Текст книги "Оптимизируй это немедленно! Как, используя современные IT-инструменты, сократить издержки и обойти конкурентов"

Глава 15. Скорость жизни нарастает

Согласно исследованию компании IBM, проведенному в 2009 году (Business Analytics and Optimization Study), каждый третий руководитель в мире часто принимал решения, не обладая достаточной информацией для принятия взвешенного решения. Каждой второй из них не имел доступа к полной информации, которая необходима ему в работе, а офисные сотрудники проводят более 19 часов в неделю в поиске данных, их обработке и анализе. Только представьте себе: почти половина рабочего времени уходит на работу с показателями и с информационными системами! Где-то это меньше (в энергетике и нефтянке), а где-то – существенно выше (как в том же финансовом секторе).

Прошло более десяти лет, и ничего не изменилось – только жизнь стала набирать обороты. Хотим мы этого или нет, но жизнь ускоряется, и, если компания не приспособится к изменениям, она погибнет, вымрет, как динозавр. Согласно исследованию 2014 года «Цифровая вселенная возможностей: насыщенные информацией данные и растущая ценность интернета вещей»[21]21
  The Digital Universe of Opportunities: Rich Data and the Increasing Value of the Internet of Things. https://telsoc.org/sites/default/files/tja/pdf/ajtde_v2n3a47_zw_the_digital_universe.pdf


[Закрыть], уже 2/3 руководителей заметили, что время на принятие решения сократилось, а 42 % специалистов необходимо принимать решение на основе показателей в течение одного дня.

Помните, когда в Москве давным-давно появились билборды от Ситибанка? Банк обещал выдачу кредитов за 2 часа при предъявлении двух документов. Специалисты банковской среды были шокированы, они стали спрашивать: «А сколько времени занимает выдача кредита у нас?» И тут обнаружилось, что никто не мог этого посчитать, не было четкого тайминга процессов. Понятно, что выдача кредита за 2 часа – это заранее просчитанная скоринговая модель, в которой было предусмотрено, что люди, у которых есть автомобиль и действующий загранпаспорт, материально обеспечены и с большей вероятностью вернут кредит, поэтому и принималось решение о его выдаче по указанным двум документам. Но такое предложение заставило финансовые организации впервые задуматься о том, как правильно выстроить процесс и сколько времени он занимает, где узкое место (почему документ может застрять в одном из отделов на 10 дней) и что нужно сделать, чтобы выдавать кредиты в стабильный и предсказуемый срок.

Кстати, это важное замечание – все процессы в компании должны быть оцифрованы, а скорость прохождения должна быть измерена. Многие компании начали строить «отделы как сервисы», которые компенсируются в зависимости от скорости и сложности решенных задач. Например, отдел поддержки – если понять его загруженность, становится ясно, какие задачи ему приходится решать, сколько времени это занимает и когда у него пиковая загрузка, что позволяет правильно просчитать количество персонала и рабочие смены, а также необходимость присутствия определенных специалистов на рабочем месте. Анализ заявок может помочь выявить типовые заказы, причину которых можно исключить – это разгрузит отдел, а бонусная схема оплаты, исходя из скорости выполнения заявок и их сложности, усилит мотивацию персонала и позволит быстрее решать инциденты.

Существует хороший график от компании Innosight analysis[22]22
  Corporate Longevity Forecast: Creative Destruction is Accelerating, 2018. https://www.innosight.com/insight/creative-destruction/


[Закрыть], в котором проанализировали «время жизни компании» – сколько ее акции находились в листинге Standard & Poor's (рис. 4).

