چکیده وبینار آموزشی تحلیل داده و کاربرد آن در صنعت پخش و خرده‌فروشی

سکان پلتفرم تحلیل داده، چندی پیش وبیناری برگزار کرد که علیرضا رحیمی مدیر محتوای سکان میزبان ایمان بخشعلی مشاور کسب‌وکار  و پیرامون موضوع «تحلیل داده و کاربرد آن در صنعت پخش و خرده‌فروشی» به بحث و گفت‌گو نشسته‌اند. در این مطلب چکیده‌ایی از مهم‌ترین نکات این گفت‌وگو را آورده‌ایم.

تا ده سال پیش شاید مفهوم داده از مفاهیم ناشناخته محسوب می‌شد ولی امروزه شما قطعا اطلاعات مختلفی از داده را در کتاب‌ها، رسانه‌ها و مقالات مشاهده کرده‌اید. زمانی که از داده محوری صحبت می‌شود برخی افراد فکر می‌کنند به زودی یک هوش مصنوعی قرار است در سازمان به جای آن‌ها فکر کند و تصمیم بگیرد، بله اما مسیر بسیار طولانی برای این سطح از داده محوری وجود دارد.

کلان داده‌ها به سرعت در حال تغییر نحوه‌ی تعامل کسب‌وکارها با مصرف‌کننده‌ها هستند به همین دلیل داده از جمله پنج مسله مهم سازمان به حساب می‌آید چرا که این مشتری است که دوام یا مرگ یک سازمان را می‌سازد.
داده محوری به دلیل تناقض با اجرای مدل‌های قبلی اداره کسب‌وکار، با موانع فرهنگی، استراتژیک و عملیاتی مواجه است، در موانع فرهنگی با ۵۱٪ آرا، سازگاری با استراتژی داده محور، در موانع استراتژیک با ۴۸٪ آرا، گرفتن تصمیمات مبتنی بر واقعیات و در موانع عملیاتی با ۴۴٪ آرا، تبدیل نتایج داده‌ها به عمل از جمله موانع مهم به حساب می‌آیند.

مدیران در برخورد با سازمان و رشد سازمان به دو شکل هستند گروه اول مدیرانی هستند که با توجه به تجربه و بینش مناسبی که از صنعت خود داشتند، تصمیم می‌گیرند. به طور مثال با مطالعه بازارهای خارجی و تطابق آن با بازار ایران اقدام به تولید برخی محصولات جدید می‌کنند به این نوع از مدیران کریستوف کلمب گفته می‌شود.
گروه دوم به این فکر می‌کنند رشد سازمانشان برای کسب‌وکار آن‌ها چه مفهومی دارد؟ توسعه به معنای توسعه محصول است یا به معنای ورود به بازار جدید؟ این گروه از مدیران با داده به دنبال رد یا تایید فرضیاتشان هستند به این نوع مدیران شرلوک هلمز گفته می‌شوند. داده به مدیران بینش درست‌تری از کسب‌وکار را می‌دهد و این باعث می‌شود تصمیمات موثرتری را در سازمانشان اتخاذ کنند.

فواید داده

سود و زیانی که داده برای شما پدید خواهد آورد سود و زیان در صورت‌های مالی نیست بلکه سود به معنای بهبود فرآیند کسب‌وکار، خلق ارزش برای مشتریان، تولید محصول بهتر، پیش‌بینی مخاطرات می‌باشد که در نهایت همه این موارد منجر به سود مالی شما خواهد شد.

انواع تحلیل‌ها

تحلیل داده از دو جز اصلی Data science (تحلیل داده) و Decisions science (علم تصمیم‌گیری) تشکیل شده است، به وسیله‌ی این روش‌ها داده‌های سازمان تحلیل می‌شود تا ذی‌نفعان سازمان تصمیم‌های بهتری برای سازمان بگیرند.

اصل پارتو یا ۸۰/۲۰ در بازاریابی می‌گوید ۸۰٪ درآمد شما از ۲۰٪ مشتریان شماست این اصل در داده محوری می‌گوید شما به ۸۰٪ هدافتان با داده‌های ساده می‌توانید دست پیدا کنید این داده‌ها در تصمیم‌گیری‌های روزانه کاربرد خواهند داشت و برای دست‌یابی به ۲۰٪ مابقی نیازمند تحلیل‌های پیشرفته هستید این تحلیل‌ها بینش‌هایی از آینده را برای شما فراهم می‌آورند،‌به عنوان مثال می‌توان به پیش‌بینی یکسری از تغییرات در بازار اشاره کرد.

