Эффективность – снижение операционных расходов и увеличение аудитории потребителей профильного продукта – основной фокус FMCG-компаний. Что именно под этим подразумевается: программы лояльности, новые каналы продаж или какие-то еще способы влияния на рынок – непонятно…
Все перечисленное – инструменты, помогающие компаниям достигать целей. Но как в крупной корпорации разобраться, какие инструменты, каким образом и где оптимально применять? А главное, как снизить человеческий фактор в принятии решений и сделать процесс абсолютно прозрачным как в центральном офисе, так и в точках продаж?
Мы – IT-департамент – расскажем вам, какие решения для бизнес-задач используются в ФМИ.
Сбор, анализ и визуализация данных. Иными словами: техническая интеграция и хранилище данных DWH.
Техническая интеграция пронизывает любой IT-продукт, и эта тема достойна отдельного освещения. Упомяну лишь, что у нас используется шина данных на базе Apache Kafka, обернутая в собственные API для нативного вызова из Java и .Net кода, либо через универсальный REST-интерфейс. Интеграционная модель данных, базирующаяся на Корпоративной Модели Данных (КМД), является платформо-независимой и унифицирована среди всех внутренних систем. Согласитесь, бизнес кампании не меняется в зависимости от используемых IT-систем. Поэтому и модель данных определяется исключительно бизнес-процессом.
Хранилище данных или Data Warehouse. Разработку этого продукта мы начали в конце 2018 года. Основной целью было создание единого полностью интегрированного и архитектурно корректного, расширяемого хранилища информации из внутренних и внешних источников, в первую очередь для решения задач анализа данных. Выбор пал на PostgreSQL, которая позволяет строить комбинированные хранилища в реляционных и не реляционных (Data Lake) моделях. Внутренняя архитектура трехзвенная – Staging, Business Layer, Data Marts. В качестве ETL-средства используется Clover DX. Здесь откроем вам секрет – мы не занимаемся разработкой структур данных самого хранилища за исключением дата-мартов. Структуры для хранения данных генерируются автоматизировано из Корпоративной Модели Данных, о которой я говорил ранее. Интерпретацию данных, приходящих из внешних источников, DWH выполняет с помощью внедряемого в настоящий момент MDM-решения Tibco EBX для управления мастер-данными в компании.
Визуализация данных или Портал Корпоративной Отчетности
Помимо анализа данных для автоматизированного принятия решений, о котором я упомяну далее, первичная аналитика также представляет большую пользу для компании. Мы используем платформу Microsoft Power BI для визуализации отчетности, а для имитации единого окна для доступа к корпоративной отчетности мы разработали портал, обеспечивающий удобную навигацию среди отчетов Power BI.
Прогнозирование и моделирование рынка
Осознавать собственную эффективность в моменте недостаточно, нужно быть эффективными в завтрашнем дне. Ho как понять, что произойдет с рынком завтра?
Инновации и эксперименты. Выход за рамки для тестирования гипотез необходим в процессе моделирования рынка. Так, в 2016-ом году компания взяла курс на новые продукты, призванные существенно снизить риски для здоровья совершеннолетних потребителей табачной продукции.
У нас в компании есть стандартизованный подход к проведению экспериментов и пробации инноваций. Это фреймворк, который объединил сразу несколько бизнес-концепций, методологий управления проектами и создания новых продуктов: Design Thinking (дизайн-мышление), Lean Startup («бережливый стартап»), AGILE, Lean Manufacturing (бережливое производство). Главный принцип – принятие решений, в основе которых лежат данные, а не мнения.
Таким образом, эксперименты позволяют быстро протестировать идеи с минимальным бюджетом и риском для бизнеса. Как говорится, fake it to make it.