Если посмотреть на «сытые 70-е», то среднее время в листинге составляло почти 40 лет! Да, были фирмы, которые приходили и уходили, но большинство монстров десятилетиями вольготно себя чувствовало, будучи монополистами или ключевыми игроками на рынках. Однако все изменилось: был биржевой кризис 80-х годов, потом пузырь доткомов в начале 2000-х годов, кризисы 2008 и 2014 годов. Но самое страшное – это то, что аналитики компании McKinsey назвали термином disruption (разрушение). Идеология термина проста: «рынок сложился, и его передел возможен за счет доли тех, кто на нем существует» – появляются новые игроки, которые меняют ландшафт. Это доставка видеоконтента: такие компании, как Netflix, которая начала бизнес с торговли и сдачи в аренду DVD-дисков и перешла на торговлю потоковым видео, а сейчас сама снимает фильмы и сериалы, создавая угрозу не просто торговцам DVD-дисками, которых уже почти не осталось, но и голливудским компаниям, производящим свой контент. Кстати, этим же путем идет и компания HBO. Появилась онлайн-платформа Airbnb, которая не имеет никакой недвижимости, но при этом сдает в аренду жилую площадь по всему миру, а количество квадратных метров, сдаваемых в аренду, превышает количество метров топовых сетей отелей мира. Компания Uber не имеет ни одной машины, но ее стратегия фактически разрушила традиционные таксопарки[23]23
  Digger: «9 принципов, которые сделали Uber великой компанией». https://www.digger.ru/tech/9-principov-kotorye-sdelali-uber-velikoj-kompaniej


[Закрыть]. Да-да, именно те таксопарки, которые раньше гонялись за красивыми телефонными номерами, а теперь оказывается, что в этом нет никакой необходимости, потому что огромное количество людей привыкло заказывать машину со своего смартфона и может сделать это в любой точке мира. Хороший пример по продаже пленочных и цифровых фотоаппаратов – огромные компании Kodak, Fuji Film, Konica Minolta, Pentax, Olimpus, Leika, Polaroid доминировали на этом рынке десятилетиями! Пока вдруг неожиданно для них не началась эра цифровых фотоаппаратов. Да, сначала цифровые фотоаппараты были простыми, и качество съемки оставляло желать лучшего, и никто не видел в них конкурентов. Но уже через 5–6 лет крупные компании ушли с рынка – они не перестроились, не смогли приспособиться к тому, что цифровые камеры полностью вытеснят их традиционный пленочный бизнес! Кстати, сейчас купить пленку довольно сложно – ее можно приобрести в специализированных магазинах, а раньше она продавалась в отделе бытовой химии или прямо на кассе. Теперь ее место заняли карты памяти. Посмотрите на график продаж цифровых фотоаппаратов (рис. 5).

Падение год от года 25 %, потом 39 %! Потом еще раз на 25 % от оставшегося рынка! Компании, которые вложили деньги в разработку цифровой фототехники, банкротятся, закрываются или закрывают отделы. Почему? Ответ очевиден: потому что появились смартфоны, которые имеют те же возможности, что и цифровые фотоаппараты. Качество съемки становится лучше год от года, используются особенности вычислительной фотографии, растет количество функций: смартфон ставит геотег, указывая место, где это было снято; фотографию можно переслать другому человеку, обработать, отредактировать, загрузить в Instagram или Facebook и даже перевести надпись с иностранного языка! Не говоря о том, что нет необходимости носить фотоаппарат – все находится в одном устройстве, которое всегда под рукой. Увы, интуиция крупным компаниям не помогла: из-за отсутствия навыков работы с информацией они не уделяли внимания ни новым технологиям, ни поиску причин провала продаж.

Глава 16. Думаете, это вас не коснется?

В России мы можем наблюдать абсолютно те же процессы. Где теперь такая модная в прошлом газета, как «Из рук в руки»? Зато посмотрите на обороты интернет-магазинов Avito, Ozon, Lamoda и Wildberries – они полностью изменили мир торговли! Казалось, как можно перестроить обычную розничную торговлю? Но вот на рынок выходит информационная компания «Вкусвилл» – а это в первую очередь ИТ-компания! И у соседних сетей выручка по торговле молочными продуктами падает на 20 %, а «Перекресток» даже включает их продукцию в свой ассортимент. Компания «Вкусвилл» предлагает продукты высокого качества, используя информационную систему собственной разработки по ранжированию поставщиков и динамическому ценообразованию, что дает возможность предлагать качественные продукты. Состоятельные люди в России есть, они голосуют рублем и идут в компанию, где за сравнимые деньги хотят получить свежие качественные продукты и более высокий уровень сервиса, приводя в недоумение конкурентов, которые годами выстраивали цепочки поставок и развивали собственные торговые марки (СТМ). Компания по доставке еды «Кухня на районе» изменила структуру потребления: имея таких сильных конкурентов, как Delivery Club и Яндекс. Еда, компания захватила рынок тем, что стала предлагать готовые обеды только недалеко от своих «темных» кухонь, чтобы успеть доставить заказ за 15 минут! Поверьте – сделать это было непросто. Я принимал участие в проекте по запуску интернет-магазина по доставке пиццы. Чтобы готовая пицца доехала до вас за 40 минут, необходимо, чтобы в тот момент, когда от вас поступил звонок, в ближайшей к вам пиццерии или на кухне УЖЕ разогревалась печь! Пока принимается заказ, на тесто выкладываются ингредиенты. Когда вы положили трубку, в течение 2 минут тесто с ингредиентами должно быть загружено в печь. Проходит еще 7 минут – пицца готова и упаковывается, а заказ уже ждет курьер. Только это позволяет уложиться в указанное время доставки, потому что, получив пиццу не через полчаса, а, скажем, через час сорок, вы вряд ли что-то закажете в этой компании снова. Для того чтобы достичь подобной скорости, тайминг всех операций был замерен и все процессы были проанализированы и оптимизированы. В этом нам помогла система бизнес-аналитики.

