколько это отклонение значимо.

Норму нельзя назначить «на глаз». Например, торговые точки различаются форматом, масштабом и условиями спроса, поэтому их сначала нужно сравнивать внутри сопоставимых групп. Для этого используют кластеризацию по значимым признакам. Только так можно понять, достигает ли точка своего уровня и какой потенциал роста остаётся нереализованным.

Это работает не только для продаж. Нормировать можно остатки, оборачиваемость, доступность товара, представленность, эффективность промо, работу оборудования и другие показатели. Смысл один: показатель получает значение только тогда, когда понятно, с чем его сравнивать.

Так нормирование превращает данные из набора чисел в систему оценки. Компания видит не просто «продажи выросли» или «остатки снизились», а понимает, где результат относительно нормы, насколько велико отклонение и какой участок требует действия.

Как ещё повысить точность решений на основе данных?

Продолжим на примере торговой точки. Предположим, в точке есть недопродажи. Производитель видит отсутствие товара на полке. Сеть смотрит на остатки в системе — товар числится доступным. Картина мира не сходится.

Производитель может искать причину недопродаж в выкладке, представленности или работе точки. Сеть — в спросе, прогнозе или обычном колебании продаж. Но пока их данные не сопоставлены, причина остаётся неясной.

Коллаборация данных даёт более полное, объёмное понимание. Когда данные сети и поставщика сопоставили, увидели расхождение: товар числился в системе, но фактически был недоступен покупателю на полке. Оказалось, потери возникали из-за виртуальных остатков — разрыва между учётным наличием товара и его реальной доступностью для покупателя.

В этом и есть практический смысл коллаборации. Она помогает не просто подтвердить, что проблема существует, а найти её настоящую причину. Сеть получает дополнительные сигналы от поставщика, поставщик — более точную связь с внутренними данными сети. Реальные причины можно находить точнее и быстрее, а значит — сокращать время реакции и снижать потери продаж.

Коллаборация важна и в прогнозировании. В одном из примеров объединение данных производителя с дополнительными источниками и изменение процесса позволили повысить точность прогноза на низком уровне детализации с 51% до уровня выше 70%.

Смысл таких примеров не в отдельных цифрах. Они показывают, что качественный скачок возникает там, где бизнес перестаёт смотреть на объект только со своей стороны.

В работе с большими массивами данных искусственный интеллект — не самостоятельный источник управленческого смысла, а способ быстрее проверять гипотезы и искать зависимости. С развитием ИИ такие задачи стало возможно выполнять в разы оперативнее.

Но скорость — не единственная ценность. ИИ помогает выйти за рамки мыслительных шаблонов. Человек часто начинает с привычных гипотез: ассортимент, промо, выкладка, остатки. Модель может перебрать больше факторов и показать неочевидную взаимосвязь — например, что на результат влияет сочетание нескольких условий.

Потенциал торговой точки с помощью ИИ можно оценивать не только через кластеризацию, но и через многофакторную модель, например регрессионный анализ.

Отдельная задача — проверка качества исходных данных. ИИ помогает быстрее находить пропуски, расхождения между источниками, нестандартные значения и другие признаки того, что данные нельзя сразу брать в расчёт. Чем больше источников участвует в модели, тем важнее понимать, какие данные можно считать надёжными.

Но ИИ не отменяет базовых требований к аналитике. Если источники не сопоставлены, бизнес-логика не описана, а алгоритмы не отражают реальный процесс, модель просто быстрее приведёт команду к спорным выводам.

ИИ усиливает аналитику там, где уже есть экспертность. Он ускоряет поиск, расширяет поле гипотез и помогает увидеть неочевидные связи, но управленческий смысл появляется только в руках специалиста, который понимает процессы, видит ограничения данных и умеет отличить полезный сигнал от случайного совпадения.

Когда аналитика начинает показывать отклонения, причины и возможные действия, возникает следующий риск: задач становится слишком много. Можно выявить сотни проблемных точек, десятки факторов и большой список рекомендаций. С чего начать?

Ответ — с приоритезации. Не каждое действие одинаково выгодно: у одного высокий эффект, но высокая стоимость; другое реализуется быстро, но даёт меньший результат; третье требует согласования с сетью и не решается силами производителя.

Коммерческой команде не нужен список из тысячи отклонений. Ей нужен управляемый набор задач: куда идти, что проверять, с кем согласовывать, какой результат ожидать и как понять, что действие сработало.

Даже правильный вывод не создаёт эффекта, если он не встроен в процесс работы. Сначала выявляется отклонение, затем причина, потом действие, ответственный, приоритет и контроль результата. Так компания не просто реагирует на отклонения, а постепенно улучшает качество решений.

Данных у ритейлеров и производителей уже достаточно много. Проблема всё чаще не в дефиците информации, а в том, что она остаётся разрозненной и не доходит до управленческого действия.

Если данные не помогают принять решение, они остаются затратой: на сбор, хранение, отчёты и обсуждения. Если помогают — становятся инструментом роста продаж, эффективности и качества совместных решений.

Поэтому следующий уровень работы с данными — не в том, чтобы складировать ещё больше сырья. Он в том, чтобы правильно выстроить переработку: связать данные, определить норму и отклонение, найти причину, выбрать действие и проверить результат.

Если перед вами стоят задачи, связанные с управлением ассортиментом, запасами, ценообразованием или персоналом, напишите нашим партнерам — компании Спутник — они оперативно свяжутся с вами и назначат встречу, чтобы вместе найти наилучший путь решения именно ваших задач.

Теперь ваш любимый канал про аналитику в ритейле — и в MAX. Присоединяйтесь, чтобы быть в курсе всех событий для поставщиков и ритейлеров FMCG!