Как анализ данных поможет усилить позиции бизнеса в условиях хаоса

В рамках программы Skolkovo MMA состоялся вебинар «Data-Driven подход в условиях хаоса: кейсы стартапов и крупных корпораций».

Как аналитика работает в условия неопределенности и почему Excel может принести бизнесу больше пользы, чем ML, рассказывают руководитель технической группы консультантов Skolkovo MMA, директор Департамента больших данных и продвинутой аналитики компании «Лента» Павел Мягких и вице-президент по аналитике и AI «СберМаркета» Дмитрий Зборовский.

Классический бизнес-подход основан на представлении о качествах и навыках предпринимателя, которые помогают создавать ценность, запускать и развивать проекты: «творчестве», «интуиции» и «предпринимательском таланте», опыте и экспертизе.

Data-Driven, о котором сегодня пойдет речь, предполагает другой пул инструментов: здесь решения принимаются на основе данных и их обработки. Но помогает ли аналитика, когда рынки попадают в ситуацию неопределенности? Известно, например, что «черные лебеди», прибытие которых мы наблюдаем в большом количестве в последнее время, исключают достоверные прогнозы. 

Данные не побеждают хаос — но снижают его влияние на нас. Попробуем разобраться, как это работает.

Зачем бизнесу данные?

Сколько российские компании инвестируют в работу с данными? Во многом это зависит от области применения инструментов: в маркетинге, например, на аналитику уходит около 13% бюджета.

На долю решений, принятых на основе данных, влияет отрасль, в которой работает компания. Ближе всего Data-Driven оказывается крупным ИТ-корпорациям: например, «Яндексу» или VK. Активно работают с данными банки, телеком и ритейл. 

Интересно, что аналитика окружена представлениями, которые не всегда подтверждает опыт реальных компаний. Считается, например, что чем крупнее бизнес, тем лучше организована работа с данными. Но на практике мы встречаем другие корреляции. Например, связь между работой с данными и маржой: чем маржинальнее бизнес, тем хуже может быть организована аналитика. 

В качестве примера можно привести ритейлеров из фэшн-сегмента и продавцов электроники. В фэшн установочная маржа — 70%. Это означает, что можно ошибиться с закупкой, ценой, промо или уценкой. И все равно остаться в плюсе.

А вот в электронике целевая маржа составляет всего 10%. И это очень мало — поэтому компании важно получать от процессов максимум. Чтобы снизить риски ошибочных решений, такой бизнес и опирается на данные.

Павел Мягких — об эффективности прогнозов:

Несколько лет назад я проводил исследование: собирал метаанализ публикаций по эффективности прогнозирования в фэшн-сегменте. Я выделил три блока: 

• Экспертное прогнозирование;
• Эконометрические подходы (линейные модели, экспоненциальное сглаживание, панельные данные);
• Технологии ML.

Оказалось, что у экспертного мнения эффективность колеблется на уровне 50%. Эконометрика снижала долю ошибок до 30%. А ML-решения сокращали показатель до 10-15%.

Дмитрий Зборовский — о пользе простых решений: 

Эконометрические подходы могут существенно улучшить результаты компании. При этом, чтобы ими воспользоваться, не нужно производить расчеты вручную или инвестировать в сложные технологии и найм отдельных специалистов. Линейную регрессию, например, можно использовать в Excel. Достаточно загрузить данные и задать команду.Научиться эффективному управлению или прокачать свои навыки можно выбрав курс в каталоге курсов управления.

Линейная регрессия помогает предсказывать конечное значение по изменяющимся параметрам. С ее помощью мы можем посмотреть, как на определенную метрику повлияли неочевидные факторы: например, день недели, время года или погода — на количество заказов, которые сделали пользователи сервиса доставки продуктов.

Аналитика: от простого к сложному

В любой индустрии первые шаги компании, которая планирует переход к data-driven, будут типичными. 

Сначала бизнесу важно разобраться, какую конкретную задачу помогут решить данные — ответить на вопрос: «Data-Driven — чтобы что?» Аналитика всегда должна решать конкретную проблему в конкретном бизнес-процессе. Более того, существование проблемы важно не только предполагать, но и проверить — по сути, работа с данными начинается уже на этом этапе.

Оцените бизнес-процессы, разберитесь, сколько они стоят — и насколько их можно улучшить.