Роль IT в процессе проведения экспериментов двояка: с одной стороны, мы обеспечиваем необходимую минимальную автоматизацию для проверки бизнес-гипотез; с другой – мы также проводим собственные IT-эксперименты, связанные с тестированием не использованных нами ранее технологий, фреймворков и инструментов. В случае успеха, есть отдельный процесс адаптации и превращения эксперимента в продукт. Процесс этот включает и защиту на уровне проектного офиса, и прохождение IT Architecture Board, и определение основных вех, по достижении которых эксперимент проходит стадии MVP (minimum viable product) и пилота, масштабируется и становится ближе к business as usual, переставая быть инновацией как таковой.
Моделирование рынка
Инновации приносят изменения в отрасль, но компании важно понимать и прогнозировать, что будет с рынком (самой компанией и крупными игроками – ее конкурентами) в краткосрочной и долгосрочной перспективе в различных сценариях: при условной статичности (т.е. если не внедрять инновации) и в условиях вывода на рынок изменений (новых продуктов, каналов, инвестиций и т.п.). Для этого нужна математическая модель рынка. Она строится при помощи собранных данных и определенного инструментария, например, Anaplan – платформы для операционного и финансового планирования и моделирования бизнес-процессов.
В основе Anaplan лежит технология HyperBlock, позволяющая объединять характеристики вертикальных, реляционных и OLAP баз данных. HyperBlock фиксирует любые изменения на разных уровнях и оперативно меняет в соответствии с этими изменениями данные в связанных ячейках. Anaplan позволяет легко изменять параметры расчетов и бизнес-логики, адаптируя модели к реальному миру. По сути, это ПО, работающее на основе облачных вычислений, благодаря которому компании могут самостоятельно строить и развивать модели без привлечения консультантов и разработки собственной IT-инфраструктуры.
Этот этап позволяет лучше осознать и проанализировать настоящее положение компании относительно своих конкурентов.
Для работы с большими данными мы используем математическую статистику, логику и визуализацию данных. Благодаря этому, датасаентисты строят модели, позволяющие оценить влияние инвестиционных инструментов и отследить закономерности. Результат работы такого специалиста – код с анализом данных в основе.
В нашей компании в России мы используем как собственные данные из межсистемных интеграций, так и информацию от контрагентов, а также геоданные, которые показывают нам, где находятся так называемые запрещающие факторы (например, образовательные учреждения), рядом с которыми мы не можем вести свою деятельность.
Особенно важна «игра» с данными. Благодаря нашему хранилищу эти данные собраны и единообразно доступны. Суть игры в тестировании разных моделей корреляции данных без ущерба всем остальным IT-процессам. Датасаентисты могут работать с одним из контейнеров, организованных на базе PostgreSQL. Контейнеры собраны под разные задачи и представляют собой изолированную площадку, «песочницу», где датасаентисты могут проворачивать данные и экспериментировать.
Для каждой задачи выделяется отдельное хранилище с доступом к данным из хранилища DWH. Время жизни дата-контейнера ограничено несколькими месяцами (конечно, с возможностью продления при необходимости). В случае неудачи контейнер уничтожается сразу, а в случае успеха — проходит путь стандартизации. Новые источники данных формализуются в виде модели данных, строится техническая интеграция, данные «приземляются» в корпоративное хранилище, при необходимости к данным можно подключить интерфейс, чтобы пользователь мог с ними взаимодействовать. Далее контейнер уничтожается.
Модель может быть математически построенной, но иногда, чтобы ее проверить, надо подключить пользователей, дать им возможность проводить what-if анализ, смотреть на визуализированный результат работы модели. Таким образом, из Data Science вырастает специфичная часть IT-ландшафта из набора технологий: кластеризации, python-based фреймворков и так далее.
Только после все перечисленных этапов работы с данными начинается сам этап планирования, включающий в себя постановку целей и KPI, инвестиционный бюджет, инвестиционные инструменты, предложения от Data Science, каскадирование top-down, bottom-up корректировки, исполнение и корректировку планов.
Об этапе планирования более подробно мы расскажем в одном из следующих материалов.
Тема показалась интересной? Поделитесь в комментариях, о каких технологиях вам хотелось бы узнать, а мы подготовим детальный рассказ!
*Аффилированные компании «Филип Моррис Интернэшнл» в России.