Сергей Лагутин, «Красный куб».: Наша сила – в креативности.

Компания «Красный куб», 10 лет назад начавшая свой бизнес в области оптовой торговли потребительскими товарами, сегодня хорошо известна как признанный лидер на рынке подарков и предметов интерьера. Немалую роль в этой смене курса сыграли и аналитические информационные системы, которые помогли предприятию выявить свои сильные и слабые стороны. Об этом рассказывает Сергей Лагутин, директор информационно-аналитического департамента компании
«Красный куб».

Intelligent Enterpise: Когда и почему перед компанией встали серьезные задачи бизнес-аналитики, требующие использования специализированного ПО?

Сергей Лагутин: Около трёх лет назад, когда я пришел в «Красный куб», здесь практически не было системы бюджетирования, и в конце года перед нами встала задача сделать проект бюджета на следующий год. Для ее решения необходимо было увидеть уже существующие данные в соответствующих разрезах и эти временные ряды экспертно или математически экстраполировать. Чтобы получить данные за два предыдущих года, программный продукт, использовавшийся в компании на тот момент, надо было запустить примерно две тысячи раз, каждый раз изменяя какой-либо параметр. Мы посчитали, сколько времени это займет, и поняли, что никакой план продаж до начала года получить не сможем, — это заняло бы два-три месяца. Пришлось осваивать предназначенные для этих целей продукты Microsoft, после чего необходимые данные мы получили в течение дня и смогли заняться прогнозом.

Прежде чем перейти к обсуждению конкретных продуктов, позволяющих решать вопросы бизнес-аналитики, хотелось бы спросить вас о том, какие скрытые закономерности, влияющие на бизнес-задачи компании, на ваш взгляд, можно выявить только с использованием в аналитике специальных программных средств.

Специфика нашего бизнеса — торговля подарочными, «эмоциональными» товарами — не предполагает тех же самых закономерностей, которые встречаются, например, в работе супермаркета, когда продажи одних товаров «необъяснимо» приводят к продажам других. Три года назад мы пытались выявить неочевидные связи между продажами продуктов, но поняли, что в нашем секторе таких связей просто нет. Мы потратили на это две недели, использовали даже услуги аутсорсинга, но полученные закономерности оказались настолько слабовыраженными, что их можно просто не принимать во внимание.

А вот что касается сезонности, то здесь ситуация обратная: зависимость выражена весьма значительно. Задача прогнозирования в связи с данным фактором перед нами в свое время вставала, и мы ее решили довольно простыми средствами. Как ни странно, более сложные методы не дают большего эффекта. Достаточно использовать такие всем известные методики, как скользящее среднее. Наша задача прогнозирования более экспертная, и у нас максимальный эффект дает сочетание простых математических методов и экспертных оценок. Так, для сезонных товаров делать прогноз, основанный на математике, бессмысленно — и без того понятно, что новогодние товары продаются под Новый год, пасхальные яйца — к Пасхе и т. д.

В отношении управления ассортиментом также есть существенное отличие от супермаркетов. Там четко выделяются товарные категории, у нас же они выделены условно. На первом уровне их восемь — например, посуда, предметы интерьера, сезонные товары... На следующем — около шестидесяти. Для категории «посуда» — это «посуда столовая», «приборы столовые», «предметы для сервировки» и т. д. И та задача, о которой я говорил выше, с двумя тысячами исходных чисел, была связана как раз с тем, что мы решили спуститься на этот второй уровень иерархии товарного классификатора.

Как в таком случае решаются задачи прогнозирования?

Мы пытаемся из ряда данных выделить сезонную, трендовую и случайную составляющие. Сезонная выделяется нормально. Тяжелее всего было выделять акции, которые мы проводили с разными условиями в разные годы и потом сопоставляли эти периоды между собой. Особенно если мы в определенные месяцы планировали какие-то условия акций и экспертно говорили о том, что они вызовут определенные изменения спроса, а реально проводились акции с другими условиями. Ведь наши акции — это не всегда просто распродажа, их не переведешь в цифры скидок.

