Як ефективно будувати бізнес-аналітику: поради та кейси від Київстар

1. Незручне та незрозуміле подання даних у звітах.

Сучасний ринок пропонує багато інноваційних BI-інструментів, які в кілька кроків формують будь-яку аналітику. Але використовувати їх без досвіду — малоефективно.

Уявімо, як на практиці менеджер ставить аналітику задачу сформувати звіт для розуміння актуального стану бізнесу. У менеджера є низка запитань, відповіді на які він хоче побачити у звіті: чому у компанії саме такі результати, як їх покращити, чи варто інвестувати в той або інший проєкт.

Враховуючи запити менеджера, аналітик збирає необхідні бізнес-показники та отримує звіт з дуже складною структурою. Під час презентації менеджер починає шукати насамперед знайомі йому дані. І перше, на що звертає увагу, — скільки грошей заробила чи витратила компанія. А не очікувані відповіді на свої запитання. Тоді менеджер йде перевіреним шляхом — просить аналітика пояснити звіт.

Як результат — аналітик витрачає свій час, а менеджер і надалі не може самостійно отримувати зі звіту потрібну інформацію, бо не розуміє дані.

2. Відсутність оперативного оновлення даних.

Працюючи над звітністю, аналітик вивантажує останні оновлення систем і починає готувати дані до фінальної презентації. Від вивантаження до презентації може пройти чимало часу. І є ризик, що дані про бізнес-процеси втратять актуальність. Наприклад, за цей період у системі можуть з’явитися нові транзакції.

3. Неузгодженість даних між системами.

Припустимо, у компанії є система обліку складських запасів і система управління клієнтськими замовленнями. Щоб зрозуміти, чи є на складі товари, які потрібні клієнтам, необхідно поєднати інформацію з двох систем. Але не завжди є технічна можливість це зробити.

Тоді аналітики змушені звертатися до колег з IT-служби, які за допомогою своїх інструментів поєднують дані з двох систем в одну модель. Зазвичай це займає багато часу, тому на момент поєднання інформації дані можуть бути уже застарілими.

4. Вплив людського фактора.

Люди не застраховані від помилок через високе навантаження та роботу з великими обсягами інформації. Наприклад, таке нерідко трапляється у підрозділах обліку та розрахунків: бухгалтер готує звіт по доходах і витратах, аналізує багато інформації й може задублювати якусь транзакцію. А виправлення помилок постфактум погіршує аналітику.

5. Низька якість даних.

Коли ми дивимось на дашборди та BI-таблиці, очікуємо побачити реальну картину бізнесу. Але якщо не було останнього оновлення даних, то показники у звіті неправдиві. Наприклад, складська система показує залишки товару, а насправді він уже проданий.

Усі ці п’ять проблем приводять до одного результату — нераціональне використання робочого часу аналітиків. На рутинні задачі спеціалісти витрачають 80% часу, а на аналіз і пошук інсайтів — 20%. Хоча має бути навпаки.

Уникнути вищезгаданих труднощів і негативних наслідків для бізнесу можна з дата-платформою від Київстар. Цей інструмент дозволяє формувати цілісну картину бізнесу на основі аналізу актуальних даних із різних джерел.

Дата-платформа консолідує різні типи даних:

• Внутрішні: інформація з Excel, ERP, Terrasoft CRM, Google Big Query, Google Ads, Facebook Ads тощо. Це можуть бути ручні файли, які компанії використовують для фіксації результатів бізнес-процесів, або неструктурована інформація — документи Word, звукові файли, відео.
• Зовнішні: публічні дані про конкурентів, клієнтів чи динаміку ринку.

Дані зберігаються необмежений період і захищаються від кібератак. Тому аналітики завжди матимуть під рукою історичні дані про бізнес-процеси.

Ви можете довіряти даним дата-платформи, бо вона:

• має автоматизовану систему контролю якості даних — якщо помітить якусь помилку чи відхилення, проінформує вас;
• дозволяє відмовитися від ручної роботи, що мінімізує людський фактор і захищає від механічних помилок.

