Применение углубленного анализа данных в оптовой дистрибуции

На тему прогностического анализа и связанных с ним аналитических процессов написано множество материалов, и этот массив непрерывно растет, в том числе благодаря обсуждениям на многих различных форумах. Следует отметить, что эти материалы не ограничиваются сухими техническими обсуждениями. О прогностическом анализе (обновленный и расширенный термин для углубленного анализа данных) можно прочитать в технических и ИТ-журналах и на веб-сайтах, в отраслевых журналах по бизнес-операциям и дистрибуции, и даже в журналах новостей общего характера.

Хотя прогностический анализ пока еще нельзя считать мейнстримом в сфере оптовой дистрибуции, масштабы его применения непрерывно расширяются. Как и в случае многих других технологий, имеет место т.н. "поток освоения", который начинается с крупнейших предприятий, а затем вовлекает в себя компании среднего размера. Одновременно с ростом масштабов освоения происходит быстрое распространение инструментов - как коммерческих, так и с открытым исходным кодом. На этом этапе существует множество различных инструментов, что существенно затрудняет процесс выбора инструментария для дальнейшей работы, особенно, если этот выбор осуществляет недостаточно информированный человек.

Определение прогностического анализа

Для начала выясним, чем не является прогностический анализ.

• Это не создание отчетов. Представление обобщенной информации из транзакционной базы данных весьма полезно, однако это не есть прогностический анализ. Прогностический анализ использует статистические процессы для доставки бизнес-пользователям такой информации, которую невозможно собрать с помощью традиционных средств отчетности.
• Это не аналитическая обработка данных в реальном времени (OLAP), не кубы данных и не резидентные базы данных. Нереляционные технологии хранения данных упростили доставку информации бизнес-пользователям, однако это не то же самое, что прогностический анализ. Не умаляя достижений резидентных баз данных и OLAP-механизмов в области производительности, следует отметить, что одно только представление ретроспективной информации в этих форматах не улучшает понимание для лиц, принимающих бизнес-решения.
• Это не электронные таблицы. Это очевидно. Самое популярное приложение для работы с электронными таблицами действительно имеет некоторые статистические функции - помимо таких обычных операций, как вычисление максимума, минимума, суммы и среднего (следует, однако, отметить, что лишь небольшое количество пользователей знакомы с применением более мощных статистических функций). Это приложение способно выполнять регрессии нескольких типов, что весьма полезно для прогнозирования будущих тенденций. Несмотря на это, электронные таблицы имеют жесткие ограничения по объему данных, которыми они способны манипулировать, по скорости этого манипулирования и по своим возможностям для применения прогнозирования (т.е., формирование прогноза по новым данным и передача этого прогноза другим лицам).

Что же касается определения того, чем является прогностический анализ, то это определение способно меняться в зависимости от категории вашего собеседника. Я используют следующее видовое определение: прогностический анализ- это процесс анализа данных с помощью автоматических статистических процессов и обобщения результатов в виде полезной информации. Форма этой полезной информации также может меняться в широких пределах, однако для дистрибьютора она должна быть представлена в таком формате, который может быть использован лицами, принимающими бизнес-решения, или должна допускать автоматическое включение в приложения для планирования ресурсов предприятия (ERP) на основе бизнес-логики.

Прогностический анализ весьма полезен, поскольку в ERP-системе и в иных корпоративных базах данных имеется весьма большой объем инфоромации, вследствие чего один человек не способен воспринять и проанализировать всю эту информацию, а затем действовать на ее основе. Данные истории заказов, данные управления отношениями с клиентами (CRM), данные о покупках, инвентаризационные данные и т.д. поступают и накапливаются в ERP-решениях с такой скоростью, с которой способны справиться только серверные ИТ-системы. Предприятие имеет отчеты, в которых обобщается эта информация, и располагает руководителями по направлениям деятельности, которые непрерывно обращаются к этим отчетам. Однако эта ретроспективная информация как таковая не предоставляет ни прогнозирующих, ни предписывающих рекомендаций. Именно здесь необходимо применить прогностический анализ.

Концепции, методы и инструменты, используемые крупными дистрибьюторами, могут с успехом применяться к операциям и данным в дистрибьюторских компаниях среднего размера. Рассмотрим, где можно применить данные ERP-приложения с помощью прогностического анализа. Затем мы рассмотрим инструменты для выполнения прогностического анализа и анализа больших данных, а так же использование этих инструментов и концепций больших данных для обработки неструктурированных или полуструктурированных данных.

Примеры прогностического анализа в дистрибьюции

Быстрый поиск в Интернете по релевантным терминам предоставляет множество примеров применения прогностического анализа в различных функциональных подразделениях. Рассмотрим несколько моих любимых примеров.

