У розничных компаний зачастую десятки дашбордов, подробные BI-отчеты и аналитики, готовящие презентации с динамикой продаж, клиентских сегментов и оборачиваемости. Руководители изучают красивые графики, но все равно задаются вопросом, что делать завтра. Парадокс в том, что у большинства крупных компаний данные уже есть — но они по-прежнему не влияют на решения напрямую.
Причина в том, что отчет показывает прошлое, но не отвечает на главный вопрос бизнеса: «Как действовать дальше?». О том, почему ретейл переходит от аналитики к data-продуктам и как выстраивается стратегия вокруг данных, расскажет директор по продвинутой аналитике Lenta.tech Артем Котов.
От таблиц к инструментам принятия решений
Еще 15–20 лет назад инструментарий работы с массивами информации умещался в Excel. С помощью него вручную собирали микроотчеты и сводили разрозненные цифры в единое пространство. Затем объем сведений вырос настолько, что стандартные таблицы перестали с ним справляться: потребовалась отдельная инфраструктура хранения, автоматические протоколы загрузки и системы визуализации. Так появились BI-платформы, позволившие наглядно видеть динамику и фиксировать, где именно случился провал или рост.
Следующий шаг эволюции — узкоспециализированные решения, которые помогают конкретным функциям компании действовать в своей зоне ответственности. В ретейле это работа с ценообразованием, категорийная и клиентская аналитика, управление ассортиментной матрицей. Каждый такой инструмент оперирует собственным набором метрик — как внутренних, так и внешних — и уже помогает принимать точечные решения. Например, какой товар ввести в матрицу, как скорректировать цену с учетом конкурентного окружения, на какого покупателя направить промоакцию.
При этом стоит понимать, что новые форматы не отменяют предыдущие. Отчеты остаются важным рабочим инструментом для ряда подразделений — меняется то, как компания движется по воронке от ручной сборки в электронных таблицах через автоматизированную визуализацию к прикладным системам, встроенным в конкретные процессы.
Почему отчетов больше недостаточно
Отчет отвечает на вопрос «что произошло?». Дашборд объясняет, «как это выглядит в динамике», но бизнесу важно понять, что делать. Для этого нужно разобраться в причинах, сопоставить десятки факторов, сформулировать гипотезу и проверить ее. На все это уходят дни, а иногда и недели. За это время рыночная ситуация успевает измениться. Пока компания тратит время на анализ, конкуренты уже меняют цены, ассортимент и промо в реальном времени.
Между пониманием и решением лежит пропасть, которую BI-системы в одиночку не преодолевают. Сегодня они уже являются базовой гигиеной, а не конкурентным преимуществом. Именно поэтому компании идут дальше — к инструментам, где аналитика встроена непосредственно в рабочий процесс и где на выходе появляется не график, а конкретная рекомендация или автоматическое действие.
Data-продукты: от теории к прикладному управлению
Термин «data-продукт» может звучать абстрактно, но на практике за ним стоят вполне осязаемые вещи. Это инструменты, которые прогнозируют, рекомендуют и автоматизируют. Система динамического ценообразования анализирует цены конкурентов, остатки на складах, сезонность и формирует оптимальный тариф без ручного перебора.
Платформа управления ассортиментом определяет, какие позиции (SKU) стоит ввести в матрицу конкретного магазина, а какие — вывести. Рекомендательный сервис подбирает персональные предложения для каждого из миллионов покупателей.
Эта трансформация обычно проходит несколько этапов. Сначала компания накапливает сырые цифры — это уровень хранения. Затем из них рождаются модели, способные выявлять закономерности. На следующем этапе модели интегрируются в бизнес-процессы и начинают выдавать готовые рекомендации. А финальная точка — полная автоматизация, когда система сама принимает часть решений без участия человека.
Мы в Lenta.tech видим, что такой подход работает в нескольких направлениях одновременно. Более 40 млн клиентов в программе лояльности формируют колоссальный массив данных о потребительском поведении. Эта информация ложится в основу продуктов, которые помогают категорийным менеджерам, маркетологам и коммерческому блоку ежедневно принимать операционные решения.
Как принимается решение о запуске data-направлений
Распространенное заблуждение — считать, что задачи для аналитических команд спускаются «сверху», из ИТ-департамента. В реальности бизнес формулирует потребность, но не всегда понимает технические возможности работы с информацией, а инженеры и аналитики видят потенциал, но им нужен контекст реальных процессов.
Связующим звеном становится продуктовый подход — когда обе стороны садятся за один стол и совместно проектируют будущий инструмент.
Прежде чем запускать разработку, компания отвечает на несколько ключевых вопросов:
- зачем нужен этот продукт и какую задачу он закрывает;
- кто станет его пользователем и насколько часто будет к нему обращаться;
- какой коммерческий или операционный эффект он принесет.
Последний пункт — не формальность. Критически важно регулярно проводить аудит: сколько из выданных доступов к тому или иному дашборду реально используется, как часто в инструмент заходят, соответствует ли фактическая частота обращений заявленной на старте. Если продукт создавался для галочки, это быстро становится видно по метрикам вовлеченности.
Data-продукты как инвестиция
Любой аналитический инструмент — это вложение. Внутри компании существуют инвестиционные комитеты и финансовые службы, которые задают четкие параметры: сроки окупаемости, соотношение затрат и ожидаемого эффекта, горизонт возврата. Типичный период оценки — 3–5 лет, но на практике бизнес оценивает не только окупаемость, но и альтернативную стоимость — сколько компания теряет, если такие решения не внедрять.
