Да се правят прогнози е изключително трудно, особено както гласи стара датска поговорка, ако те са за бъдещето. С този проблем се сблъсква всекидневно всеки мениджър, а когато говорим за търговия на дребно, често става дума и за непрекъснат процес, който обхваща служители на всички нива. А в основата на всяка прогноза стои набор от данни, които невинаги обаче са добре разбрани или във вид, удобен за анализ.
В последните две години почти всяка бизнес конференция, независимо от индустрията, която ангажира, включва в дневния си ред въпроси за управлението на данни и информацията за миналото и бъдещето, които те могат да разкрият. И докато анализът на миналото в различна дълбочина е често срещана практика, алко компании се осмеляват да погледнат в бъдещето. А тези, които го правят, все още разчитат основно на своите експерти и създадени на ексел модели.

Минало бъдеще време

Това обаче е на път да се промени. През последните няколко години бизнесът в България, воден основно от компаниите с чуждестранно участие, прави стъпки към използване на все повече дигитални решения, които да позволят да се извлича допълнителна полезна информация от огромният масив от данни, с който разполагат. По-амбициозните компании продължават напред, като подпомагат експертните решения с прогнозни статистически модели, изготвени от анализатори на данни (data scientists). Резултатът е прогнози, които се сбъдват с все по-голяма точност.
С помощта на прогнозни модели, които стъпват върху съществуващи данни, тези компании успяват да предвидят поведението на клиентите си, да оптимизират и персонализират маркетинг посланията си и дори да си осигурят препоръка кои действия и стратегии са с потенциал да постигнат желания резултат.

Примери от цял свят

Най-често цитираният пример за резултат от прогнозен модел, показва, че мъжете, които купуват памперси, често купуват и бира. Този пример е в основата на решенията на много от водещите ритейлъри по света да проверят силата на прогнозните модели при оптимизирането на асортимента и оценката на ефективността на промоциите си. Например американската верига Staples докладва 130% възвращаемост на инвестицията в анализа на поведението на клиентите си, благодарение на който осигурява на своя екип по-добра представа за желанията и предпочитанията им и впоследствие персонализира маркетинг стратегията си. Проучване на Gartner показва, че тази възвращаемост е очаквана, тъй като средната възвращаемост от подобен тип инвестиции е над 100% още през първата година. Благодарение на персонализирания си подход компаниите успяват да намалят отлива на клиенти с над 28%.

Компаниите от финансовия сектор също използват прогнозните анализи основно за намаляване на измамите и повишаване на продажбите на свързани продукти (cross-sell). Според проучването на Gartner компаниите от бранша успяват да реализират средно 2.5 пъти по-големи допълнителни продажби, като прилагат прогнозни модели.

Една от големите компании - издател на кредитни карти, съобщава, че е увеличила печалбата в размер на 6 млн. долара за всеки 1 млн. активни сметки, след като започва да определя кредитния лимит на всеки клиент с помощта на прогнозен модел. Това позволява на финансовата компания да намали драстично риска длъжниците да не могат да покрият задълженията си и да подобри печалбата си.
Прогнозните модели често включват и данни извън тези, които се генерират в компанията. Например Walmart открива, че ягодовите сладкиши са сред най-купуваните стоки няколко дни преди прогноза за буря в района. Европейска верига за търговия на дребно пък използва данните за времето, за да разпределя служителите по различни работни места с цел максимална ефективност и минимално забавяне на работата - при захладняване се наблюдавал ръст на онлайн поръчките и в тези отдели персоналът често не бил достатъчен.

Дори по-малки търговци могат да извлекат ползи от ефекта на времето върху продажбите им. Например малка кафе верига в САЩ забелязала значителна корелация между продажбите и прогнозата, след което с помощта на прогнозен модел успяла да оптимизира прогнозите си за търсенето на стоките според очакваното време навън.
Друга интересна възможност, която прогнозните модели осигуряват, е възможността за сегментация на клиентите спрямо тяхното поведение и персонализацията на подхода за превръщането им в лоялни. Над 74% от компаниите, които разполагат с персонални данни за клиентите си, използват прогнозни анализи като основен инструмент, с който да извлекат нужната им информация.

Примери и у нас

Макар все още да се приема за сравнително екзотично решение, изготвянето на прогнозни модели намира своите първи потребители в България. Очаквано резултатите не закъсняват.
Традиционно пионерите в подобна област са филиали и дъщерни компании на чуждестранния бизнес. На първо място това са банките, като не липсват и примери с компании за изкупуване на вземанията и други небанкови финансови дружества. В Уникредит Булбанк вече от няколко години използват прогнозни анализи за поведението на клиентите. По време на конференцията "Analytics Roadshow Sofia 2016" Надежда Вичева, ръководител на CRM направлението в банката, разказва, че решението е въведено с цел "да бъде идентифицирана следващата най-добра оферта". Една от по-малките бутикови банки пък използва модели, които да сегментират клиентите ѝ и да подобрят ефективността на маркетинг кампаниите ѝ. Резултатите са неколкократно по-висок положителен отговор на изпратените предложения.

