«Живые» данные: как контролировать продажи в реальном времени

В рознице важна скорость принятия решений, но отчеты о продажах часто формируются долго. Руководители сталкиваются с дилеммой: получать данные быстро, но без необходимых деталей, или подробную аналитику, но с опозданием.

Проблема не в отсутствии данных. Напротив, их слишком много. Но чтобы сформировать наглядный отчет, приходится проходить определенную процедуру: запрос в корпоративное хранилище (КХД), ожидание выгрузки, обработка, согласование форматов. Когда руководитель торговой точки наконец получает нужную цифру, момент, когда можно было вмешаться, упущен. Покупатели разошлись, сотрудники не заметили аномалий, а причины падения продаж остаются неясными.

Это не проблема конкретной компании — это системная сложность, знакомая многим. И причин у нее несколько: долгая генерация отчетов из централизованных систем, технические трудности, слабая связь между ИТ-инфраструктурой и повседневными бизнес-решениями.

Почему важна скорость доступа к данным

Постепенно компании начинают пересматривать свой подход к аналитике. На место интуитивных догадок приходит инструмент, который помогает увидеть падение продаж в момент его начала, а не когда уже поздно что-то менять. Это и есть работа с «живыми» данными. Можно провести аналогию: раньше мы «обрабатывали» данные вручную, как ножовкой и напильником, теперь — используем высокоточные станки с числовым программным управлением (ЧПУ). Скорость, точность и результат — несопоставимы.

Например, наша система управления базами данных (СУБД) Nexign Nord работает с большими объемами структурированных данных, поскольку она быстро развертывается и легко масштабируется. В связке с ETL-платформой Nexign Data Integrator, которая может обрабатывать до 15 млрд. транзакций в сутки, возможно быстро и бесшовно мигрировать данные, их копировать, удалять или переносить в архив.

Возьмем для примера выполнение плана продаж. На первый взгляд все работает по классической схеме: контроль показателей, мотивация команды, внутреннее администрирование. Но если продажи внезапно просели, важно понять причину немедленно. Это локальная техническая проблема? Сотрудник не вышел на смену? Или, как это действительно случилось в Якутии, за окном -45°, и клиенты физически не могут дойти до магазина? Все эти ситуации требуют разной реакции. А стандартные отчеты из корпоративного хранилища поступают с задержкой.

Альтернатива — автоматизированная система алертов, которая сразу сообщает о резких отклонениях в продажах. Это не дашборд, а именно инструмент «первого сигнала» — понятного, своевременного, направленного нужному человеку. Такой сигнал позволяет среагировать на проблему в моменте, пока еще есть возможность изменить ситуацию.

Первый сигнал: как быстро заметить проблему в продажах

Ключевое здесь — архитектура данных. Она должна обеспечивать минимальную задержку между тем, когда событие произошло, и тем, когда о нем стало известно. А чтобы такая система работала, нужна технологическая связка трех компонентов:

• Данные, которые поступают в режиме, близком к реальному времени.
• Инструмент, который собирает их из разных систем: кассовых, складских, HR и других.
• Аналитическое решение, которое проверяет эти данные на предмет аномалий. Только если отклонение действительно значимо, отправляет алерт тому, кто может повлиять на ситуацию.

Такой механизм мы помогли внедрить одному из крупнейших телеком-операторов страны. Для выполнения задачи использовалась связка трех наших решений: СУБД Nexign Nord, ETL-платформы для сбора и агрегации данных и отправки нотификаций Nexign Data Integrator, а также системы для анализа метрик и автоматического выявления аномалий Nexign Anomaly Detector (NAD).

Как это работает на практике

Основным элементом data-ландшафта выступает наша ETL-платформа для сбора и агрегации данных в связке с СУБД. Она подключается к различным источникам, таким как биллинговые системы, CRM, локальные кассовые решения точек продаж — и регулярно получает оперативные метрики. Кроме того, в ней хранится справочная информация (например, кто и за какие точки продаж отвечает).