چند متد تحلیل‌ها در سازمان

تحلیل‌های تجمعی

تحلیل‌های هستند که به صورت روزمره از آن‌ها استفاده می‌کنیم. مانند: میزان فروش، تعداد فاکتورها، تعداد مشتریان و…

تحلیل‌های همبستگی

تاثیر یک یا دو پارامتر بر روی یک یا دو پارامتر دیگر را مورد بررسی قرار می‌دهد. مثال: زمانی که یک پروموشن (چاشنی‌های فروش) را اجرا می‌کنیم تاثیر آن را روی میزان فروش بررسی می‌کنیم.

تحلیل‌های روندی

تحلیل‌هایی هستند که ما در طول زمان تحلیل‌های تجمعی و همبستگی را مورد بررسی قرار می‌دهیم.

تحلیل‌های اندازه‌گیری و یا تخمینی

تحلیل‌هایی که صرفا تخمین هستند، طبق این تحلیل‌ها شما تخمین می‌زنید میزان فروش، میزان هزینه‌های سازمان چقدر می‌باشد.

تحلیل‌های آینده یا سری‌های زمانی

این تحلیل‌ها از جمله تحلیل‌هایی هستند که استفاده کمتری دارند، طی این تحلیل‌ها با مدل‌سازی و روندسازی مدل‌های گذشته، مدل‌هایی طراحی می‌شوند که به وسیله آن بتوان آینده سازمان و بازار را پیش‌بینی کرد و درصد احتمال وقوع اتفاقات را بررسی نمود.

تحلیل بخش‌بندی

یکی از تحلیل‌های کاربردی در موضوعات پیچیده تحلیل بخش‌بندی است چرا که ما برای ساده کردن موضوعات پیچیده ناگزیر هستیم آن را به بخش‌های مختلفی تقسیم کنیم. مانند: بخش‌بندی مشتریان، زمانی که شما مشتریان را به گروه‌های مختلف تقسیم می‌کنید می‌توانید رفتار متناسب با آن گروه از مشتریان را داشته باشید. (درباره بخش‌بندی مشتریان بیشتر بخوانید)

تحلیل چرخه عمر مشتری

تحلیل‌هایی که ما بر روی رفتار مشتری، فرآیند خرید مشتری در طول چرخه عمر مشتری (با مفهوم طول عمر مشتری و ارزش آن برای کسب‌وکار آشنا شوید) انجام می‌دهیم و سعی می‌کنیم با تغییر در بخش‌های مختلف، این فرآیند خرید را بهبود ببخشیم. داده‌ محوری در سازمان چهار سطح دارد:

سطح اول داده‌های توصیفی
ین نوع داده‌ها نیازهای روزانه سازمان را تامین می‌کنند در این سطح از داده‌ها معانی استخراج می‌شوند و به سوالات پاسخ داده می‌شود. بزار اصلی آن برنامه اکسل است.
داده‌های تشخیصی
در این سطح به دلیل حجم عظیم داده‌ها گزارش‌ها هوشمندسازی می‌شوند که در نهایت منجر به هوشمندسازی تجارتتان می‌شود.
داده‌ی پیش‌بینی کننده
طی این مرحله شما با استفاده از حجم عظیم داده‌های جمع‌آوری شده با توجه به مدل‌سازی‌ها و شبیه‌سازی‌ها رویدادهای آینده تاثیرگذار بر سازمان را پیش‌بینی می‌کنید.

مرحله آخر داده‌های تجویزی متوجه می‌شوید چه تصمیمی برای اتفاقات سازمان بهتر است.

دسته‌بندی مشتریان به روش RFM

RFM متشکل از کلمات Monetary ،Frequency ،Recency است. Recency به معنای تازگی خرید مشتری است اینکه مشتریان ما در هفته گذشته، در ماه گذشته و … چه تعداد خرید کرده‌اند. Frequency به معنای تعداد دفعات خرید مشتری در طول عمرش است و Monetary به معنای ارزشی است که مشتری در طول عمرش برای ما ایجاد کرده است. طبق این سه مورد ما مشتریان بررسی می‌کنیم و به آن‌ها امتیاز می‌دهیم و مشتریان را در ۶، ۸ و ۱۱ گروه تقسیم‌بندی می‌کنیم.

مشتریان قهرمان مشتریانی هستند که در طول عمرشان بیشترین خرید را از ما داشتند، بیشترین ارزش را برای ما در مقایسه با سایر مشتریان ایجاد کرد و به تازگی از ما خرید کرده‌اند.
مشتریان تازه وارد تازگی خرید بیشتری دارند ولی دفعات خرید و ارزش خریدی که از ما داشتند امتیاز پایینی دارد.