Мы столкнулись с тем, что в разных городах — а географический размах у нас большой, наши магазины расположены по всей стране — одни и те же акции приводят к разным результатам. Например, мы пытаемся обыграть тему лета, тепла, а где-то в это время совсем другая температура, и наша акция там просто неактуальна. Еще один пример: в этом году была суровая зима, особенно в Сибири, и в январе мы ожидали один объем продаж, а получился совсем другой, просто потому, что в минус сорок пять людям не до подарков. И наша задача — эту составляющую вычислить.

Есть два подхода к бизнес-аналитике. Первый — отраслевые решения наподобие «черного ящика», выдающего некий результат, за который никто не отвечает. Второй состоит в том, что выводы делают специалисты — эксперты, не всё полностью доверяя программному продукту. Какой из этих подходов кажется вам более правильным?

Доминирование первого подхода я вижу, например, в системе построения бизнес-планов. Существует продукт Project Expert — решения такого типа приняты бизнес-сообществом, и бизнес-план, сделанный с его помощью, встретит меньше препятствий для понимания.

А в торговле подарками мы вряд ли получим от какого-то производителя отраслевое решение. Кроме того, мы выросли из оптовой компании, и сейчас опт занимает довольно большую долю в нашем бизнесе. Поэтому чисто розничные решения нам не подойдут.
У нас есть программный продукт, который был сделан как черный ящик для того, чтобы маркетолог, не имеющий познаний в математике, мог проводить необходимый анализ данных. Мы этим продуктом пользовались также для перепроверки прогнозов. Но, как показал наш опыт, «черный ящик» дает менее точный прогноз. Да, там есть средства визуализации, но когда в результате мы получаем доверительный интервал, сопоставимый с самим прогнозом, практическая польза получается равной нулю. С точностью до 10—15% эксперты способны прогнозировать и без помощи программных средств. А вот если мы можем получить прогноз с точностью 3—4% и даже выше, они приобретают ценность для компании. В результате даже могут быть приняты решения по корректировке бизнеса.

Поэтому я не сторонник технологии «черного ящика». Мы не можем выступать как чистые математики. Любой прогноз должен согласовываться с экспертами, иначе их действительно полезные для бизнеса оценки никогда не станут востребованными.

Какие еще задачи помимо прогнозных вы решаете? Какие программные продукты для этого были выбраны?

Необходимость в решении целого класса новых аналитических задач возникла у нас два с половиной года назад. Сведения по расходам в нашей информационной системе тогда собирались только в разрезе центров затрат, другие аналитические разрезы были недоступны. Сколько прибыли дает каждый бренд, каждый товар — мы этого не видели. И нам был нужен инструмент, который информацию по центрам затрат, содержащуюся в бюджетной системе, превратил бы в информацию по товарным группам, каналам сбыта, вплоть до конкретного клиента. Наш ИТ-департамент придумал и реализовал своими силами недорогое решение, в котором мы впервые попробовали использовать OLAP-технологии.

Этот продукт у нас произвел, можно сказать, фурор. Например, он позволил увидеть, что те клиенты, которые берут значительное количество товара определенных брендов и в силу объемов закупки имеют постоянные льготные условия и различные скидки, приносят «Красному кубу» убытки. Более того, чем больше они покупают, тем больше эти убытки становятся. Важно было понять, с какими товарами это связано. В результате мы отказались от некоторых товарных групп и полностью вывели их из ассортимента — например, всю антипригарную посуду Tefal, по которой еще пять лет назад мы были крупнейшим дистрибьютором в России.
Несмотря на эффект от использования нашего собственного аналитического модуля, со временем возникли вопросы с поддержкой его бизнес-логики. Изменения в бизнесе компании происходят часто, в течение года могла несколько раз меняться учетная политика. При этом каждый раз менять логику обработки данных в соответствующем кубе весьма трудно. Анализ таких периодов в отдельных кубах не дает возможности видеть динамику. В конце концов мы отказались от использования этого решения. Однако объем наших данных рос, количество моделей и срезов, которые нас интересовали, также росло, и мы поняли, что надо приобретать какое-то готовое решение для целей бизнес-аналиики.

