Один из принципов Магнит OMNI, на который мы ежедневно опираемся в своей работе, звучит так: «Данные шепчут громче, чем кричат мнения». Аналитика для нас — не просто инструмент для составления отчётов, а ключевой компонент успешного развития бизнеса. Когда-то у нас не было отдельной команды аналитиков, которая могла бы совместными усилиями решать возникающие бизнес-задачи.

Я хочу поделиться нашим опытом создания и развития команды аналитики «Магнит Маркета», которая сегодня становится не только двигателем бизнеса, но и источником новых идей и проектов. Мы собрали опытный коллектив, который очень быстро растёт и меняется структурно. Наш бизнес огромен, и у нас уже было и ещё будет впереди много вызовов.  

Меня зовут Евгений, я CDO в маркетплейсе «Магнит Маркет», который мы развиваем на основе приобретённой в прошлом году онлайн-площадки KazanExpress. «Магнит Маркет» входит в направление OMNI, объединяющее три вертикали: сам маркетплейс, программу лояльности «Магнит Плюс» и «Магнит Фудтех». До этого я руководил командой операционной аналитики в Яндекс.Лавке, возглавлял операционную аналитику и работу с машинным обучением в Delivery Club, а также развивал аналитику и внедрял ML в ряде крупных e-commerce стартапов. Кроме того, я автор нескольких курсов по аналитике и машинному обучению, преподавал ML в ведущих вузах страны.

Как было «до исторического материализма»

Изначально в компании работало 10 аналитиков, что для компании такого размера было совсем мало. Каждый занимался своими направлениями. Не существовало структуры, объединяющей этих людей: было много дублирований функций и исследований, аналитики даже не знали друг друга. Многие вопросы оставались без ответов, культура проведения A/B-тестов была развита слабо. 

При этом компания уже тогда быстро росла, и от аналитиков ждали помощи в выборе мест для новых пунктов выдачи заказов, в расширении и изучении ассортимента товаров, в способах привлечения новых покупателей, улучшении ML-алгоритмов, работе с ценообразованием и других задачах. Но общая эффективность работы разрозненных аналитиков — а значит и польза для бизнеса — была далека от желаемой. Как говорится, не хватало синергии.

Поэтому в марте 2024 мы решили создать аналитическую команду, чтобы избежать дублирований и сообща работать над конкретными задачами. А поскольку у наших аналитиков большой опыт работы с данными и их задачи часто пересекаются с задачами специалистов по машинному обучению, решили сделать ML составной частью новой команды. 

Примеры задач

Приведу примеры регулярных и важных задач, которые до формирования команды аналитики мы решали с меньшей точностью.

При формировании стратегии открытия новых пунктов выдачи заказов (ПВЗ) наши менеджеры раньше в меньшей мере опирались на аналитику и лучшие практики при размещении новых точек. Это так называемая «экспертная оценка». 

С появлением аналитической команды мы смогли разработать чёткий и обоснованный план приоритизации открытий, опираясь на глубокий анализ данных. Аналитики создали модель, которая учитывает множество факторов, включая географические особенности, потенциал клиентов и производственные мощности. 

Сегодня с помощью модели планируют расширение сети ПВЗ, а ответственность за стратегию открытия новых точек перешла к аналитической команде — в 2024 году мы хотим открыть больше 4000 новых точек! С тех пор команда играет ключевую роль в определении будущего развития компании: выявляет оптимальные местоположения для новых ПВЗ и формирует для всех остальных согласованный план по открытию новых точек с оценкой общего товарооборота.

Другой пример — создание прогноза для процесса S&OP (планирование продаж и операций). Многие из наших команд и подразделений затруднялись с оценкой ожидаемой нагрузки в следующие дни или недели. После создания аналитической команды мы разработали модель, учитывающую различные аспекты, в том числе маркетинговые активности и план открытия новых точек. Эта модель теперь составляет краткосрочные единые прогнозы для всех критически важных для бизнеса функций. Она может советовать, какие маркетинговые акции нужно запустить, чтобы выполнить заданные цели по продажам, с понятным изменением конкретных метрик. Благодаря этому новому процессу удалось на 25-30 % уменьшить рассогласованность действий при резком увеличении продаж.

Таких случаев, когда аналитика самостоятельно инициирует проекты и является двигателем их выполнения, у нас немало. Именно поэтому наш бизнес сегодня все важные решения принимает с учётом аналитических данных, поскольку числа говорят сами за себя.

Структура команды

Формирование структуры прошло через множество итераций и заняло около месяца. Параллельно мы очень активно набирали новых людей, и с ростом команды перераспределяли ресурсы, чтобы решать наиболее важные бизнес-задачи.

Наша команда аналитики разделена на несколько подразделений с уникальными специализациями:

• Отдел машинного обучения разрабатывает и внедряет алгоритмы машинного обучения для автоматизации и оптимизации бизнес-процессов. Также отдел отвечает за:

  • поисковый движок, это очень важный для нас компонент, обеспечивающий большую долю товарооборота;

  • движок рекомендаций, который сейчас нужно активно развивать, есть много идей;

  • интеллектуальный анализ и алгоритмы. Эта группа занимается самыми разными проектами в компании — прогнозами и проектами NLP, сложными исследованиями. Например, недавно они сделали модель автоматического определения категории товаров по описанию и названию, это помогло на 95 % автоматизировать процесс. Сейчас решают задачу сопоставления товаров, это можно будет использовать от аналитики цен и рынка до выдачи рекомендаций и ранжирования.