شما قبلا یک هدف در کمپین برای کسب‌وکارتان تعیین می‌کردید و تمام بخش‌ها تلاش می‌کردند به آن هدف دست یابند اما زمانی که شما دسته‌بندی مشتریان را انجام دادید، می‌توانید برای هر گروه هدف مختص خودش را انتخاب کنید در این صورت هزینه‌ها هدفمندتر صرف می‌شود.
به طور مثال شما با داده محوری متوجه می‌شوید مشتری که در آبان ماه جذب کرده‌اید در حال حاضر در چه شرایطی است و باید چه رفتاری با آن‌ها داشته باشید. داده به شما کمک می‌کند مشتریانتان را وفادارتر کنید.
یکی از اتفاقات بزرگی که در صنعت در سال‌های گذشته روی داد شیوع ویروس کرونا بوده شما با توجه به رفتار مشتریان در گذشته باز هم می‌توانید رفتارشان را در آینده پیش‌بینی کنید.

BADIR

روش BADIR خلاصه کلمات business question (سوال کسب‌وکار)، analyze plan (برنامه‌ریزی تحلیل)، data collection (جمع‌آوری داده)، inside (بینش) و recommendation است.
شما در کسب‌کارتان ابتدا باید بدانید پرسش اصلی کسب‌وکار شما چیست، در نهایت تمام فعالیت‌هایتان را طبق آن پیش ببرید.
شما با پنج سوال درمی‌یابید که پرسش اصلی کسب‌وکار شما چیست؟

What: موضوع اصلی چیست؟ چه اتفاقی افتاده؟
Why: چرا به دنبال حل این مسئله هستید؟
Who: منابع این تصمیم به چه فرد یا افرادی می‌رسد و چه کسانی در این تصمیم ذینفع هستند؟
Where: این رویداد یا تصمیم قرار است در کجا و در چه محلی تاثیرگذار باشد؟
When: در چه بازه زمانی قرار است این مسئله حل شود؟
How:راه‌های محتمل جهت حل این موضوع چیست؟

گام بعدی برنامه‌ریزی برای تحلیل است، اینکه چه روش تحلیلی و چه داده‌هایی مناسب با سوال کسب‌وکار شماست. در نهایت تمام مسائل طی جلسه‌ای به اطلاع تمام افراد سازمان می‌رسد و هر فرد وظایف خود را پیگیری می‌کند.
در مرحله سوم شما طبق برنامه‌ریزی که در سازمان دارید اطلاعات را در تمام بخش‌ها جمع‌آوری می‌کنید چرا که اصولا داده در سازمان‌ها فقط در بخش حسابداری جمع‌آوری می‌شود و داده‌هایی که بخش‌های دیگر تولید می‌‌شوند مورد توجه قرار نمی‌گیرند یا در نهایت، آمارهای بخش فروش جمع‌آوری می‌شوند.
شما در انتهای این جریان، به یک بینش از آینده‌ی سازمان و بخش‌های مختلف آن پیدا می‌کنید که این بینش در نهایت روی تصمیمات شما تاثیر خواهد داشت چرا که متوجه می‌شوید فرضیه‌هایی که از مسائل مختلفی که در سازمان داشتید با واقعیت مطابقت دارد یا خیر.
شما به عنوان مهندس دیتا باید به طور شفاف از نتایج داده‌های سازمان سخن بگویید ممکن است به خاطر اینکه شما نیروی جدیدی در سازمان هستید از گفتن حقایقی مخالف نظر مدیران خودداری کنید ولی باید به مرور اخلاقیات افراد را بشناسید و بهترین توصیه‌ها برای آینده سازمان را در اختیار مدیران قرار دهید تا تصمیمات مناسب گرفته شود.

فرهنگ داده محوری

زمانی که مدیران داده را می‌پذیرند و تیم داده در سازمان مستقر می‌شود، چالش بعدی ایجاد فرهنگ داده محوری در سازمان است،. فرهنگ داده محوری یعنی اینکه تک تک کارمندان به صورت روتین در تصمیم‌گیری‌های خود داده را استفاده کنند، در کشورهای توسعه یافته مهندسین داده کم کم در حال ورود به هیات مدیره‌ها هستند چرا که در نهایت امکان تصمیم‌گیری درست‌تری وجود داشته باشد. این باعث می‌شود مدیران شهودی، به سمت داده‌ها بروند به این توجه کنند که این مهندسین داده میزان زیادی فکت کسب کرده‌اند و برای تایید این شهود موجود به مطالعه این داده‌ها می‌پردازند چرا که داده، شهود را کنار نمی‌زند بلکه آن را تکامل می‌بخشد.

مدیران در مواجه با داده به چند شکل هستند گروهی از ورد به این فضا ترس دارند، گروهی اعتماد دارند ولی به دلیل هزینه و زمان‌بر بودن علاقه‌ای به پذیرش ریسک این مساله ندارند، گروه سوم اعتماد دارند و ریسک این داستان را پذیرفته‌اند، دو گروه اول باید از خود سوال کنند که تحلیل داده در سازمانشان می‌تواند چه کمک‌هایی انجام دهد؟ در نهایت متوجه می‌شوند که حضور داده و حتی چندبار استفاده از داده اعتماد آن‌ها را جلب خواهد نمود.