Глава 17. От отчетов до выявления причин

Мы говорим об анализе рынка или анализе обратной связи от рынка, который позволяет вам принять меры или контрмеры или перестроить бизнес, – но как вы получаете эту обратную связь? Когда мы говорим о бизнес-аналитике, традиционно считают, что речь идет об отчетах. Это не совсем так. Да, отчеты – один из видов аналитики, более того – самый распространенный. Но отнюдь не самый полезный.

Традиционно выделяют три типа бизнес-аналитики. Первый – это описательная или дескриптивная аналитика, которая отвечает на вопрос «что произошло?». Это как раз те отчеты, про которые думают, что это и есть бизнес-аналитика (BI). Этот тип появился, когда стали использоваться компьютеры, потому что если куда-либо заносить информацию, то после обработки ее необходимо и извлекать в удобочитаемом виде. История BI идет с середины XX века, хотя сам термин появился еще в XIX веке. Как только мы получаем ответ на вопрос «что произошло?», то следующий вопрос, на который мы хотим получить ответ, – «что произойдет?». Так сформировался второй тип анализа – «прогнозная, или предиктивная аналитика». Ее основы были заложены еще в 80-х годах XX столетия, потому что опираются на известные методы математической статистики. Методы обработки информации позволяют по известным фактам построить ряд предположений. Надо понимать, что чем меньше информации мы вложили в модель, тем в меньшей степени существует возможность построить корреляцию между различными факторами. Предиктивная аналитика получила развитие в начале XXI века, когда были выделены такие методы обработки информации, как датамайнинг – извлечение скрытых знаний из данных, многофакторный анализ, который оценивает влияние различных факторов, машинное обучение и обучаемые нейросети, которые позволяют построить прогнозные модели и, более того, даже действовать в соответствии с полученными выводами. Это ведет нас к четвертому – да-да, я не ошибаюсь, к четвертому виду бизнес-аналитики, который называется аналитикой действия, или предписывающей аналитикой. Ее отличие в том, что на основе определенных факторов мы даем указание что-то сделать: это может быть постановка задачи ответственному сотруднику, а может быть и принудительное отключение того или иного силового агрегата по сигналу с датчиков, который прогнозирует, что сейчас произойдет какой-то сбой. Например, система выдает указание мерчандайзеру – проверить ценники на товар, потому что уже четыре часа как его никто не покупает. Соответственно, нужно прийти и убедиться, что товар лежит на полке и что ценник не слетел; ведь если вы подходите к товару и на нем нет ценника, то вы его не купите. Такие системы все шире распространяются вместе с интернетом вещей, их цель – исключить оператора из цепочки принятия решений, когда автоматика на основе анализа данных самостоятельно принимает решение или дает команду оператору.

Но мы немного забежали вперед, пропустив третий, очень важный вид анализа, на котором я в основном и специализируюсь, – это аналитика типа Business Discovery, исследование данных, или аналитические отчеты, которые дают ответ на вопрос «что произошло?» для выявления причин сложившейся ситуации. Для выполнения этой задачи необходимо проверить множество гипотез, оперировать очень разнородной информацией из различных источников, поэтому специализированные системы, такие как Qlik Sense, могут быстро подгружать информацию, анализировать ее и проверять гипотезы, а также создавать приложения, которые следят за текущей ситуацией вплоть до ее устранения.