Показательный пример — кейс с инструментом клиентской аналитики. Компания долгое время пользовалась западным коробочным продуктом. С ростом лицензионных платежей и рисками, связанными с импортозамещением, было принято создать собственную платформу, которая будет отвечать тем же требованиям.
Проект потребовал серьезных первоначальных инвестиций, а разработка заняла около года. Но на горизонте нескольких лет внутреннее решение оказалось выгоднее — лицензионные отчисления отсутствовали, а также были полный контроль над развитием и возможность затачивать функциональность под конкретные потребности бизнеса.
Базовые условия: без чего трансформация не работает
Можно обсуждать ошибки перехода к data-driven-модели, но правильнее говорить об условиях, без которых любой инструмент буксует. Таких условий три:
- Гигиена данных. Прежде чем строить сложные продукты, важно понимать, где хранится информация, в каком она состоянии и из каких источников поступает.
- Единая архитектура. Каждый новый компонент должен вписываться в общую техническую структуру, а не существовать изолированно. Хаотичное наращивание отдельных сервисов порождает «цифровые островки», которые не умеют взаимодействовать друг с другом.
- Процессы управления. Все участники — от архитектора до рядового аналитика — должны работать по единым правилам: общий регламент, понятная спецификация, согласованный чек-лист качества.
Если хотя бы один из этих пунктов проседает, последствия затрагивают сроки и стоимость. Компания подписывает договор с внешним подрядчиком, рисует красивую дорожную карту, планирует релиз — а на этапе выгрузки выясняется, что часть сведений не передается, в составе полей есть расхождения, метрики не сходятся.
Месяц, потраченный на выравнивание, — это месяц, за который инструмент мог бы уже приносить деньги либо оптимизировать операционные расходы.
Данные как продукт: работа с поставщиками
Параллельно с управленческим контуром развивается другой вектор — коммерциализация. Раз есть массив, на который существует спрос, под него можно сформировать предложение. Взаимодействие ретейла с поставщиками здесь меняется особенно заметно — год от года все активнее.
Если раньше партнеры довольствовались общей сводкой по продажам, теперь они хотят уходить вглубь, разбирать метрики по своим товарным позициям: как именно покупают, в каком сочетании, как реагируют разные сегменты аудитории. Простая выгрузка в Excel уже не справляется с такими объемами, ведь файлы получаются слишком тяжелыми, неудобными для анализа. Поэтому для поставщиков создаются отдельные платформы с понятным интерфейсом и возможностью самостоятельно формировать нужные отчеты.
К примеру, с рядом партнеров реализуются совместные проекты, выходящие за рамки стандартного обмена цифрами. Сюда относятся истории на базе компьютерного зрения (Computer Vision) и видеоаналитики — как товар расположен на полке, когда и как часто ее пополняют, как покупатель принимает решение у витрины. Эти сведения ценны и для самой сети, и для производителей.
Объем информации, который они получают благодаря новым технологиям, помогает им точнее подбирать ассортимент, экспериментировать со вкусами и форматами продукции.
Что дальше: агенты, цифровые двойники, роботизация
Следующая волна развития фокусируется на трех направлениях. Первое — искусственные агенты на базе ИИ. Кто-то строит внутренних помощников для сотрудников, кто-то делает внешние продукты для конечных покупателей.
В Lenta.tech уже внедрили чат-бота, который помогает клиенту собрать корзину под конкретный повод: вечеринка в мексиканском стиле, детский день рождения или новогодний стол. Умный помощник уточняет число гостей, предпочтения, адрес доставки, предлагает меню вплоть до рецептов — и одним кликом превращает его в подборку товаров из каталога.
Второе направление — цифровые двойники. В логистике они позволяют проектировать процессы, подсказывают, как расставить паллеты, как выстроить цепочку поставок, где в складской логистике появится узкое место. В маркетинге же набирает обороты другой формат — синтетические пользователи.
Вместо того чтобы собирать контрольную группу и проводить опросы вручную, компания создает цифровые клоны покупателей на основе их профиля, кластеризует по нужным признакам — вегетарианцы, семьи с детьми, одинокие горожане — и прогоняет гипотезы через эту виртуальную аудиторию. Подобный подход уже используется и у нас: на синтетических клонах удобно проверять идеи и инициативы, не вытаскивая каждый раз реальных людей в опросные панели.
Роботизация тоже набирает обороты в ретейле. Распределительные центры пополняются автоматизированным оборудованием: роботы-сборщики собирают заказы на складах, роботы-уборщики обслуживают помещения, роботы-помощники сопровождают сотрудников в типовых операциях.
При этом в приоритете чаще всего не эффектность технологий, а их эффективность. Роботизированные решения внедряются там, где они действительно сокращают трудозатраты, ускоряют процессы и дают измеримый бизнес-результат. Умные стеллажи в торговых залах, системы отслеживания перемещений на складе — все это звенья одной цепи, где физическая инфраструктура и аналитические модели работают вместе.
Таким образом, компании в ретейле постепенно переходят от анализа прошлого к проектированию будущего — через те самые цифры, которые раньше просто складывались в отчеты. Excel уступил место BI, BI — прикладным инструментам принятия решений, а те понемногу превращаются в частично автономные системы с элементами ИИ.