最初の就業日は、会社での意思決定が検証済みの事実ではなく「直感的な」感情に基づいていることを確認することができました。 さまざまな角度から迅速に情報を提供することはできませんでした。 短期的な決定は、感情的な感覚と直感に影響されました。
次の2つの質問に対する答えを見つける必要がありました。
顧客について。 顧客が収益を左右する理由、特定の製品/ブランドの購入、顧客を引き付ける方法をどのように決定するのか？
商品について。 製品ラインを最適化する方法、特定のバイヤーに提供する製品、消費者は特定の製品/ブランドにどのように反応するか？
この状況で行われたことは次のとおりです。
1.目的の定義
仕事に行った時点では、意思決定のための入力データとして、1Cの標準レポートと従業員の専門家の意見しかありませんでした。 したがって、主要な情報を収集、処理、視覚化するメカニズムが必要でした。
2.ツールの選択
データを処理するためのツールとして、最初は1CとExcelを検討しました。 しかし、私はこの考えを放棄しなければなりませんでした。 1Cからのレポートを消化可能な形式にするには、Excelで多くのジェスチャーを行う必要がありました。
テーブルをマージし、データを段階的に処理するためのツールが必要でした。 1Cでレポートを設定すること自体は簡単な作業ではありませんでした。使用されたバージョンは1C 8.1“ Sales Management”で大幅に再設計されたためです。 1C分析レポートのプロトタイプを準備するには、時間がかかりすぎます。
ビジネス分析のツールとして、Deductorを選択しました。
Habréにはこの製品に関する出版物がないため、公式サイトの説明をネタバレの下に隠しました。
「Deductorプラットフォームは、応用分析ソリューションを作成するための基盤です。 実装されているテクノロジーにより、データウェアハウスの作成からモデルの自動選択、1つのシステムを使用した結果の視覚化まで、分析システムを構築するすべての段階を実行できます。 Deductorは、データウェアハウス、ETL、OLAP、データベースの知識発見、データマイニングなどのテクノロジーをサポートする完全な分析プラットフォームです。
このプログラムを使用すると、データを柔軟に操作できます。 私はすでにこのプログラムで成功を収めており、製品に最も好印象を与えました。
分析の品質に関しては、コンストラクターが必要でした。 迅速に開発できる可能性のある最小限の実行可能な製品を入手する必要がありました。 分析自体は価値がありませんでした。
モデルの品質を評価するとき、私にとっての出発点は利用可能なデータでした。それを現実に「調整」しました。 適切なモデルをセットアップするために、適切な数の反復が必要であると想定しました。
3.データの準備
販売データの分析で最も時間のかかるステップは、その準備と統合です。 分析用の構造化データ（過去4年間の販売データ）と、クライアントの業界所属、ポートレートのデータなどのカテゴリ別データがありました。 また、カテゴリ別の顧客データを追加情報で充実させる必要がありました。
データのクリアは特定の問題でした。重複したレコードを取り除く必要があるためです（たとえば、同じクライアントが別の法人に表示される可能性があります）。
カテゴリデータを分析するために、「顧客評価」が作成されました。 お客様の機能は次のようにランク付けされました。
- 顧客のタイプ;
- 表示エリア。
- 開通性;
- 品揃えの幅;
- 製品グループの完全性;
- ブランドの数。
この段階で、従業員は不足している情報を収集する必要がありました。
4.データ分析
以下を使用して顧客の販売データを処理しました。
- abc分析;
- xyz分析;
- rfm分析。
私はabc分析から始めて、販売の全歴史と数か月の両方でそれを使いました。 それによって、私は会社の顧客をそれぞれの収入に応じて3つのカテゴリーに分けました。
- a-収益の約80％をもたらす顧客。
- b-収益の約15％をもたらす顧客。
- c-収益の約5％をもたらす顧客。
また、4年以上で顧客数が増加し、それに応じて顧客の割合が減少しているため、abcカテゴリのダイナミクスを考慮することをお勧めしました。 ABC分析は非常に粗雑なツールです。 しかし、彼は私がメンテナンス費用を返済しなかった平均的な毎月の購入で顧客を選抜することを許可しました。 強い意志の決定により、そのような顧客のための弾幕価格レベルを確立することが決定されました。 大規模な顧客の場合、この分析では明確になりませんでした。 毎月のabc分析を実施し、前年の値を平均した後、平均的な毎月の購入グループに顧客を巧みに配分することが決定されました。
XYZ分析は、各顧客の調達の安定性に応じて、会社の顧客を3つのカテゴリに分類します。
カテゴリxyzの説明：
- x-安定した顧客、購入頻度のわずかな変動、0〜10％のエラー。
- y —調達の傾向、わずかな変動、10〜25％の誤差が知られています。
- z-購入は不規則で、傾向はなく、エラーは25％を超えています。
XYZ分析では結論を出すことができませんでした。 このタイプの分析は、品揃え分析に使用される可能性が高くなります。
最も興味深いのはrfm分析でした。
RFM-3つの方法での顧客セグメンテーション：
