Эффективная бизнес-аналитика и качественный анализ данных. Business Intelligence (BI) системы для бизнес-анализа Анализ данных в бизнес аналитике

Бизнес-аналитика и анализ данных. Эффективный консалтинг - это то, что необходимо для качественного развития любого бизнеса. Разрешение существующих проблем и кризисов, предотвращение потенциальных, поиск ходов для увеличения прибыли и эффективности в целом: всё это предоставляет вам качественный консалтинг.

Процесс консалтинга - сложный, многоступенчатый, многоуровневый, здесь нет четкого и универсального подхода к абсолютно любому делу: контекст бизнеса, его ниша, отрасль, ЦА, особенности и многое другое: всё это влияет на то, каким образом будут диагностироваться бизнес-процессы. Естественно, финальному этапу консалтинга предшествуют множество других пре-процессов, таких, как подготовка задача, описание бизнес-процессов, аналитика бизнеса, диагностика инфраструктуры в целом и IT-инфраструктуры организации, в частности, анализируются данные, а уже на основе этого создается ряд рекомендаций. Надо сказать, что именно бизнес-аналитика и анализ данных - важнейшие этапы в процессе консалтинга, именно они ведут к соответствующим выводам, именно на основе такого анализа, создаются какие-либо рекомендации.

Анализ данных и бизнес аналитика: как осуществить?

Качественному анализу, в данном случае, никак не обойтись без наличия каких-либо количественных метрик. То есть, очень желательно, чтобы в работу предприятия была внедрена некая автоматизация - бизнес-процессов, взаимоотношений с клиентами, поставщиками, посредниками, чтобы также был автоматизирован документооборот и все остальные процессы. Именно при качественном учете всех процессов, происходящих внутри бизнеса, значительно облегчается отчетность и дальнейшая аналитика.

Как можно автоматизировать документооборот, управление клиентами и облегчить отчетность?

Лучшим вариантом станет эксклюзивное программное обеспечение, предназначенное для выполнения множества задач - от ФБ Консалт. Вам предлагаются качественные системы управления клиентами - разного рода CRM, предназначенные для различных отраслей бизнеса, эффективное решение для контроля документооборота - DocsVision, а также ПО, подходящее для бизнес-аналитики и анализа данных, в том числе - и для выявления сомнительных финансовых операций - QlikView. Внедрение таких решений, значительно повысит эффективность вашего бизнеса.

(Business Intelligence).

В качестве докладчиков на семинар приглашаются молодые специалисты, делающие успешную карьеру аналитиков в высокотехнологичных компаниях, таких, как Microsoft, IBM, Google, Яндекс, МТС, и др. На каждом семинаре студентам рассказывают о некоторых бизнес-задачах, которые решаются в этих компаниях, о том, как происходит накопление данных, как возникают задачи анализа данных, какими методами их можно решать.

Все приглашаемые специалисты открыты для контактов, и студенты смогут обращаться к ним за консультациями.

Цели семинара :

способствовать устранению существующего разрыва между университетскими исследованиями и решением практических задач в области анализа данных;
способствовать обмену опытом между настоящими и будущими профессионалами.

Семинар проводится регулярно на факультете ВМК МГУ по пятницам в 18:20 , аудитория П5 (первый этаж).

Посещение семинара - свободное (если у Вас нет пропуска в МГУ, заранее сообщите вашу Ф.И.О. организаторам семинара для подачи списка участников на вахту).

Программа семинара

Дата	Докладчик и тема семинара
10 сентября 2010 18:20	Александр Ефимов , руководитель аналитического отдела розничной сети МТС. Прогнозирование эффекта маркетинговых кампаний и оптимизация ассортимента магазинов . Страница прикладной задачи: Оптимизация ассортимента торговых точек (задача с данными) .
17 сентября 2010 18:20	Вадим Стрижов , научный сотрудник Вычислительного центра РАН. Банковский кредитный скоринг: методы автоматического порождения и выбора моделей . Рассматривается классическая и новая технологии построения скоринговых карт. На семинаре рассказывается о том, как устроены данные о клиентах и о том, как породить наиболее правдоподобную скоринговую модель, отвечающую, к тому же, требованиям международных банковских стандартов.
24 сентября 2010 18:20	Владимир Крекотень , начальник управления маркетинга и продаж брокерского дома «Открытие». Применение математических методов для прогнозирования и противодействия оттоку клиентов . Рассматриваются практические проблемы, возникающие при анализе клиентской базы в маркетинге. Ставятся задачи кластеризации и сегментации клиентов, скоринга новых клиентов, отслеживания динамики целевых сегментов. Страница прикладной задачи: Кластеризация клиентов брокерской компании (задача с данными) .
1 октября 2010 18:20	Николай Филипенков , и.о. начальника отдела кредитного скоринга Банка Москвы. Применение математических методов для управления розничным кредитным риском . Рассматриваются некоторые практические аспекты построения скоринговых моделей и оценивания рисков. Страница прикладной задачи: Управление розничным кредитным риском (задача с данными) .
8 октября 2010 18:20	Федор Романенко , менеджер отдела качества поиска, Яндекс. История и принципы ранжирования веб-поиска. Рассматриваются вопросы использования и развития методов Information Retrieval, от текстового и ссылочного ранжирования до Machine Learning to Rank в задаче интернет-поиска. Основные принципы, лежащие в основе современного веб-ранжирования, излагаются в привязке к историям успеха поисковых систем. Особое внимание уделяется влиянию качества поиска на рыночные показатели и жизненно важной необходимости постоянно работать над его улучшением.
15 октября 2010 18:20	Виталий Гольдштейн , разработчик, Яндекс. Геоинформационные сервисы Яндекс. Рассказывается о проекте Яндекс.Пробки и других геоинформационных проектах Яндекс, о том, откуда берутся исходные данные для построения геоинформационных систем, о новой масштабируемой технологии обработки данных, о конкурсе Интернет-математики и некоторых перспективных задачах. Предоставляются данные и даётся формальная постановка задачи восстановления карты дорог. Страница прикладной задачи: Построение графа дорог по данным о треках транспортных средств (задача с данными) .
22 октября 2010	Семинар отменён.
29 октября 2010 18:20	Федор Краснов , вице-президент по бизнес-процессам и информационным технологиям, АКАДО. Как получать данные о клиентах?