Ви можете використовувати дату-платформу як єдине джерело перевіреної інформації в компанії, бо саме вона консолідує останні версії даних.

Крім того, дата-платформа дозволяє автоматизовано формувати звіти в Power BI та створювати комплексні візуалізації. Це заощаджує час аналітиків і робить звіти більш зрозумілими.

Читайте також: «Що таке Power BI: можливості для бізнес-аналітики».

Дата-платформа працює у хмарі Microsoft Azure від Київстар. Тому бізнес може безпечно зберігати дані, але не витрачатися на власну інфраструктуру. Сплачуючи тільки за фактичне користування хмарним сховищем, ви маєте можливість у разі потреби масштабувати ресурси. Наприклад, щоб збільшувати кількість звітів чи обсяги аналізованої інформації.

Кейс №1: Аналітика даних для медіахолдингу

До Київстар звернувся медіахолдинг із запитом автоматизувати бізнес-процеси та провести аудит аналітичних систем.

Необхідно було зібрати докупи та автоматизувати всі звіти, які готувалися вручну на різних платформах. На першому етапі роботи спеціалісти виявили звітність, у підготовці якої було найбільше ручних процесів. Нею виявилася звітність діджитал підрозділу для менеджерів вищої ланки.

Що зробили аналітики:

• створили на базі дата-платформи аналітичний портал для керівників з наочною інформацією по всім проєктам;
• організували оперативний доступ до управлінської звітності онлайн;
• налаштували доступ до звітності для всіх керівників холдингу.

Який результат отримали:

• доступ до ключової звітності в реальному часі з будь-якого пристрою;
• зручна та наочна аналітика в інноваційній BI-системі;
• управління доходами на основі актуальних і перевірених даних.

Керівники можуть зайти на аналітичний портал з різних пристроїв. Тут є можливість подивитися безліч даних:

• які проєкти приносять найвищі доходи;
• які регіони дають найбільше переглядів;
• які канали популярні;
• чи зростає бізнес у доходах і у яких регіонах;
• чи варто продовжувати сезони конкретних проєктів.

Це рішення розвантажило команду аналітиків медіахолингу, яку долучили до досліджень нових проєктів. Воно дозволило приймати більш виважені управлінські рішення, бо менеджери отримали живий дашборд з останніми оновленнями даних, які демонструють актуальну на сьогодні ситуацію.

Кейс № 2: Рекомендаційна модель для ритейлера

Мережа магазинів техніки прагнула збільшити суму середнього чека та запустити систему cross-sale — перехресних продажів. Для цього аналітики вирішили розробити спеціальну модель, яка б прогнозувала схильність клієнтів до покупки певних продуктів.

На початку вони оцінили стан аналітичних процесів ритейлера та проаналізували дані продажів з глибиною за три роки. Далі запропонували модель з машинного навчання, яка допомагатиме касиру пропонувати клієнту той товар, який з високою ймовірністю його зацікавить.

Що зробили аналітики:

• «натренували» модель з машинного навчання, щоб вона персоналізовано пропонувала певні продукти певним категоріям клієнтів;
• за допомогою хмарних сервісів запустили модель і налаштували передачу результатів по API та CRM в BI.

Як це виглядає на практиці:

Клієнт обирає в магазині товар і приходить для оплати на касу. Коли працівник магазину фіксує транзакцію, він у CRM-системі отримує підказку, який товар можна додатково запропонувати покупцеві. Наприклад, клієнт купив телевізор, а система підказує запропонувати йому очисні серветки для екрана. Підказка спирається на аналіз продажів за три роки — модель виявляє, які саме товари найкраще продаються разом.

Як результат — ритейл-мережа отримала систему, яка дозволяє пропонувати клієнтам найбільш релевантні для них товари.

Ще більше корисної інформації про важливість аналітики для компаній читайте у нашій статті «Бізнес-аналітика — мастхев для розвитку сучасної компанії».