Год назад мы приобрели для тестирования два программных продукта — отечественный С.М.А.Р.Т. и зарубежный Cognos. Второй мы получили через компанию «Микротест — Программ Лайн», а первый — непосредственно у разработчика. Вот уже год мы используем их параллельно. В целом С.М.А.Р.Т. представляется нам более эффективным. Так, у него помимо OLAP-функциональности есть много эконометрического функционала, и в будущем мы планируем это использовать.

С.М.А.Р.Т. по сравнению с Cognos показался нам более простым в исполнении в плане получения результата. В Cognos есть ряд отдельных модулей, которые позиционируются для разных рабочих мест — администратора, аналитика и руководителя. У нас такого жесткого разделения нет, аналитикам нужны все три модуля. И чтобы был получен совокупный результат, нужно в каждом модуле сделать ряд шагов, что создает определенные трудности. Кроме того, у С.М.А.Р.Т. оказалось ещё два важных преимущества. Во-первых, он более гибок, так как создан отечественными разработчиками, которые могли в ходе внедрения устранить все обнаруженные нами ошибки. А во-вторых — стоимость. Рабочее место и в С.М.А.Р.Т., и в Cognos стоит одинаково. Полноценных мест для аналитиков нам надо всего три, а для менеджеров весь функционал не нужен, однако таких рабочих мест необходимо около сорока. Дать всем менеджерам возможность пользоваться полноценными рабочими местами оказывается слишком дорого. Но в С.М.А.Р.Т. можно создать рабочее место с ограниченной функциональностью «просмотрщика кубов», где можно работать с готовым массивом данных, не «подкачивая» новых. Это стоит на порядок дешевле.

В то же время в Cognos в отличие от С.М.А.Р.Т. есть система разграничения доступа пользователей, то есть пользователю можно дать права на тот или иной куб данных на определенный период времени. Есть и еще ряд полезных функций — например, возможность работы с данными в контексте картографической информации. Добавлю, что практически не было ни одной проблемы, с которой не справились бы специалисты поддержки из компании «Микротест — Программ Лайн». Мы формулировали проблему в терминах бизнес-лексики и получали быстрый ответ, как её можно решить в Cognos.

Но сказать, что мы полностью довольны системой С.М.А.Р.Т., тоже нельзя. Среди недостатков этого продукта — слабая документация, обновляемая с большой задержкой, и совершенно несуразная, на мой взгляд, система лицензионной защиты. Последняя создает массу неудобств для пользователей и по уровню «дружелюбия» соответствует самому началу 90-х годов.
В результате мы используем оба продукта, что компенсирует недостатки каждого из них. Мы продолжаем и дальше отслеживать интересные аналитические программные продукты, проводим переговоры. Вероятно, в скором времени купим для изучения еще одну аналитическую систему.

Какая информация в них используется, и какие задачи эти продукты позволяют решать?

Если говорить о первичных данных — это информация из учетной системы, чеки, данные системы подсчета посетителей, анкеты покупателей, биллинговые данные с АТС или от провайдеров, сведения о посещаемости сайта. Всё укладывается в определенную структуру — хранилище на базе Microsoft SQL Server. Часть этих данных проходит очищение. Учетная система компании работает на другой платформе, и в хранилище из нее выгружаются очищенные данные. А по каким-то источникам идет прямое вливание в хранилище, например, данные по счетчикам посетителей в магазинах.

Мы строим самые разные аналитические модели. Скажем, модели продаж получаем, проводя анализ по каналам сбыта, региону, магазину и даже кассе. Товарная ось анализируется в разрезе иерархических товарных групп, поставщиков, бренд-менеджеров и непосредственно товаров.