گروهی از مدیران در سازمان با توجه به این که داده خاصی در سازمان جمع‌آوری نمی‌شود خود را داده محور می‌دانند چرا که بخشی از داده‌ها در بخش حسابداری ثبت می‌شود و بخشی در بخش مارکتینگ و بخشی از داده‌ها هم از نتایج پروموشن‌های مختلف جمع‌آوری می‌شوند اما باید توجه کرد که تحلیل‌هایی که ما شاید بتوانیم در این حد از داده‌ها داشته باشیم تحلیل‌های پایه (توصیفی و تشخیصی) می‌باشد.
به طور مثال: شما یک شرکت پخش بهداشتی هستید که محصول دهان دندان در داروخانه‌های تهران به صورت مویرگی پخش می‌کنید. ما به وسیله داده می‌گوییم در اطراف داروخانه‌های شما چه تعداد دندانپزشک وجود دارد که می‌تواند داروی شما را تجویز کند و در نهایت به شما بگوییم که چه مدت زمانی طول می‌کشد که حجم مورد نظر از محصول، در داروخانه مذکور تمام شود و نهایت زمان مراجعه دوباره شما از قبل تعیین می‌شود و برنامه مراجعات شما معلوم می‌شود. طبق داده‌هایی که شما در شهر تهران دارید می‌توانید برنامه ورود به شهرهای دیگر را آماده کنید.

زمانی که ما داده محوری را در سازمان آغاز می‌کنیم طبق کسب‌وکارمان تشخیص می‌دهیم چه داده‌هایی برای بهبود کسب‌وکار مناسب است در نتیجه‌ برای جمع‌آوری داده‌ها بخشی از داده‌ها در درون سازمان موجود هستند بخشی هم باید خارج از سازمان به دنبال آن‌ها باشید.
داده محوری فرآیند است. زمانی که مدیران یک سازمان تصمیماتشان را با داده اتخاذ کنند و از زیر دستان گزارش‌های داده محور بخواهند، در نهایت نتیجه به این صورت خواهد بود که طی جلسات افراد با دست پر حضور خواهند داشت و به دنبال تصویب اجرای یک پروموشن یا یک کمپین خواهند بود.

در سازمان چهار نوع کارمند در مقابل داده محوری داریم:
گروه اول کسانی هستند که به آن‌ها دوست داده می‌گویند، این افراد تجربه کار با داده را دارند نسبت به آینده بینش درستی دارند، گروه دوم دشمن داده هستند، کارمندانی که در واقعیت عملکرد درستی در سازمان ندارند و می‌دانند ممکن است با ورود داده به فضای کار، عملکرد واقعی آن‌ها لو برود، گروه سوم عملکرد خوبی دارند ولی هیچ بینشی نسبت داده ندارند و گروه چهارم عملکرد خوبی داشتند ولی عملکردشان در سازمان دیده نمی‌شود. این افراد به دنبال ورود داده به سازمان هستند.

تفاوت پلتفرم سکان با Power BI

تحلیل‌های Power BI فقط در سطح توصیفی یا گاهی تشخیصی است این ابزار امکان مدل‌سازی و شبیه‌سازی تحلیل‌های پیش‌بینی کننده یا تجویزی را ندارد.
خیلی از افراد نگران مساله امنیت داده‌ها در پلتفرم سکان هستند. دو روش برای برون‌سپاری داده وجود دارد:
یک روش به این صورت است که کل پلتفرم در سرور مجموعه‌ها پیاده می‌شود و داده‌ها در داخل سازمان خودتان تحلیل می‌شود، روش دوم به این صورت است که داده‌های شما به صورت مجهول و بدون اینکه مشخص باشد این داده‌ها مرتبط به کدام بخش است، فقط به صورت عدد و رقم، که در نمودارها پیاده‌سازی می‌شوند به سکان انتقال داد می‌شوند.

صنعت خرده فروشی

به طور مشخص پس از جنگ تا دهه هشتاد در صنعت خرده‌فروشی تلاش فقط برای توزیع مناسب محصولات در شهرها بود، چرا که ما با کمبود محصولات مواجه بودیم. از دهه هشتاد به بعد این صنعت به دلیل تغییر رفتار مشتری به سمت تبلیغات رفت تا بتوان محصول مناسب را در نقطه‌ی مناسب در معرض دید مشتری قرار دهد.
در این صنعت رفته رفته به این سمت سوق پیدا می‌کنیم که شرکت‌ها خود به دنبال بازاریابی محصولاتشان بروند و شرکت‌های پخش فقط وظیفه پخش محصولات را انجام دهند.

ویدیو کامل این وبینار را میتوانید در اینجا مشاهده کنید.