Аналитические решения нового поколения вроде ThoughtSpot стали ответом на изменившиеся требования ритейлеров к BI-системам и в итоге изменили привычную схему работы с данными. Какие выгоды получает бизнес от оперативных, детальных отчетов и инсайтов, доступных широкому кругу сотрудников – в интервью с Андреем Капрановым, директором центра инновационных технологий Navicon. 

Какие запросы к анализу данных и аналитическим системам сейчас есть у розничных компаний? Как вы считаете, сильно ли они изменились за 2020 год?

– 2020 год стал во многом поворотным для всех ритейлеров. Раньше можно было подолгу разрабатывать стратегии цифровой трансформации и планировать их реализацию на несколько лет вперед. Пандемия разом увела большую часть покупателей в онлайн и заставила ритейлеров «биться» за их лояльность на новом для себя поле, совершенствуя опыт работы в онлайн-каналах.

Если раньше люди заходили в один и тот же магазин по пути с работы и покупали в нем привычные товары, то, находясь на удаленке, они открыли для себя мир огромных возможностей. Оказалось, что делать покупки можно онлайн в любых магазинах и при этом выбирать, куда и за какими товарами в первую очередь удобнее «сходить». Именно поэтому анализ данных с точки зрения выявления предпочтений своих покупателей для создания уникального клиентского опыта и повышения лояльности – это главная тема ритейловой аналитики 2020 года.

Новый подход к работе с данными был представлен на ежегодной онлайн-конференции Navicon, в которой участвовали топ-менеджеры американской компании ThoughtSpot, системного интегратора Navicon, а также представители Банка УРАЛСИБ и Департамента экономики медицины АНО «Центр Аналитического Развития Социального Сектора».

Бизнесу необходимо очень быстро принимать решения.

Традиционный способ анализа ситуации заключается в исследовании множества разных отчетов по продажам, финансам, маркетинговым активностям. Но результат исследования разрозненных отчетов зачастую не дает полноценного ответа на комплексные вопросы: например, насколько удовлетворены качеством нашей работы клиенты, которые были привлечены по конкретной маркетинговой активности и в итоге приобрели товары на определенную сумму в течение следующих трех недель после этой активности? 

Бизнесу необходим детальный анализ.

Он нужен для более глубокого понимания поведенческих особенностей каждого клиента: его покупок, оценок и отзывов, количества возвратов и их причин. Также в период неопределенности важно выстраивать особые отношения со своими поставщиками, анализировать их надежность, готовность подстраиваться под текущую ситуацию. Наконец, анализ должен затрагивать альтернативные каналы поставок, которые необходимо будет задействовать в случае возникновения проблем с существующими.

В требованиях к аналитическим системам сегодня на передний план выходят:

● скорость получения необходимых оперативных отчетов;
● доступность аналитики большому количеству пользователей вне зависимости от их ИТ-навыков (полноценный Self service);
● возможность получения инсайтов, помогающих добраться до сути происходящих изменений;
● возможность работы как с внутренними структурированными данными, так и внешними источниками.

Можно ли удовлетворить эти запросы за счет «классических» BI-инструментов? Если нет, что еще предлагает рынок? 

– Классические BI-инструменты создавались для построения дашбордов на базе агрегированных данных. Как результат, приходилось иметь дело с усредненными данными, за которыми, например, при анализе клиентского опыта не виден конкретный человек и трудно понять, что влияет на принятие им решения о той или иной покупке. 

Кроме того, сегодня для получения ответов на некоторые вопросы нужны оперативные отчеты, и у пользователей нет времени на ожидание длительностью в несколько дней, пока дашборд будет настроен – его актуальность к этому моменту уже пропадет. 

Поэтому пользователям нужно предоставить возможность самостоятельно обращаться к данным и получать ответы на свои вопросы. Другими словами, развитие направления Self-service аналитики на основе использования естественного языка становится актуальным как никогда. Однако классические BI системы построены так, что переход к поисковой аналитике требует значительной переработки ядра системы. Поэтому аналогичный функционал классических BI-систем, развиваясь в этом направлении, все еще содержит большое количество ограничений.

Похожая ситуация наблюдается и с инсайтами: в классических BI-системах уже присутствует соответствующий функционал, но в одних он ограничен генерацией наборов простых разрезов, а в других доступен только разработчикам с ИТ-навыками, так как требует либо знаний по работе с AI-моделями, либо принудительного вызова в контексте аналитического процесса. 

В идеале инсайты должны генерироваться параллельно с работой обычного пользователя, начиная с момента входа в систему, в зависимости от того, с какой областью данных пользователь начал работать. Они должны отображаться без запроса, подсказывая пользователю, на какие моменты стоит обратить внимание. Инсайты-тренды, в свою очередь, должны подсказывать, где именно произошли изменения, и рассказывать про их характер. Наконец, в новых BI-системах можно получать инсайты-факторы, которые помогают понять, что именно повлияло на тот или иной результат. 

Например, в динамике продаж текущего периода наблюдается спад. Пользователь может выбрать период от начала тенденции до нынешнего уровня падения и посмотреть, какие именно факторы привели к этому результату. Таким образом, система сама выбирает по данным состав факторов, и нет необходимости анализировать общие, ограниченные, иногда даже сложно вычисляемые, искусственно формируемые наборы факторов, определять разбросы их изменений.

Источник: New Retail