Глава 18. Ориентироваться на отчеты – все равно что вести автомобиль, глядя в зеркало заднего вида

Да, это так. Если мы говорим про управление компанией в современном мире, то реагировать на отчеты будет уже поздно – событие уже произошло. В этой главе я расскажу об интересном проекте, который был выполнен нашим крупным заказчиком, работающим в области производства и дистрибуции косметической продукции, при помощи партнера «Консалтинговая группа АТК».

Что отслеживает производитель? Для них важно определение своей доли на рынке и отклонение от этой доли. Конечно, проект не начинается с подобного анализа: сначала делается более легкий проект, такой как анализ продаж, остатков, продажи vs остатки, ABC-анализ, оборачиваемость и скорость выбытия товаров. Но потом, конечно, приходит желание знать, на какую именно торговую точку попал их товар, представлены ли там конкуренты и как товар продается по отношению к товарам коллег по рынку. Есть несколько путей получения подобного анализа: можно заказать исследование сторонней компании, такой как AC Nielsen, можно договориться с кем-то из ритейлеров или агрегаторов чеков, которые продадут вам данную информацию. А можно попросить распространителей вашей продукции – субдистрибьюторов – предоставлять информацию о том, куда они поставляют товар – в какую региональную сеть или рынок, более того – включить в договор обязательства по предоставлению подобной информации.

Даже если договор заключен и контрагент обязуется отчитываться о структуре продаж, то собрать вторичные продажи – непростой труд. Как часто бывает, для того чтобы сделать проект, необходима подготовительная работа, что рождает ряд предпроектов: например, необходимо проверить договоры, чтобы дистрибьюторы своевременно предоставляли информацию о продаже ваших продуктов, желательно в вашем формате. Еще важный момент – это получение актуальной информации. Если вы в договоре прописали, что контрагент обязуется вам предоставить данные к такому-то числу, – нужно проверить, что эти сведения поступили. А если нет – автоматически выслать письмо-напоминание. Еще важный пункт – качество информации. Кстати, согласно исследованиям Global Data Management Report 2019 года[24]24
  Experian. Global data management research – 2019. https://www.experian.co.uk/assets/data-quality/experian-global-data-management-report-jan-2019.pdf


[Закрыть], только 50 % организаций заявляют, что могут доверять своим данным, при этом 95 % заявили, что страдают от низкого качества данных, которые они используют для принятия решений. Действительно, с качеством данных возникает очень много проблем, особенно при сборе вторичной информации: даже если товар можно однозначно идентифицировать с помощью, например, штрихкода – все равно приходится разбираться. Помню, как от одного контрагента пришли сведения по нашим продуктам плюс их внутренние штрихкоды, которые начинаются с 20. Стали разбираться, и оказалось, что в рамках рекламной кампании к нашему товару скотчем примотали чужой товар и продали как комплект. И подобные данные со всех контрагентов надо получить, склеить, причесать. Что же нам даст такая картина поставок? Проведя кластерный анализ, мы можем понять нашу «идеальную корзину» в разрезе регионов и начать работу с теми из них, где есть просадка по той или иной группе продуктов или продукту внутри группы. Понятно, что для этого необходимо с помощью того же кластерного анализа объединить торговые точки со схожими моделями сбыта и структурой покупок – нельзя сравнивать центральную улицу города и спальный район.

Итак, «идеальную корзину» получили, отклонения посмотрели, а теперь переходим к очень важной задаче – динамическому отслеживанию изменений. Давайте возьмем простой пример.

Теперь давайте посмотрим в виде графика и проанализируем поставку в марте, изображенную на рис. 6.

Отклонения есть, но не критичные – контрагент равномерно берет меньше товаров. Возможно, еще хватает запасов, или его прогноз сбыта ниже, или не хватает оборотных средств на текущий момент. Но отклонение равномерное по всем позициям.

А если взять продажи за апрель, то мы увидим резкое падение по одной позиции. Это означает одно – контрагент где-то нашел товар дешевле или конкурент начал промо по данной позиции. А это уже повод поговорить с контрагентом.

