Федеральная парфюмерно-косметическая сеть «Рив Гош» перевела бизнес-критичные ИТ-решения на импортонезависимый стек, в том числе хранилище данных Arenadata DB и BI-систему «Дельта BI». Благодаря переходу на новые решения сеть, насчитывающая более 250 магазинов, значительно повысила уровень работы с данными, а ее ИТ-ландшафт был расширен аналитическими инструментами, с которыми можно работать в формате self-service. О реализации проекта рассказывает Мария Власова, директор департамента по аналитике «Рив Гош» и номинант на премию Data Award.

- Как «Рив Гош» пришел к реализации этого проекта?

Предпосылок для данного проекта было несколько. В первую очередь, важно отметить, что раньше наша аналитика строилась на базе хранилища Oracle и отчетности в QlikView. Накопленный объем legacy в старом решении привел к тому, что большая часть ресурсов корпоративного хранилища данных была занята неактуальными или реализованными по устаревшей бизнес-логике данными. Будучи крупным бьюти-ретейлером, нам было важно оптимизировать структуру аналитического решения и актуализировать методику расчетов.

Также мы стремились закрыть потребность в self-service аналитике, которая обеспечила бы возможность тестирования гипотез посредством простых ad-hoc запросов, и за счет которой компания смогла бы воспроизвести большое количество разрозненных дублирующих отчетов QlikView в удобном и, что не менее важно, управляемом формате.

Одной из значимых предпосылок для старта проекта послужило отсутствие возможности горизонтального и вертикального масштабирования Oracle и QlikView, а также отсутствие доступной вендорской поддержки – для корпоративного сектора это критичный момент.

Наконец, после ухода западных вендоров с российского рынка, перед нами встала задача перехода на продукты российских разработчиков – замена аналитической платформы данных и объединение в ней информации из большого количества систем-источников: как корпоративных, так и собственной разработки.

- Какие требования предъявлялись к создаваемому решению?

На момент старта проекта в нашем Oracle DWH хранилось и обрабатывалось более 30 Тбайт данных. Мы работаем в условиях постоянного наращивания объема информации для анализа, поэтому нам было крайне важно обеспечить в новом хранилище доступность и высокую скорость обработки данных в больших объемах.

Что касается BI, нам было важно получить гибкий self-service, который обеспечил бы самостоятельную работу сотрудников в рамках мастер-отчета. Мы искали BI-систему, которая при необходимости могла бы гибко масштабироваться вертикально и горизонтально. Кроме того, мы хотели, чтобы пользователи не теряли доступ к важным для них функциям при отказе от Qlik – например, к реализации нестандартных визуализаций в отчетности.

- На каких платформах реализован проект и почему?

По итогам анализа систем для миграции мы выбрали актуальные для российского рынка решения – Arenadata DB и «Дельта BI» от Navicon. О требованиях я много рассказала выше, давайте подытожим – нам были важны гибкость, отказоустойчивость, масштабируемость по объему данных и количеству пользователей, быстродействие, простота администрирования, локальная оперативная поддержка и дальнейшее развитие продуктов и, конечно же, функциональность. Стоимость итогового решения, конечно, тоже играла роль, но все вышеперечисленное было важнее.

- Что собой представляет созданное решение?

Аналитическое решение представляет собой результат кропотливой и организованной совместной работы команд «Рив Гош» и Navicon. Как результат было разработано хранилище данных, размещенное в облаке VK Cloud и состоящее из нескольких систем.

Среди основных этапов создания аналитического решения можно выделить проведение комплексного анализа и документирование существующих потоков данных и источников; внедрение хранилища данных с использованием продуктов Arenadata DB и Arenadata QuickMarts; разработку процесса загрузки и обработки данных посредством продукта «Гармония ELT»; построение корпоративной модели данных (DDS-слой), позволяющий быстро собирать витрины данных для отчетности; реализацию витрин предподготовленных данных для конечных пользователей; внедрение BI-инструмента («Дельта BI») и разработку корпоративной отчетности.

Все вышеперечисленное позволило нам получить решение, полностью отвечающее нашим запросам и решающее поставленные задачи.

- Какие сложности возникали в ходе проекта?

Реализация была осложнена тем, что у нас происходила одновременная замена многих систем. В процессе работ приходилось выстраивать взаимосвязь между пятью одновременно идущими проектами и вносить корректировки при сдвигах каждого из них. Одновременно с внедрением хранилища данных и BI шла замена кассовой системы, модернизация платформы интернет-магазина, замена CRM, внедрение программы по управлению ценообразованием, программы по управлению ассортиментом и товарами.

- Какие результаты достигнуты?

В рамках проекта удалось решить несколько задач. Во-первых, автоматизирован сбор и анализ данных из более чем 10 основных для анализа систем-источников. Внедрен инструмент для сбора и анализа данных о выручке компании по разным каналам продаж: розница, онлайн, дистрибуция и т.д. Данные автоматически поступают в BI из различных источников, включая «1С», собственное решение Wincash и систему SAP Hybris. Среди других источников платформы – CRM, MDM, ERP и др.

Во-вторых, реализована многоуровневая модель разграничения доступа к данным, обеспечивающая их конфиденциальность. Третье достижение – создание собственной методологии анализа данных с учетом специфики наших бизнес-процессов.