- 期限-販売の処方（クライアントの最後の購入から経過した時間が短いほど、新しいものが発生する可能性が高くなります）;
- 頻度-購入の頻度、クライアントがより多くの購入を行うほど、将来的にそれを繰り返す可能性が高くなります。
- 金額-履歴の売上額は、より多くのお金が使われたほど、彼が別のサプライヤーに切り替えない可能性が高くなります。
rfm分析では、クライアントベースのバックボーンのデータを使用しました（3か月以上の有効期間があります。そうでない場合、新規またはカジュアルな顧客のカテゴリーに分類され、購入頻度が6を超え、購入量が範囲の上限を超えます）。
各属性の顧客のサンプル全体が5つの均一な間隔に分割されました。最適な属性値はそれぞれ5で、最悪の値でした。
その後の分析のために、データウェアハウスを編成しました（rfm-analysisは累積結果の図を形成し、現在の瞬間の結果と過去の期間の結果を比較するのが理にかなっている傾向を評価します）。
また、出発した顧客が特定されました。155-345のカテゴリに興味がありました。 去った「大きな魚」の中から見つけ出し、協力を拒否した理由を理解することが重要でした。
5.顧客のセグメンテーション
顧客データを顧客特性テーブルに追加した後、セグメント化しました。 コホーネンの地図は道具として使用されました。
顧客サンプルは、顧客タイプ（店舗、卸売会社、エンドユーザー、サービスステーション）によって4つのグループに分けられました。
- 店舗グループに3つのセグメントが割り当てられました。
- 2つのセグメントが卸売会社グループに割り当てられました。
- SRTグループの場合、1つのセグメントが割り当てられました。
- グループの場合、エンドユーザーはセグメントを割り当てないことにしました（クラスターの境界は非常に曖昧であることが判明しました）。
6.販売計画
顧客のセグメンテーション後、6つのセグメントの製品ラインプロファイルがコンパイルされました。 品揃えラインは、製品の適用可能性の原則に従ってグループ化されました（たとえば、VAZ-2108ブランドのショックアブソーバーに関するデータは、クラフトとホラは「VAZ-2108ショックアブソーバー」にグループ化されていました）。 その後、各顧客のラインからの典型的な品揃えラインの偏差の表が作成されました。 明らかになった逸脱は傾向を明らかにしました-そして、それに応じて、ターゲットを絞ったプレゼンテーションの機会。 ブランドについても同じ手順が取られています。
受け取った情報に基づいて、顧客との対象を絞ったコミュニケーションに関する決定が行われました。 対応するタスクがCRMで設定されました。
販売計画を立てるという課題は、一般顧客の販売予測に基づいて部分的に解決されました。 ただし、残りの顧客ベースに起因する売上高を考慮する必要がありました。 このため、売上の季節性のモデルが構築されました。 次に-販売モデルのプール（回帰モデル、移動平均、ニューラルネットワーク）。 しかし、それらの品質は私には向いていませんでした-モデルの誤差は大きすぎました。 セグメントの販売計画は、製品ラインのプロファイルに基づいて設定されました。 アイデアは、売り上げを「プッシュ」するのではなく、「プル」して整理することでした。 販売計画を立てるとき、私はすべての必要な製品が会社の倉庫にあるか、「車輪なし」で配送されるという前提から進めました。 次に、売上の合計が集計され、顧客の購入履歴と比較されました。 小規模の顧客向けに、総合的な予測が作成されました。 この半手動モードでは、計画値の回廊が形成されました。 販売計画の総額は、所有者との入札により承認されました。 その後、販売計画がマネージャーに配布されました。
最初の段階では、数字の現実を従業員に納得させるために多くの時間を費やさなければならなかったと言わなければなりません。 その後、この論争は「How We Will Do It」シリーズのブレインストーミングセッションにスムーズに変わりました。 これらの行動は見事に報われました-「彼はそれを決してとらない」という反応からの従業員は、クライアントの異議のある持続可能な仕事に切り替えました。 彼らは著しく自信になりました。 年末までに回線プロファイルからの平均偏差は減少し、平均月間購入額は当然増加しました。
残念ながら、計画/予測プロセスを完全に自動化することはできませんでした-非公式化された要因が多すぎました。 計画値の精度は満足のいくものであり、作業の方向を設定することができました。
作業が完了してから1年後の考え：
- 顧客の購入の一般的な評価のみに基づく販売計画アプローチは、現実にあまり近いものではありません。
- 実際の計画を立てるには、顧客の販売構造と仕入先間の購入の分配を理解する必要があります。
- 卸売会社からのデータの選択では、それを「BigData」と呼ぶことはできませんが、ハードデータをマーケティング情報と組み合わせることにより、「思考の糧」を得ることができます。
- モデルを構築するプロセスは魅力的なものですが、ビジネス分析を構築する際には、それ自体が「双眼鏡」ではなく「双眼鏡」であることを理解する必要があります。
- 現在、中規模企業の場合、コマーシャルディレクターには、ビジネスインテリジェンスの分野で少なくとも最初の能力が必要です。
- 分析を構築する場合、カイゼンまたはMVPの原則は非常に効果的です。