Закупки

Одно из приложений прогностического анализа уже длительное время используются для оптимизации закупок. Дистрибьюторские компании среднего размера часто имеют системы, которые наблюдают за их складскими запасами и за историей заказов отдельных товаров с целью формирования рекомендаций по объемам и графикам закупок. Результирующий эффект состоит в снижении уровня складских запасов.

Сезонность часто является скрытой причиной завышенного уровня запасов. Прогностический анализ выявляет тенденции сезонности. Еще более впечатляющий результат достигается в случае, когда дистрибьюторы используют прогностический анализ для выявления последовательной сезонности. Например, дистрибьютор праздничных украшений может с помощью прогностического анализа установить, что продажи рождественских елок и световых гирлянд демонстрирует аналогичные сезонные тенденции, но с относительным сдвигом пиков и прогрессий на пять дней.

Финансы

Кредитование клиентов - это весьма сложная область бизнес-деятельности. При создании кредитной истории компания может применить прогностический анализ к CRM-файлам и к файлам дебиторской задолженности (AR-файлам) с целью мониторинга отдельных клиентов и групп клиентов. Как правило, если компания не знает своего нового клиента, то продление кредита этому клиенту осуществляется на основе отчета о нем от внешнего агентства. Очень редко этот отчет просматривается до того момента, когда у клиента возникают проблемы с оплатой текущих взносов или с возвратом всего кредита. Модели прогностического анализа способны исследовать плохие истории клиентов и отыскивать предупреждающие признаки. Так, некоторые дистрибьюторы объединили AR-файлы и CRM-файлам в рамках прогнозирующей модели и на этой основе пришли к выводу, что увеличивающаяся задержка при обратном телефонным звонке клиента является серьезным предупреждающие признаком.

Маркетинг

Разбиение клиентов на группы - это естественный прием, применяемый большинством организаций в интересах планирования и целеполагания. Эвристическая сегментация проста в освоении, однако применение методов прогностического анализа позволяет создать систему сегментации клиентов с более тонкой настройкой. Эту модель сегментации можно будет применить для анализа потенциальных и новых клиентов. В частности, ее можно будет использовать для выявления шаблонов заказов у новых клиентов с целью их ускоренного сопоставления с имеющимися хорошими клиентами в этом же сегменте.

Еще один полезный вариант использование модели сегментации клиентов в дистрибьюции - управление жизненным циклом клиента. Знание поведения клиента на различных этапах клиентского жизненного цикла помогает компании проектировать программы и стимулирующие инициативы для поддержания надлежащих отношений со своими клиентами.

Продажи

Некоторые концепции использования прогностического анализа в маркетинге также оказывают непосредственное влияние на отдел продаж. Знание жизненного цикла клиента помогает специалистам по продажам выявлять области, в которых бизнес дистрибьютора постепенно ухудшается.

Подразделения продаж имеют множество других вариантов потенциального применения прогностического анализа. Моей любимой является модель перекрестных продаж - автоматическая или полуавтоматическая система, которая представляет товары, которые клиент пока не купил, но сделает это с высокой степенью вероятности. Добавление позиций к заказу - это один из самых лучших способов, посредством которых дистрибьютор способен быстро увеличить норму своей прибыли. Истинный прогностический анализ - это нечто большее, чем отображение ведущих товаров в отделе для перекрестных продаж. Во многих случаях клиент и без этого приобретет данные товары. Лучшие модели перекрестных продаж действуют фактически в качестве персональных продавцов-консультантов - они рекомендуют товары, которые имеют положительные, но неочевидные ассоциации.

Модель перекрестных продаж также полезна для повышения прибыльности клиентов. Она помогает продавцу поэлементно увеличивать стоимость конкретного заказа клиента. Этот метод является тонким и эффективным.

Инструменты и программные решения IBM

Как указывалось выше, существует множество инструментов, способных выполнять некоторых или все необходимые функции. Имеются сотни продуктов - старые и новые, коммерческие и с открытым исходным кодом. Что касается инструментов IBM, то они обеспечивают четкую последовательность перехода от среды тестирования к производственной среде и от начального бизнес-анализа к анализу больших данных.

IBM® SPSS® Statistics - это базовой пакет, необходимый заказчику для начала работы в области прогностического анализа. Для обучения процессам анализа данных доступна масса различных курсов (возможно, вы даже вспомните свой университетский курс по статистике). По мере своего развития в этой области заказчик добавляет к пакету SPSS Statistics другие модули. Цель использования пакета SPSS Statistics состоит в получении базовых знаний по статистике и базовых возможностей для применения этих знаний к своим данным. Несмотря на то, что это лишь начальный шаг, я гарантирую, что заказчик этого продукта получит огромную пользу - как результат понимания шаблонов и выявления тенденций.

После демонстрации полезности статистического анализа для обретения понимания заказчик получит абсолютное увеличение окупаемости инвестиций, в результате чего ему проще будет убедить руководство своей компании в необходимости перехода на следующий уровень. Этим следующим уровнем является продукт IBM SPSS Modeler. Данный инструмент позволяет применять прогностический анализ к реальным данным в "производственной" среде.