Кейс 10. Компания по производству и продаже бытовой химии

Все производители и дистрибьюторы отслеживают продажи. Однако ориентироваться на отчет – это означает отставать от жизни. У одного из наших заказчиков так и было – отчет поступал после окончания месяца. Месяц прошел, собрали данные, и на 3–4 число следующего месяца топ-менеджменту выдавался отчет о продажах. Руководство читало, хмурило брови и говорило: «А почему падение на 3 %?» – «Сейчас разберемся, товарищ генерал!» – брал под козырек аналитический отдел и просил несколько дней на подготовку аналитического отчета – почему продажи не достигли целевых показателей. Проходит неделя, на стол руководству ложится новый отчет – продажи упали из-за падения спроса на шампунь, потому что в начале прошлого месяца конкурент провел рекламную кампанию в Поволжье и стал продавать свой шампунь со скидкой. Вот все контрагенты у него и закупились. Все, приехали. Кампания закончилась, реагировать поздно. И тогда аналитический отдел предложил динамический контроль. В компании это не первый проект по бизнес-аналитике – уже был внедрен анализ прямых продаж, прогноз сбыта, анализ остатков, финансовый анализ. Но коллеги пошли дальше: был доработан и протестирован механизм прогнозирования вплоть до каждого контрагента. Система автоматически строила прогнозы и на основании прошлых заказов прогнозировала остатки по каждому контрагенту, а на основании «идеальной корзины» и прогноза сбыта формировала «идеальное предложение». Было доработано рабочее место торгового агента – теперь он не просто принимал заказ, а сразу рекомендовал закупить необходимое количество товара. Иногда заказчики начинали спорить и заказывать по старинке, но потом все убедились, что система не имеет целью «запихнуть» как можно больше товара, а просто аккуратно составляет прогноз. Скоро системе начали доверять. Многие даже не сверялись, а говорили: «А сколько вы предлагаете нам взять?» Скорость работы и доверие к компании выросли. А если заказчик допускал существенное отклонение от рекомендованной закупки, система требовала ввести причину. Ну закупщики и говорили: «Так у конкурента распродажа, вот и закупились!» И в тот же день руководство получало сигнал: «Внимание, пять торговых агентов в Самаре сообщили, что у конкурента началась маркетинговая кампания». В тот же день! И у руководства есть время, чтобы отреагировать! Можно дать задание – бежать продавать шампунь, ведь если ты у кого-то закупился, ты не будешь сильно перетаривать склад – только покачаешь головой и скажешь: «Где ты раньше был? Я уже забил склад, закупился у твоего конкурента!» Можно сделать кросс-предложение «купи шампунь у конкурента и получи кондиционер от нас по спеццене» – для тех, кто уже купил. Да много можно идей предложить. Исполнение проекта было очень непростым. Сначала необходимо было все настроить, обкатать, настроить права доступа, посмотреть быстродействие системы. Выбрать тестовую площадку. Потом обучить обучающий центр. Его силами провести обучение 400 торговых агентов. Выдать новый релиз системы заказов и… начать отслеживать тех, кто следует рекомендациям системы, и тех, кто их игнорирует и работает по старинке – заказывает только то, что просит у него клиент. За два месяца выяснилось, что только 50 % торговых агентов опираются на мнение системы. И эффективность сотрудников, работающих с системой, была выше на 15 %, чем у тех, кто с системой не работает. Сработал «эффект дамоклова меча»: если люди понимают, что с них будут спрашивать, они работают больше и эффективнее, тем более что ничего сверхординарного от них не требовалось – просто следовать рекомендациям системы. Когда цифры легли на стол руководству, первый вопрос был: «А почему эти 200 человек не работают в системе и не следуют подсказкам?» Проект окупился во время пилотного запуска, по результатам которого было принято решение о масштабировании системы на 1250 пользователей. Думаете, все? Нет, наступил 2014 год. И в систему был добавлен функционал по отслеживанию дебиторской задолженности, а торговые агенты были мотивированы снижать рассрочку. Кроме того, система вычисляла неблагонадежных контрагентов и блокировала отгрузку, потому что считала, что товар не будет оплачен. Тогда вместо торгового агента к клиенту выезжал коллектор, который просил оплатить уже отгруженный товар, – это избавило компанию от ряда потерь: попробуй судиться с обществом с ограниченной ответственностью (ООО), у которого уставной капитал заявлен в 10 000 рублей. И теперь все общение с контрагентами – промоакции, вывод новых продуктов на рынок, анализ финансовой дисциплины и формирование персонализированных предложений – идет в рамках данной системы.

