Как использовать Big Data для анализа конкурентоспособности своей продукции на локальном рынке товаров

Результаты анализа данных, классифицируемых как Big Data, уже сейчас можно использовать в качестве полезного источника знаний для оценки эффективности бизнеса. Например — в части обеспечения оптимальной динамики продаж конкретного товара или нескольких типов товаров от определенного бренда. Рассмотрим, какие в этих целях могут быть задействованы общедоступные инструменты.

Зачем Big Data торговле?

Просто потому, что с ней современный бизнес становится лучше и эффективнее. И — конкурентоспособнее. «Большие данные» сейчас — это целые массивы полезной и достоверной информации, на основании которой торговое предприятие может получить ценнейшие знания. Источников такой информации становится все больше, а методы ее обработки — все совершеннее (что обусловлено постоянно повышающимся уровнем технологичности бизнес-процессов).

Один из подобных источников — инновационные онлайн-кассы. С одной стороны, они выполняют традиционную фискальную функцию — «записывают» выручку при продаже товара, а затем эту запись в установленном порядке берут налоговики. С другой стороны, эта функция дополняется многими сопутствующими полезными свойствами контрольно-кассового аппарата нового типа.

Дело в том, что выполнение фискальной функции сопровождается подбором довольно широкого спектра данных — необходимых для включения в кассовый чек. По букве закона — фискальных данных.

Каждый чек должен содержать большое количество реквизитов — в которых и «записываются» фискальные данные. В их числе (полный перечень реквизитов отражен в статье 4.7 Закона № 54-ФЗ (ССЫЛКА) — который регулирует применение ККТ) — сведения о выручке, стоимости конкретного товара, месторасположении хозяйствующего субъекта.

Фискальные данные по каждому чеку передаются в ФНС — но не напрямую, а при посредничестве специальных организаций — Операторов фискальных данных. Они не имеют права «вчитываться» подробно в содержание чеков — поскольку это коммерческая тайна. Но могут на законных основаниях выстраивать анализировать различные сочетания данных, отражаемых в фискальных документах. Эти данные определенным образом идентифицируются — с помощью специальных тегов, и потому могут образовывать статистически значимые массивы.

В состав реквизитов чека в общем случае обязательно входит наименование каждого товара (как и его количество и стоимость каждой единицы). Если такой чек — единственный, то он, конечно, малоинформативен, сколько бы реквизитов в нем не было. Но в распоряжении ОФД может быть хоть миллион чеков — в которые аналогичный товар включен. И это позволяет провести отличную информативную аналитику по продажам соответствующего товара.

Как минимум — узнать, сколько его вообще было продано. Но — без проблем также узнать:

• где лучше всего продавался товар — в каком городе или магазине (поскольку место продажи — обязательный реквизит кассового чека);
• в какую цену преимущественно продавался товар (цена — тоже реквизит чека);
• с какими товарами вместе он чаще всего продавался.

И это не теоретические выкладки — а практический функционал ряда доступных уже сейчас российскому бизнесу технологичных сервисов.

Сверхточная оценка динамики спроса на конкретный продукт с помощью анализа Big Data

Один из таких сервисов — Marker.Продукт, принадлежащий ОФД.Ру — одному из российских Операторов фискальных данных. В его распоряжении — реально миллионы источников Big Data в виде онлайн-касс.

Сервис позволяет отследить динамику продажи конкретного продукта — с определенным SKU. Заинтересованное лицо — например, фирма-производитель продукта, получает в распоряжение сформированные на базе Big Data сведения:

• по общему количеству продаж определенного SKU;
• по количеству продаж — по каждой уникальной цене;
• по количеству продаж в контексте определенного времени, сезона (и проценту чеков, где анализируемые SKU отражаются вместе);
• по сочетанию разных SKU в кассовых чеках.

Во всех случаях аналитика может быть приведена по определенному региону.