После того, как компания разобралась с процессами и текущей ситуацией, она переходит к выбору инструментов.

В зависимости от задач, с которыми помогают работать инструменты, в аналитике выделяют четыре крупных блока:

• Описательная аналитика — отвечает на вопрос: «Что происходит/произошло?»

Пример: BI-системы, отчетность, сегментация клиентов, мониторинг отзывов, отслеживание эмоций сотрудников.

• Прогнозная аналитика — отвечает на вопрос: «Что произойдет?»

Пример: прогноз спроса или оттока.

• Предписательная аналитика — отвечает на вопрос: «Что необходимо сделать?»

Пример: персонализация маркетингового предложения. 

• Ассистивные технологии — отвечает на вопрос: «Как помочь человеку принять нужное решение?»

Пример: рекомендации для клиентов, рекомендательные системы для менеджеров по продажам, чат-боты.

---

Важно понимать, что уровни аналитики связаны между собой последовательно. 

Нельзя построить предписательную аналитику, не пройдя этапы описания и прогноза. При этом базовые инструменты в большинстве случаев приносят основную выгоду. Качественная описательная аналитика, например, может обеспечивать до 80% прибыли компании. 

Тем не менее, именно попытка перепрыгивать «ступеньки» — самая распространенная ошибка в переходе к Data-Driven.

Представим ритейлера, у которого на каком-то этапе дают сбой логистические процессы. Проблемы с логистикой обычно легко решаются с помощью аналитики: компания может улучшить качество прогнозирования или алгоритмов ротации товаров на складе — и получить довольных клиентов.

Но вместо этого мы часто видим попытку следовать за трендами и использовать данные совсем по-другому: например, при нерешенных проблемах на складе обучить нейросеть или запустить виртуальную примерочную.

Эксперименты — это важно. Но также важно в переходе к Data-Driven соблюдать последовательность шагов. Не стоит начинать работу с данными с ML. Качественный результат могут принести «классические» статистика и эконометрика.

Данные и неопределенность

Приобретает ли аналитика дополнительное значение, когда на рынке наступает неопределенность? Здесь можно остановиться на том, как Data-Driven помогает разделять гипотезы и подтвержденные факты, а также валидировать представления руководителей.

Павел Мягких — о данных и стереотипах

Однажды я работал с магазином обуви: достаточно крупным, больше 100 офлайн-точек в нескольких регионах. Это был семейный бизнес, который ни разу не менял процессы, запущенные восемь лет назад. Моей задачей было как раз помочь им перейти от «Family-Driven» к Data-Driven подходу — интегрировать полезные решения, основанные на данных.

Мой первый инсайт в этом бизнесе оказался связан с погодой. Дело в том, что в компании регулярно проходили встречи, посвященные эффективности продаж. И когда у штатного аналитика спрашивали, в чем причина невыполненного плана, он ссылался на погоду.

Возможны были несколько вариантов: на одной встрече он говорил, что продажи не идут из-за плохой погоды (люди торопятся домой и реже посещают ТЦ), на другой — что погода слишком хорошая (люди гуляют и не заходят в ТЦ).

Я решил выяснить, существует ли на самом деле связь между продажами и погодой: ведь с житейской точки зрения это казалось логичным. Я собрал небольшой сет в Excel: добавил данные о продажах, о погоде в регионах присутствия — и построил корреляцию.

Она оказалась незначительной, около 0,1. Это говорило о том, что погода и продажи все-таки не связаны друг с другом. А значит, компании важно найти настоящую причину трудностей с выполнением плана.

Ну а вторым инсайтом стали цены. Руководители придерживались мнения, что цены повышать нельзя — это приведет к репутационным потерям. Я в этом сомневался и убедил их провести пилот. Мы взяли несколько магазинов в регионах, посчитали, на какие артикулы можно повысить цены — и повысили. И начали смотреть, что происходит. Не произошло ничего — продажи остались на том же уровне. А маржа, соответственно, увеличилась.

Важно: я не стремился доказать, что повышение цен не принесет компании убытки. Даже если бы мы получили негативный результат (люди покупают меньше, оставляют плохие отзывы), суть эксперимента в том, что гипотеза была бы проверена на практике. И мы бы убедились, что стратегия не повышать цены рабочая. 