- Какие конкретно бизнес-инструменты удалось реализовать?

На базе «Дельта BI» внедрены self-service инструменты для получения данных по нескольким важнейшим срезам.

Первый из них – чековая аналитика. С помощью этого инструмента пользователи могут анализировать продажи в розничных магазинах по регионам, городам и подразделениям до уровня позиции в чеке, скидок в нем, данных об оптовых клиентах, а также о результатах отоваривания сертификатов и подарочных карт. Это позволяет сотрудникам оценивать покупательскую способность и своевременно вносить изменения в ассортиментную матрицу, контролировать выполнение плановых показателей, оценивать точность прогнозирования продаж, готовить данные для других систем (например, планирования, закупок и т.д.). Помимо этого, они комплексно оценивают эффективность проведения акций и формируют дальнейшую маркетинговую стратегию.

Второй инструмент – аналитика интернет-магазина. Он позволяет анализировать продажи интернет-магазина, конверсию веб-сайта и мобильного приложения компании, а также просмотры и добавления товаров в корзину. Наши сотрудники на регулярной основе могут оценивать текущую ситуацию по продажам и использованию мобильного приложения, оценивать динамику заказов и выявлять периоды с наиболее высоким или низким спросом. На основании этих данных принимаются тактические решения о проведении различных маркетинговых активностей в интернет-магазине для повышения спроса и увеличения продаж.

Анализ маржинальности позволяет анализировать сведения по выручке, себестоимости, валовой прибыли и маржинальности в различных разрезах – по магазинам, каналам продаж, товарам, периодам времени. Отдельно предусмотрен расчет оперативной себестоимости за открытый период, в том числе для новинок.

Контроль прайсинга дает возможность проводить анализ цен на товары и подарочные наборы в розничных магазинах. С его помощью также можно анализировать и сравнивать цены товаров с конкурентами, а также контролировать цены и уценки на уровне как всей сети, так и отдельных магазинов.

Анализ уровня сервиса поставщиков позволяет отслеживать процент выполненных в срок поставок по заказам на закупку товара от общего количества заказов. С его помощью сотрудники оценивают уровень сервиса при взаимоотношениях компании с различными поставщиками товаров. При анализе можно учитывать фактическое количество и суммы заказов на закупку, а также процент выполненных в срок заказов как в целом, так и по количеству заказов, товарным позициям и сумме заказов.

Не менее важен анализ конверсии посетителей розничных магазинов. Он позволяет измерить конверсию для точки продаж в целом и для продавцов-консультантов в отдельности. Анализ помогает оценить уровень интереса и вовлеченности клиентов, определить «пиковые» часы работы магазина с наибольшим количеством посетителей, скорректировать работу конкретных сотрудников или магазина в целом, а также принять решение о проведении различных маркетинговых мероприятий.

Наконец, анализ товарного запаса и оборачиваемости. Этот инструмент позволяет ежедневно анализировать остатки, приход и расход товаров на складах и магазинах. Одним из основных показателей является оборачиваемость запасов – число дней, в течение которого продается средний товарный запас. При помощи инструмента оценивается влияние остатка и себестоимости продаж на оборачиваемость, а также фактическая представленность товара в сравнении с плановыми показателями по категориям товаров с целью определения проблемных магазинов и товаров. Полученные данные позволяют своевременно выявлять причины низкого уровня сервиса на полке – например, недостаточно хорошо работает процесс пополнения товарных запасов магазина или недостаточно хорошая подготовка к проводимым акциям, и принимать меры по их устранению.

- Есть ли оценки эффектов проекта в финансовом выражении?

Новые решения позволили сделать процесс управления данными более прозрачным, определить общие термины компании и разграничить зоны ответственности. Помимо этого, ускорилась подготовка как регулярной, так и оперативной отчетности, повысилась технологичность этой подготовки. Данные четко организованы и упорядочены – это создает прочную основу для качественной аналитики, что, в свою очередь, оказывает положительное влияние на общий финансовый результат компании.

- Какую роль играет проект для бизнеса компании?

Нам удалось выстроить стабильную импортонезависимую платформу для хранения и анализа данных по различным бизнес-областям. Сегодня система служит в качестве единого источника для принятия оперативных управленческих решений.

Благодаря переходу на современные решения сеть «Рив Гош», насчитывающая более 250 магазинов по всей России, не только сохранила, но и значительно повысила уровень работы с данными. ИТ-ландшафт компании был расширен уникальными аналитическими инструментами, с которыми можно работать в формате self-service. Кроме того, в рамках проекта была реализована многоуровневая модель разграничения доступа, обеспечивающая защиту персональных данных клиентов и информационную безопасность.

Наличие качественных консолидированных данных позволило нам приступить к следующему шагу на пути повышению data-культуры компании – к реализации ML-моделей.

- Каковы дальнейшие перспективы проекта?

Мы очень позитивно смотрим на перспективы данного проекта. На данный момент в активно прорабатываем миграцию оставшейся части моделей и отчетности в новую платформу данных. Также мы планируем развитие платформы данных: расширение числа систем-источников и систем-потребителей. Кроме того, планируется возможность внешних интеграций с такими системами, как MindBox.

Что касается команды, мы нацелены на наращивание экспертизы пользователей для более свободной и работы с данными. В целом, платформа данных уже является одним из важных элементов нашего ИТ-ландшафта.