Кстати, другой наш заказчик, фармацевтическая компания, не просто выдает задания торговым агентам, но и контролирует посещение всех точек: агенты должны проконтролировать наличие своего препарата в аптеках, ближайших к лечебно-профилактическим учреждениям (ЛПУ). Система дает задания, а с телефонов собирается информация по перемещению агентов: так как телефон выдан и оплачивается компанией, она имеет право видеть всю информацию в течение рабочего дня – где был агент и какие точки посещал. Разумеется, выявили ряд нарушений, а когда сотрудники поняли, что и этот фронт работы стал контролироваться, стали более аккуратно относиться к своим служебным обязанностям. Как думаете, сколько это принесло?

Кейс 11. Иногда анализ финансов начинается с анализа продаж

Подобная автоматизация упрощает как управление компанией, так и трудовую дисциплину. Я хорошо помню первую встречу с Михаилом Юрьевичем Кацнельсоном, финансовым директором компании «Burger King Россия». Разумеется, мы с партнером – компанией BI Consult – готовились к встрече и решили показать финансовый анализ. Но Михаил Юрьевич неожиданно проявил интерес к анализу продаж. Мы немного удивились, так как анализ продаж в целом проще финансового. Но он произнес замечательную фразу: «Что в финансах творится, я и сам знаю. Мне необходимо знать информацию по всей компании». Действительно, в любой компании сложно получить сведения из другого отдела. Финансы видят бюджеты и проводки, но, если по итогам месяца отдел продаж недовыполнил план, это может привести к кассовому разрыву, что может стать для финансового директора неприятным сюрпризом. Было бы неплохо понимать заранее, что происходит в продажах. Кадры прекрасно знают численность сотрудников и фонд оплаты труда (ФОТ) на голову. Однако кто лучше работает, а кто хуже – они не знают и могут полагаться только на субъективную оценку менеджмента того или иного отдела.

А построение единого информационного поля – это тяжелый проект. Согласно уже упомянутому исследованию «Цифровая вселенная возможностей: насыщенные информацией данные и растущая ценность интернета вещей», среднее по отрасли развертывание аналитического решения занимает полтора года, а получение одного отчета – 6,3 недели. Вы представляете себе, что может произойти за полтора месяца? Раз – и курс обвалился, а матрица спроса сместилась в сторону более дешевых товаров. Два – вышел новый закон. Три – объявили карантин. Да что угодно может произойти за это время! А хранилища строятся годами, и этому процессу нет конца. А вытянуть оттуда данные зачастую ой как непросто. В итоге был выбран проект быстрого прототипирования – это такая модель, при которой на специализированной платформе собирается информация по всем системам и руководство получает объективную картину по всей компании, ИТ-подразделение – список отчетов, которые реально используются, и данные, которые необходимы для подготовки данной отчетности, чтобы они могли строить хранилище только на необходимых данных. Уже через два месяца все территориальные управляющие получили «рабочее место» – динамическую аналитику по всем ресторанам (отчеты, план действий, цели ресторана и факт) для предметных разговоров с управляющими торговыми точками, которые проходят два раза в неделю. Обсуждается каждое отклонение: нарекания, выручка, трафик, средний чек, нагрузка на кассы, почему касса не работала в пиковое время. Это привело к повышению трудовой дисциплины и росту маржинальности компании. Выручка по тем же ресторанам в год увеличилась на 13,3 %, а руководство получило полную и оперативную информацию по контролируемой операционной прибыли, аналитическому показателю EBITDA, прямой и прочей себестоимости, включая затраты на ночную уборку ресторана, эксплуатационные расходы и коммунальные платежи, оплату труда персонала, обученность, текучесть кадров и заполненность штата.

Кстати, у их коллег из компании YUM Russia, которая управляет ресторанами KFC и Pizza Hut, данный инструмент также является основным для всего менеджмента компании, и руководство проводит в нем в среднем 15 часов в неделю – это слова операционного директора. А сколько вы проводите времени за анализом результатов деятельности компании или определенного проекта?