Можно увидеть статистику по работе менеджера, по группе клиентов или товаров. Анализ проводится как по стоимости, так и по количеству товара в штуках, по количеству чеков. Мы видим формы оплаты, которые используют клиенты. Руководство компании ежедневно знакомится с результатами работы модели продаж.

Модель логистики у нас проработана не так подробно, но тем не менее мы каждый день собираем сведения о товарных остатках по всем складам и, беря данные из модели продаж, можем считать оборачиваемость товарного запаса по различным складам и товарным группам. В этой же модели мы видим «вес» каждого нашего поставщика. Еще такая модель позволяет увидеть эффект работы менеджеров товарных категорий, а это уже прямой мостик к системе мотивации персонала.

Наиболее развиты у нас маркетинговые модели, наверное, потому, что наше подразделение всегда входило в департамент маркетинга. Здесь мы оперируем большим количеством данных, да и сами модели сложнее.

Очень интересна возможность увидеть покупки каждого клиента — речь о программах лояльности. Мы ушли от прямых скидок и используем бонусную систему. На карте покупателя накапливаются очки, которые можно обменивать на товары. Анализ работы бонусной системы показывает, сколько покупателей накапливает бонусы, как они их тратят и сколько раз в год, как та или иная акция повлияла на накопление бонусов. Получается и социальный разрез — по возрасту, полу, образованию и профессиии. Так мы изучаем разные модели поведения потребителей. То есть решаем задачи сегментации целевой аудитории.

Есть от такого анализа и ряд побочных эффектов. Во-первых, случайные ошибки в учетной системе. В OLAP-системах аналитик видит ошибки, а в учетной системе они могут быть незаметны. Поэтому в процессе построения наших моделей мы можем локализовать ошибки и известить об этом тех, кто отвечает за работу учетных систем. Во-вторых, ошибки от неправомерных действий персонала, например, кассиров. Таким образом возникает и эффект контроля за действиями персонала.

Среди наших маркетинговых моделей интересна модель «Покупатели/посетители». В этом кубе агрегируются данные из чеков и системы учета посетителей. Мы видим, как та или иная акция влияет на количество посетителей — например, когда промоутеры стоят у магазинов и «зазывают» прохожих, нам видно, как меняется количество вошедших. В результате мы можем отслеживать эффективность работы персонала, планировать количество продавцов в торговом зале. Мы анализируем и загрузку нашего сall-центра в зависимости от проводимых акций — и таким образом узнаем время пиковой загрузки, влияние рекламных кампаний на активность потребителей, а также географический разброс звонков.

Еще одна географическая задача — зонирование, выявление того, как далеко от магазина живут или работают покупатели. Мы решаем ее с помощью Cognos, который позволяет наносить эти данные на карту.

Хотел бы упомянуть и модели анализа работы наших партнерских программ с другими фирмами, например с банками. Клиенты наших партнеров, расплачиваясь кредитными картами своих банков, получают у нас скидку. Здесь появляется масса дополнительных возможностей для анализа. Сама кредитная карта — очень красноречивый инструмент. Если выдвинуть гипотезу, что по кредитным картам (в отличие от дебетовых) люди тратят больше, то с помощью наших аналитических инструментов мы можем проверить, так ли это на самом деле. Имеет значение и тип карты — платиновые, золотые или классические. Мы видим, как часто покупают владельцы этих карт, различаются ли размеры их средней покупки в наших магазинах. Есть у нас и полная информация об объеме продаж по картам каждого банка-партнера, причем если банки видят только свои транзакции, то мы видим все. Этот пласт информации даёт партнеру возможность проводить более целенаправленную работу с клиентами, а нам — формировать пакет привилегий для них.

То есть даже после тщательного анализа информации выработка стратегии дальнейших действий остается за экспертами. Не могли бы вы отметить основные направления деятельности этих людей?