Имеются две редакции продукта SPSS Modeler, которые применяются к структурированным данным: Professional и Server. Как правило, компании среднего размера начинают с редакции Professional, а затем переходят на редакцию Server - по мере интеграции прогнозирующих моделей в задачи автоматической обработки.

Кроме того, на этом пути заказчик увидит преимущества, обеспечиваемые хранилищем данных. Ничто другое не способно так замедлить процесс прогностического анализа (или породить настолько ошибочные модели), как это могут сделать "плохие" данные. Использование источника очищенных данных (т.е., хранилища данных или витрины данных) существенно упрощает проект анализа данных. IBM предоставляет семейство пакетов для хранилищ данных в рамках линейки продуктов IBM InfoSphere®. Существует несколько пакетов для хранилищ данных, предназначенных для использования в компаниях различной направленности: InfoSphere Warehouse Pack for Customer Insight, InfoSphere Warehouse Pack for Market and Campaign Insight, InfoSphere Warehouse Pack for Supply Chain Insight.

Вышеперечисленные продукты IBM для прогностического анализа активно применяются компаниями из перечня Fortune 500. Теперь рассмотрим перспективы на будущее.

Большие данные

Термин Большие данные (Big Data) относится к анализу неструктурированных и полуструктурированных данных. В общем смысле этим термином часто обозначается анализ различных текстов (в том числе текстов на Twitter, Facebook и других сайтах социального общения) с целью сбора информации. Этот вид данных не вписывается в традиционный шаблон транзакционных данных; соответственно, для работы с ним применяются иные методы.

У компаний-дистрибьюторов неструктурированные данные также могут принимать иные формы. Характерным примером являются радиочастотные идентификационные метки на товарах и записи о перемещении этих товаров по складу, за пределами склада и на пути к клиенту. В случае если компания обладает собственным парком транспортных средств, то размещенные на грузовиках датчики способны служить еще одним источником ценной информации для оптимизации процессов доставки.

Анализ этой массы неструктурированных данных - это и есть сфера действия т.н. "больших данных".

IBM предлагает прямой путь к реализации возможностей для работы с большими данными. С этой целью в рамках семейства InfoSphere предлагается линейка продуктов BigInsights. Эта линейка основана на нескольких продуктах с открытым исходным кодом, включая Apache Hadoop для хранения данных, и на нескольких языках для администрирования и подачи запросов, предназначенных для работы с огромными объемами неструктурированных данных.

Заказчик может начать с загрузки и установки бесплатной редакции IBM InfoSphere BigInsights Basic Edition. После увеличения объемов имеющихся у него данных и расширения набора желаемых типов анализа заказчик может выбирать из нескольких вариантов дальнейших действий.

Следующим шагом заказчика на пути повышения возможностей программного обеспечения является редакция IBM InfoSphere BigInsights Enterprise Edition. Эта редакция позволяет заказчику использовать всю мощь включенных в нее инструментов для получения необходимого понимания и осмысления данных. Заказчику остается определить, каким образом он желает осуществить развертывание.

Обеспечивающие технологии продукта BigInsights спроектированы для работы на массовых аппаратных средствах (с определенными исключениями для некоторых узлов управления). Поскольку не все заказчики располагают достаточным количеством свободных аппаратных ресурсов, IBM предлагает и другую возможность - хостинг решения BigInsights в облаке IBM. При этом заказчик сможет сконфигурировать, сколько узлов хранения и обработки ему необходимо, а затем платить только за реально потребленное им процессорное время.

Заключение

Прогностический анализ способен принести пользу любой дистрибьюторской компании. Просмотр историй успеха демонстрирует наличие преимущества практически для каждого подразделения такой компании. Множество раз приложение прогностического анализа порождало тысячи или миллионы небольших последовательных усовершенствований. Отдельно взятое усовершенствование может оказаться почти незаметным, однако будучи умноженным на тысячи клиентов или на миллионы транзакций оно способно принести компании огромный выигрыш.

Маловероятно, что в будущем в компаниях будет меньше данных или что объем необходимого анализа уменьшится. Сегодня получение навыков и знаний в области соответствующих инструментов - это наилучший способ сохранить релевантность в своей организации. Освоение прогностического анализа обеспечит вам ведущие позиции в своей организации и одновременно с этим позволит опираться на опыт людей за ее пределами.

Ссылки по теме

• Подробнее о решениях IBM для управления большими данными (IBM Big Data)
• Статьи по теме Big Data
• Новости по теме Big Data
• Услуги по внедрению решений для обработки больших объемов данных
• Обратиться в Интернет-магазин ITshop.ru за дополнительной информацией/по вопросу приобретения продуктов
• Консультация по выбору решений и технологий для обработки больших объемов данных