Я бы отметил, что предпосылки у сложившегося мнения могут быть верными. Восемь лет назад, когда магазин только запускался, у него могло быть 2-3 точки и очень узкая лояльная аудитория.

В таком случае, конечно, изменение цен было бы отмечено: были бы и негатив, и снижение продаж. Но любое мнение должно быть верифицировано во времени: то, было фактом, часто теряет актуальность в новых обстоятельствах. В том числе, кстати, в условиях хаоса и неопределенности.

Дмитрий Зборовский — о том, как не принимать решения в ущерб себе

Моя история связана со «СберМаркетом». Сегодня мы лидеры на российском рынке доставки продуктов, но три года назад были обычным стартапом.

Мы доставляли около 100 заказов в день. И самое страшное — не зарабатывали на них, а теряли деньги: около 500 рублей с каждого. Мы находились в кризисной ситуации, и поэтому, на мой взгляд, наши решения могут быть интересны сегодня.

Итак, аналитика и хаос. Данные помогли нам разобраться, где проблема. Мы изучили ситуацию и приняли страшное решение: «уволить» клиентов, с которыми нам не выгодно работать. 

В первую очередь я посмотрел распределение средних чеков в Excel. Оказалось, что 38% клиентов покупают на 1-2 тысячи рублей, примерно четверть — на 2-5 тысяч. Мы на тот момент доставляли от 1000 рублей, хотя некоторые наши конкуренты возили от рубля.

Можно было бы снизить порог заказа — но вместо этого мы подняли минимальную сумму до более выгодных нам 2 тысяч. То есть рискнули 38% клиентов, которые обычно заказывали на меньшую сумму. Но на деле потеряли всего 18%.

Дальше мы изучили данные по весу заказов. Дело в том, что заказ до 50 кг может доставить один автокурьер. А вот на крупные заказы приходилось привлекать несколько исполнителей — это было невыгодно компании.

Данные показали, что примерно 20% наших заказов весили больше 50 кг. Мы снова оказались перед выбором — отказаться от возможности или ввести наценку.

В итоге мы оставили крупные заказы, но ввели на них отдельный прайс. За каждые 5 дополнительных позиций (в стандартный заказ «помещалось» 30) мы увеличивали стоимость доставки на 39 рублей. И еще 199 рублей добавляли за каждые дополнительные 50 кг. Мы снова рисковали — могли потерять 20% тяжелых заказов. Но на практике потеряли только 4%.

И последний пример с «увольнением» клиентов: проблема удержания. Мы заметили, что часть людей не возвращается к сервису после первых заказов. Чтобы найти причину, провели кастдев — многие респонденты говорили о высокой стоимости доставки. 

На тот момент первые доставки у нас были бесплатными, а затем заказ можно было оформить по стандартной стоимости — 299 рублей. Возможно, стоило снизить эту разницу — и брать за заказы не 299 рублей, а 199?

Но мы поступили по-другому: просто отменили бесплатный заказ. Кажется, что это ужасное решение — но на практике оно помогло увеличить ретеншн: люди, которые изначально были готовы платить за доставку, оставались с сервисом дольше тех, кто начинал с бесплатного заказа.

Все эти кейсы иллюстрирую одну мысль: с помощью простой аналитики мы нашли выгодный сегмент клиентов, ядро своей аудитории — и не побоялись расстаться с остальными. Попытки неприбыльного роста могут наносить вред бизнесу — особенно в ситуации хаоса.

Data-Driven: как получить максимум?Data-driven — это не обязательно сложные и дорогие решения. С помощью базовых эконометрических инструментов, многие из которых доступны в Excel, например, можно снизить вероятность ошибок в прогнозах почти вдвое.

Определите контекст и задачу для работы с данными. Найдите, какой бизнес-процесс работает плохо — оцените потери и потенциал улучшения, проверяйте гипотезы и настраивайте аналитику последовательно.

Учитесь. В переходе к Data-Driven важны не только хард-скилы, вроде умения написать модель или извлечь данные, но и гибкие навыки. Например, способность понять проблематику и донести свое видение до руководителей, акционеров и коллег.

Делайте осознанный выбор. Сложные решения вроде нейросетей могут быть переоценены и бесполезны в отдельных вопросах. А потенциал простых инструментов, например «скучного» Excel, наоборот, оставаться недооцененным.