Анализируем спрос на продукцию определенного бренда или товарную категорию

Еще у ОФД.Ру есть сервис Marker.Бренд. Он, в принципе, позволяет решить те же задачи — по выявлению динамики спроса на анализируемый объект, но в данном случае таким объектом выступает не самостоятельный товар (как отдельный SKU), а продукция определенного бренда (либо товарная категория).

По каждому объекту — бренду или товарной категории, для пользователя сервиса отображается:

• объем продаж — в штуках, в рублях;
• доля бренда в общем объеме продаж в рамках соответствующей товарной категории;
• распределение продаж по различным сегментам розницы;
• топовые SKU в выбранной категории, объемы продаж бренда среди топовых позиций;
• доля определенных SKU в продажах по конкретному производителю или бренду.

Получается, что два рассмотренных выше сервиса — Marker.Бренд и Marker.Продукт, позволяют производить всестороннюю аналитику по динамике продаж — как товара, так и его бренда-производителя. На основании полученных данных, очевидно, можно сделать самые объективные выводы по эффективности бизнеса.

Нельзя сказать однозначно, что указанные сервисы ОФД.Ру работают, используя преимущественно только фискальные данные. Наверняка в их распоряжении — широкий спектр других достоверных источников, позволяющих вычислить те показатели, что отображаются перед пользователем сервиса.

Вместе с тем, аналитика по Big Data, если она представлена фискальными данными с онлайн-касс, имеет важнейшее преимущество: достоверность. Фискальные данные крайне сложно «подделать» — поскольку каждая запись в ККМ защищается с помощью криптографических средств. Поэтому, сведениям по соответствующей аналитике можно доверять — и строить на основании нее долгосрочную стратегию развития бизнеса. А при необходимости — подходить к вопросу тактически: данные по ККМ, так или иначе, постоянно обновляются в базах ОФД в режиме онлайн. И могут быть в любой момент включены в аналитику.

Таким образом, надежность — не единственное преимущество Big Data, представленной фискальными данными. Фискальные данные — всегда актуальны. Соответственно, аналитика по ним может быть построена крайне оперативно. Это позволяет сделать использовать результаты обработки Big Data в рамках предикативной функции исключительно эффективно.

Например — рассчитать наиболее конкурентные цены, по которым товар лучше всего будет продаваться (приносить наибольшую выручку или обеспечивать наивысшую рентабельность продаж). Или — обеспечить приоритетное присутствие товара именно в тех местах, на которых на него имеется стабильный спрос. Или — открыть новый рынок исходя из того, что на нем прогнозируется необходимый спрос.

Есть у ОФД.Ру и конкуренты в части аналитики данных по Big Data. Похожие решения предлагают и многие другие операторы фискальных данных. Отметим, что возможности у всех таких компаний — в целом, сопоставимы. Каждая из них занимает большую долю рынка: в распоряжении каждого ОФД — свои «миллионы» кассовых чеков, если они лежат в основе аналитики Big Data. И в каком-то смысле операторы — конкурируют друг с другом в части функционала подобных сервисов. Их смело можно задействовать одновременно, сопоставлять их эффективность, давать обратную связь разработчикам по вопросам практического применения возможностей систем аналитики по продажам.

Резюме

Один из примеров Big Data – фискальные данные. Уже сейчас они собираются с большинства касс, работающих в России — в режиме онлайн. В состав реквизитов чеков ККМ — основного вида фискального документа, входят в том числе и различные показатели, отражающие динамику продажи любого отдельно взятого товара (или товарных позиций определенного бренда).

Бизнес, получающий в распоряжение аналитику по фискальным данным, может увидеть (используя только ее, аналитику по другим данным или общую аналитику по всем типам данных — в случае с обработкой Big Data это возможно), где лучше всего продавался товар, почем и с какими позициями одновременно. Чтобы затем должным образом откорректировать политику продвижения товара или бренда-производителя.