• Отдел коммерческой аналитики сосредоточен на всестороннем анализе рынка. Они оптимизируют ассортимент, определяют и корректируют ценовую стратегию, в том числе отвечают за динамическое ценообразование. Также отдел прогнозирует спрос и возглавляет аналитику в планировании продаж и операций, которое для нас сейчас крайне важно.

• Отдел операционной аналитики занимается глубоким анализом операционной деятельности компании: 

  • разрабатывает алгоритмы для транспортной логистики;

  • определяет стратегию открытия новых ПВЗ;

  • повышает эффективность работы склада, например, сейчас работает над планированием персонала, оптимальным распределением ресурсов и сокращением издержек, поддерживая высокий уровень обслуживания и оперативности.

Также отдел проводит исследования и создаёт прогнозные модели в области геоаналитики.

• Отдел аналитики роста. Его задача — увеличивать количество клиентов, укреплять с ними связь и повышать их лояльность. Для этого отдел выстраивает стратегию маркетинга и промоакций, опираясь на глубокий анализ данных. Кроме того, они глубоко изучают пользовательский опыт, чтобы сделать наше приложение привлекательнее и удобнее для клиентов. Сейчас компания сталкивается с новыми вызовами и возможностями, требующими более глубокого анализа данных и принятия обоснованных решений. И от отдела аналитики роста зависит наша конкурентоспособность в долгосрочной перспективе.

• Отдел конкурентного анализа. Здесь ребята неутомимо ищут сильные и слабые стороны нашего бизнеса и предлагают инновационные улучшения, основанные на деятельности конкурентов. Этот отдел — источник неоценимой информации. Также он отвечает за выявление мошенничества со стороны клиентов и поставщиков. Например, совсем недавно разработали платформу для поиска мошеннических заказов (фрод), которая позволила сократить расходы компании на десятки миллионов.

• Отдел хранилища данных (DWH) занимается сбором, хранением и обработкой информации. Он стремится к тому, чтобы каждое подразделение компании имело доступ к актуальным и качественным данным в любой момент времени. Сейчас перед отделом стоит много сложных задач, например, нужно построить новую платформу для хранения данных.

Такая структура команды аналитики позволяет нам комплексно анализировать данные и принимать обоснованные решения на всех уровнях бизнеса.

Аналитик моей мечты!

Сейчас у «Магнит Маркета» динамичный период, в приоритете — важные и смелые решения. Мы видим огромный потенциал в развитии аналитики и активно инвестируем в это. Постоянно расширяем команду опытными специалистами и молодыми талантами, внедряем новые технологии и методы анализа. Заключаем партнёрские соглашения с вузами и научными центрами для привлечения научных сотрудников и проведения совместных исследований. 

Какие качества и умения мы ценим:

• Умение применять логическое мышление для анализа сложных ситуаций и принятия обоснованных решений. Это позволяет аналитикам оперативно и точно реагировать на изменения, опираясь на данные и факты. 

• Способность видеть за числами физический смысл и находить причины явлений. Нужно уметь анализировать данные с точки зрения их бизнес-значимости и выявлять скрытые закономерности.

• Умение чётко и понятно обосновывать свои решения и конструктивно общаться с коллегами.

• Опыт самостоятельного ведения проектов и использования data driven-подхода в развитии сервисов.

• Навыки разработки и поддержки автоматизированных систем отчётности для операционной деятельности. Это поможет нам оперативно получать необходимую информацию для принятия решений.

• Глубокое знание математики и статистики, а также владение SQL и Python. Практически must have для успешного анализа данных и создания моделей. 

• Наконец, нужен опыт проведения экспериментов и A/B-тестов, чтобы оптимизировать наши процессы и продукты на основе данных, сейчас это очень важно для нас.

Сегодня наша аналитика — неотъемлемая часть стратегического планирования и принятия решений. Команда предоставляет данные, выявляет тренды и паттерны, а также предлагает стратегические направления развития. Каждый проект в «Магнит Маркете» сопровождается аналитическими исследованиями, благодаря которым мы принимаем обоснованные решения. Если вас интересуют сложные и интересные аналитические задачи, пишите на hr_omni@magnit.ru.  

Советы от набившего шишки

Если вам тоже предстоит создавать команду аналитики, дам несколько советов, которые мы выстрадали на своём опыте:

• Готовьтесь к тому, что это будет долго. Собрать команду хороших специалистов сейчас непросто, понадобится немало времени на поиск.

• Если хотите быстрее, то не полагайтесь в поиске хороших кандидатов только на отдел кадров. Воспользуйтесь своими связями. Мы, например, многих аналитиков набрали благодаря знакомствам.

• Прежде чем набирать людей, продумайте структуру команды. Так вы будете понимать, сколько человек нужно в каждую группу или направление, это важно для формулирования целей и планирования бюджета. 

• Не все обращают внимание на работу с данными, а это крайне важно для успешной аналитики. Можно сказать, что работа группы DWH бесценна: если у тебя хорошие данные, то и анализ может быть хорошим, а с плохими данными анализ будет плохим всегда. Мы, например, при создании команды выяснили, что у нас в данных было много ошибок, и пришлось работать над повышением качества.

• Если вы руководитель, то морально готовьтесь к тому, что вам придётся работать больше, чем вы ожидали, потому что при создании команды задач будет намного больше, чем ресурсов для их решения.

Построение качественной команды аналитики — это долгосрочная инвестиция в успех развития маркетплейса. Мы убеждены, что только с помощью комплексного анализа данных и глубокого понимания бизнес-процессов мы сможем добиться поставленных целей и стать лидерами в нашей отрасли. Приходите к нам, не заскучаете :)