Основная цель любого анализа данных – поиск и обнаружение закономерностей в объеме данных. В бизнес-анализе эта цель становится еще более широкой. Любому руководителю важно не только выявить закономерности, но и найти их причину. Знание причины позволит в будущем влиять на бизнес и дает возможность прогнозировать результаты того или иного действия.

Цели анализа данных для компании

Если говорить о бизнесе, то цель каждой компании выиграть конкурентную борьбу. Так вот анализ данных – это ваше главное преимущество. Именно он поможет вам:

Уменьшить расходы компании
Увеличить выручку
Сократить время на выполнение бизнес-процессов (узнать слабое место и оптимизировать его)
Повысить результативность бизнес-процессов компании
Выполнить любые другие цели, направленные на повышение эффективности и результативности деятельности компании.

А значит, победа над конкурентами – в ваших руках. Не полагайтесь на интуицию. Анализируйте!

Цели анализа данных для департаментов, отделов, продуктов

Как ни странно, но перечисленные выше цели полностью подходят и для анализа деятельности департаментов, анализа продукта или рекламной кампании.

Цель любого анализа данных на любом уровне – выявить закономерность и воспользоваться этим знанием для повышения качества продукта или работы компании, отдела.

Кому нужен анализ данных?

Всем. Действительно, любой компании, из любой сферы деятельности, любому отделу и любому продукту!

В каких сферах можно применять анализ данных?

Производство (строительство, нефтегаз, металлургия и т.п.)
Ритейл
Ecommerce
Услуги
И многие другие

Какие департаменты можно анализировать внутри компании?

Бухгалтерия и финансы
Маркетинг
Реклама
Администрация
И другие.

Действительно, компании из любой сферы, любые отделы внутри компании, любые направления деятельности можно, нужно и важно анализировать.

Чем могут помочь системы BI-анализа

Системы BI-анализа, автоматизированные системы аналитики, big data для анализа больших данных , — это программные решения, которые уже обладают встроенным функционалом для обработки данных, подготовки их к анализу, собственно анализа и – главное – для визуализации результатов анализа.

Не в каждой компании есть отдел аналитиков, или хотя бы разработчик, который будет обслуживать аналитическую систему и базы данных. В этом случае на помощь приходят вот такие системы BI-анализа.

Сегодня на рынке представлено более 300 решений. Наша компания остановилась на решении Tableau:

В 2018 году Tableau в 6й раз стала лидером исследования компании Gartner среди BI-решений
Tableau легко освоить (и наши практикумы это подтверждают)
Для полноценного начала работы с Tableau не требуется знаний разработчика или статистика

При этом компании, которые уже работают с Tableau, говорят, что на составление отчетов, которые раньше собирались в Excel за 6-8 часов, теперь уходит не более 15 минут.

Не верите? Попробуйте сами – скачайте пробную версию Tableau и получите обучающие материалы по работе с программой:

Скачать Tableau

Скачайте БЕСПЛАТНО полную версию Tableau Desktop, 14 дней и получите в ПОДАРОК обучающие материалы по бизнес-аналитике Tableau

Малый бизнес в странах СНГ пока не применяет анализ данных для развития бизнеса, определения корреляций, поиска скрытых закономерностей: предприниматели обходятся отчетами маркетологов и бухгалтеров. Руководители малых и частично средних предприятий больше полагаются на свою интуицию, чем на анализ. Но при этом у аналитики огромный потенциал: она помогает снизить затраты и повысить прибыль, быстрее и объективнее принимать решения, оптимизировать процессы, лучше понимать клиентов и совершенствовать продукт.

Бухгалтер не заменит аналитика

Руководители малых предприятий часто полагают, что отчеты маркетологов и бухгалтеров достаточно адекватно отображают деятельность компании. Но на основе сухой статистики принять решение очень сложно, а ошибка в подсчетах без профильного образования неминуема.