Задача аналитиков — формулировать гипотезы. Маркетинговые исследования и статистические данные должны наталкивать их на проверку своих гипотез. Например, в 2005 году мы размещали имиджевую рекламу компании в ряде СМИ. Мы хотели узнать, насколько это эффективно. Есть ли отклик на рекламу, проверить напрямую не получится. Мы пошли другим путем — сравнили нашу целевую аудиторию со срезами целевой аудитории каждого СМИ. Когда данных не хватало, мы выпускали новую форму анкеты для покупателей по их предпочтениям в СМИ. В результате в бюджете на этот год набор СМИ, где мы размещаем рекламу, был пересмотрен. Цель аналитика — видеть главное, двигаясь от анализа к гипотезе, от гипотезы к какому-то дополнительному исследованию, к проверке первоначальных гипотез. Далее все это приводит к конкретным управляющим воздействиям.

Что, на ваш взгляд, нужно аналитику с точки зрения удобства работы? Как известно, есть базовые технологические вещи, в совокупности делающие аналитические решения более мощными и дружественными по отношению к пользователю. Это хранилища данных вместе с их с программной реализацией, средства доступа и визуализации, средства коллективной работы. Существуют организационные приемы работы. Что важно для вас?

Я считаю важным взаимодействие аналитиков с ИТ-департаментом. Как правило, у них разный менталитет и разные задачи. В нашей компании маркетинг и ИТ часто разговаривают на разных языках. Менеджмент не понимает лексикона ИТ. Поэтому вопрос тесного взаимодействия с ИТ-отделом, особенно в отношении хранилища данных, очень важен. Тем более, когда в работе появляется что-то новое, требующее изменения в запросах, и т. д.

Часто возникают ситуации, когда приходит потребитель нашей информации и говорит: «Я сам провел анализ и получил другие данные, отличные от ваших». И возникает вопрос корректности работы хранилища, когда аналитики все сваливают на ИТ-отдел, отказываясь отвечать за структуру данных. Мы стараемся, чтобы подобные разногласия решались более конструктивно.

Важно, чтобы линейные руководители поняли, что аналитические данные нашей системы им действительно нужны. Иногда бывает, что руководитель не в силах сформулировать нам свои потребности, и «заводит» в своём подразделении собственных аналитиков. Но это тупиковый путь, в любом случае им надо искать общие точки соприкосновения с нами. Мы гордимся тем, что в одном из наших департаментов все его двенадцать менеджеров используют «просмотрщик кубов» и самостоятельно работают с аналитической системой.

Что касается средств для коллективной работы, то мы изучаем возможность создания некого портала, который сейчас служит для наших внутренних нужд. Он позволит пользователям брать просчитанные кубы данных и оперировать ими централизованно. Это новое качество: раньше звонили аналитикам и требовали от них какие-то данные, а теперь всё будет структурировано и доступно соответствующим пользовательским группам. Пока мы тиражируем OLAP-кубы с разным уровнем агрегирования для разных типов пользователей. Например, региональному директору полная товарная ось не раскрывается, зато раскрывается структура продаж по региону, а товарному менеджеру, наоборот, доступна вся товарная ось, но не детализируются конечные точки продаж. Генеральный директор получает любые разрезы данных в агрегированном виде.

Руководители, как правило, используют аналитику двояко — либо классически, разрабатывая с ее помощью бюджетные показатели или стремясь создать, например, систему BSC, либо же аналитическая информация стимулирует «креатив» со стороны менеджмента, позволяя планировать и осуществлять какие-то оригинальные замыслы. Какой из этих путей ближе «Красному кубу»?

Если сказать кратко, то у нас компания креативная, а не «счетоводная». Многие наши аналитические исследования — штучные, акции — эксклюзивные. Именно в этом мы сильны, и на нашем рынке добиться успехов с помощью оригинальных идей легче, чем просто приведя в порядок информационную систему и разработав показатели эффективности. Наша сила — в креативности.