После первичной обработки данные автоматически передаются в нашу систему для выявления аномалий, которая отвечает за аналитическую часть. Там запускаются алгоритмы поиска отклонений и аномалий. Она сопоставляет поступившие данные с историческими значениями. Система, например, может выявить, что в сравнении со средними значениями продажи в конкретной точке внезапно снизились в 10 раз, либо в определенные часы продажи полностью прекратились, или же фиксируется подозрительно высокая активность. Такие случаи трактуются как потенциальные инциденты.

Тогда информация возвращается обратно к платформе для сбора и агрегации данных. На основе этих сведений система моментально отправляет письмо руководителю торговой точки. В ней реализованы различные механизмы эскалации, когда оповещение идет на вышестоящего руководителя. То есть система не просто фиксирует инциденты — она управляет цепочкой ответственности за их устранение. Такая схема позволяет быстро реагировать на изменения и принимать решения на основе актуальной информации. Данные при этом анализируются каждый час.

Параллельно вся информация — как «сырые» метрики, так и результаты анализа и реакции на алерты — записывается в базу данных, которая используется в качестве централизованного хранилища.

Раньше статистика тоже была доступна: можно было выгрузить, например, месячный отчет и посмотреть срез по конкретным точкам продаж. Но современные системы делают это гораздо быстрее — от сбора данных до готовой выгрузки.

Кто-то смотрит на те же обещанные платежи или аномалии как на бизнес-сигналы: если пошла просадка — возможно, мы выпустили неинтересный продукт; если всплеск — все в порядке. Архитектура системы строится по принципу непрерывного цикла: данные собираются, анализируются, по ним принимаются решения, а все происходящее сохраняется для последующего использования. При этом бизнес в любой момент получает полную картину: видно, где есть рост, а где — негативная динамика.

Как данные повышают контроль и эффективность

Проактивный мониторинг позитивно влияет на устойчивость бизнес-процессов и снижает операционные риски. В первую очередь повышается оперативность: сигнал о нестандартной ситуации поступает в течение часа, а не спустя сутки, как это часто бывает с классическими отчетами. Также появляется реальный контроль в моменте — например, если точка перестает продавать товар (в случае с телеком-оператором — SIM-карты), региональный директор узнает об этом почти сразу и может оперативно вмешаться. Кроме того, обеспечивается прозрачность процессов: система автоматически собирает и агрегирует данные, исключая ручную работу (и, как следствие, человеческие ошибки).

Возьмем для примера уже упомянутый кейс с магазином телеком-оператора в Якутии. Продажи внезапно обнулились — система сразу отправляет сигнал. Руководитель связывается с сотрудниками, и выясняет: на улице –45 °C, и покупатели просто не могут дойти до магазина. Благодаря системе становится ясно, что причина объективна — не технический сбой и не ошибка персонала. А в других ситуациях, наоборот, алерты вовремя указывают на реальные проблемы, требующие немедленного вмешательства.

Помимо этого, система дает и важные косвенные преимущества. Во-первых, данные полезны службе безопасности — для выявления возможных попыток мошенничества. Для телеком-операторов актуальна, например, угроза фрода — чтобы ее минимизировать, нужно пресечь продажи SIM-карт по поддельным паспортам. Система позволяет отследить такие случаи и купировать угрозу. Во-вторых, автоматизация дает возможность выявлять не только резкие аномалии, но и тенденции на ранней стадии, когда снижение или рост нагрузки только начинаются.

Эту модель можно масштабировать на любой розничный бизнес. Везде, где нужны постоянный мониторинг и быстрые реакции на отклонения, предиктивная аналитика повышает эффективность управления и снижает риски. Система позволяет добавлять новые источники данных, менять метрики, настраивать разный уровень алертов. А, значит, способна адаптироваться к особенностям разных компаний и корпоративных процессов.

Ссылка на материал