Кейс 1. Пост-анализ акционных кампаний. К Новому году предприниматель объявил акцию, в рамках которой определенные товары предлагались со скидкой. Оценив выручку за новогодний период, он увидел, как повысились продажи, и обрадовался своей находчивости. Но давайте учтем все факторы:

Продажи особенно сильно растут в пятницу, в день, когда выручка максимальная - это недельный тренд.
Если сравнивать с ростом продаж, который обычно происходит под Новый год, то выигрыш не так и велик.
Если отфильтровать акционные товары, оказывается, что показатели продаж ухудшились.

Кейс 2. Исследование товарооборачиваемости. У магазина женской одежды сложности с логистикой: товар на некоторых складах в дефиците, а на некоторых лежит месяцами. Как определить без анализа продаж, сколько брюк завести в один регион, а сколько пальто отправить в другой, при этом получить максимальную прибыль ? Для этого нужно просчитать товарооборачиваемость, соотношение скорости продаж и среднего товарного запаса за определенный период. Если выразиться проще, товароборачиваемость это показатель того, за сколько дней магазин продаст товар, как быстро продается средний запас, как быстро окупается товар. Хранить большие запасы экономически невыгодно, так как это замораживает капитал, замедляет развитие. Если запас снижать, может появиться дефицит, и компания снова недополучит прибыль. Где найти золотую середину, соотношение, при котором продукт не застаивается на складе, и в то же время вы можете дать определенную гарантию, что клиент найдет нужную единицу в магазине? Для этого аналитик должен помочь вам определить:

желательную оборачиваемость,
динамику оборачиваемости.

При расчете с поставщиками с отсрочкой нужно также высчитывать соотношение кредитной линии и оборачиваемости. Оборачиваемость в днях = Средний товарный запас * количество дней / Товарооборот за этот период.

Расчет остатков ассортимента и общей оборачиваемости по магазинам помогает понять, куда необходимо переместить часть товара. Стоит подсчитывать и то, какая оборачиваемость у каждой единицы ассортимента, чтобы принимать решение уценка при пониженном спросе, дозаказ при повышенном, перемещение на иной склад. По категориям можно разработать отчет по оборачиваемости в таком виде. Видно, что майки и джемперы продаются быстрее, а вот пальто - достаточно долго. Сможет ли такую работу провести обычный бухгалтер? Сомневаемся. При этом регулярный расчет товарооборачиваемости и применение результатов может повысить прибыль на 8-10%

В каких сферах применим анализ данных?

Продажи. Важно понимать, почему продажи идут хорошо (или плохо), какова динамика. Чтобы решить эту задачу, нужно исследовать факторы влияния на прибыль и выручку – например, проанализировать длину чека и выручку на покупателя. Такие факторы можно исследовать по группам товаров, сезонам, магазинам. Можно определять возвышения и ямы продаж, анализируя возвраты, отмены и другие операции.
Финансы. Мониторинг показателей нужен любому финансисту для наблюдения за кешфлоу и распределения активов по различным сферам деятельности бизнеса. Это помогает оценить эффективность налогообложения и другие параметры.
Маркетинг. Любая маркетинговая компания нуждается в прогнозах и пост-анализе акций. На этапе проработки идеи нужно определить группы товаров (контрольные и целевые), для которых создаем предложение. Это – тоже работа для аналитика данных, так как обычный маркетолог не обладает нужным инструментарием и навыками для хорошего анализа.Например, если для контрольной группы сумма выручки и количество покупателей одинаково больше в сравнении с целевой – акция не сработала. Для определения этого нужен интервальный анализ.
Управление. Иметь лидерские качества недостаточно для лидера компании. Количественные оценки работы персонала в любом случае нужны для грамотного управления предприятием. Эффективность управления фондом оплаты труда, соотношение зарплаты и продаж важно понимать так же, как и эффективность процессов – например, загруженности касс или занятости грузчиков в течении дня. Это помогает правильно распределять рабочее время.
Web-анализ. Сайт нужно грамотно продвигать, чтобы он стал каналом продаж, а для этого нужна правильная стратегия продвижения. Здесь вам поможет веб-анализ. Как его применять? Изучать поведение, возраст, пол и другие характеристики клиентов, активность на определенных страницах, клики, канал трафика, результативность рассылок и прочее. Это поможет совершенствовать бизнес и сайт.
Управление ассортиментом. АВС-анализ крайне необходим для управления ассортиментом. Аналитик должен распределить товар по характеристикам, чтобы провести такой вид анализа и понять, какой товар самый рентабельный, какой в основе, а от какого стоит избавиться. Для понимания стабильности продаж хорошо проводить XYZ-анализ.
Логистика. Больше понимания о закупках, товарах, их хранении и доступности даст изучение логистических показателей. Потери и потребности товара, товарный запас также важно понимать для успешного управления бизнесом.

Эти примеры показывают, насколько широкие возможности у анализа данных даже для малых предприятий. Опытный директор повысит прибыль компании и получит выгоду из самых незначительных сведений, правильно используя анализ данных, а работу менеджера значительно упростят наглядные отчеты.