Втора голяма група компании сред най-амбициозните и в България са телекомите. Почти всички компании в сектора използват прогнозни модели с една или повече бизнес цели. Агресивната конкуренция и наситеният пазар задължават тези компании да търсят иновативни подходи за задържане на текущите им клиенти, като намерят най-подходящата оферта за всеки от тях. Също така с помощта на прогнозните модели операторите могат да определят доколко наистина е ценен всеки техен клиент и съответно с какво предложение биха могли да го задържат.

Макар обикновено с по-малки бюджети и в по-малък мащаб, търговците на дребно също правят своите първи крачки към анализа на данни и използването на прогнозни модели. Част от големите вериги за хранителни и нехранителни стоки прилагат прогнозни модели, за да оптимизират съдържанието на промоционалните си каталози и техния обем според демографията на населеното място и покупателните му навици. Други използват събираната информация за клиентите, за да предвидят поведението им. Например като клиент, когато сканирате картата си за лоялност или получавате фактура, може да получите и уникално предложение за допълнителна отстъпка или промоционален ваучер за следващата ви покупка. В онлайн магазините пък вероятно сте виждали предложенията, които ви обясняват, че клиентите, купили стоката, която гледате, са си купили още и следните стоки. С помощта на прогнозни модели тези предложения стават наистина персонални и уникални за всеки потребител на база на неговата лична история. Това увеличава кроспродажбите (Cross-sell).

На конференцията "Стратегии за успех в електронната търговия" в началото на тази година "Декатлон България" представи визията си за обслужване на клиента. Според плановете на компанията фокусът се измества от мултиканалния подход към омниканалния маркетинг. В най-общ смисъл това е използване на връзката с потенциалните клиентите на всички възможни нива и места. В подкрепа на стратегията за реализиране на новата визия за "Декатлон България" ще работи екип от анализатори на данни, които са част от компанията майка. Те ще използват аналитични модели за клиентите на българската верига, чрез които изцяло да персонализират предложенията и каналите си за комуникация спрямо всеки клиент.

Стъпка по стъпка

Дори когато мениджмънтът на компанията осъзнава необходимостта от използването на прогнозни модели, те често изглеждат неприложими за голяма част от служителите. Затова все по-популярна практика в България, а и не само, е идентифицирането на минипроект (POC), който да разкрие потенциала на този тип анализи.
За всяка компания подходящ старт може да бъде дефиниране на конкретен въпрос, на който търси отговор. Какво би искала тя да разбере и предвиди и най-важното – как ще приложи на практика получените резултати. Оставени без контекст, прогнозните модели може да не са от особена полза за бизнеса. Необходимо е резултатите от тях да бъдат внедрени в оперативната дейност на компанията, преди да се планира и предприеме следващата стъпка – осигуряване на необходимите данни.

В повечето случаи осигуряването на данни се прави от много и различни места и отдели – транзакционни системи, счетоводни системи, външни източници и т.н. Всички събрани данни подлежат на обработка, което е стъпката, която изисква най-много време и включва най-широк кръг от хора с познания на структурата на всеки източник.

Обработените данни след това преминават в ръцете на анализаторите, които създават различни модели и ги валидират срещу извадка от данните. Процесът продължава с валидацията им в реални условия. Когато резултатите са обнадеждаващи, за компанията предстои най-важната стъпка – да внедри прогнозните модели в оперативната работа на бизнеса. Прогнозните модели са полезни за бизнеса едва когато резултатите от тях бъдат използвани не само от мениджмънта, а и от служителите при взимането на оперативни и стратегически решения. Ако използваме примера с банките или други институции от сектора, прогнозен модел, който сегментира предварително добрите потенциални и текущи клиенти преди прехвърлянето им към основния вътрешен инструмент за оценка на риска, може значително да подобри неговата точност и да намали процента необслужвани кредити.
Макар не всичко това да изглежда логично, в реалност съпротивата срещу промени, които могат да бъдат и много съществени, е най-често срещаният фактор за провала на такъв проект.

Кога (и колко) си струва?

За разлика от скъпоструващи ERP и CRM софтуерни решения въвеждането на прогнозни модели като част от всекидневната работа на компанията, е решение което може да се планира и внедри и в по-малък мащаб. Това помага на заинтересованите да си създадат реална представа за ползите от подобни технологични решения и на по-скептичните служители да видят реалното приложение и да започнат да приемат резултатите от прогнозните модели на сериозно.
Най-хубавото е, че почти винаги ползите и приходите от направената инвестиция се изравняват с първоначалната стойност на проекта още след първите няколко месеца, което е сериозен фактор при взимането на решения за такъв тип проекти.
Всичко това ясно показва, че пазарът е на прав път и погледът на всички постепенно се насочва към силата на данните. А компаниите, които вече работят в тази посока, получават по-значително конкурентно предимство.