Оптимизация работы с поставщиками

0

Продолжаем темы Data Driven Optimization. Поговорим про оптимизацию затрат и управление поставщиками.
Любая закупка генерирует затраты организации и чем лучше компания управляет этим процессом, тем более она эффективна. А я могу вам сказать, что на рынке эта область очень незрелая и с точки зрения обеспечения аналитики сильно отстает от коммерческой функции и это значительная точка роста для вашего бизнеса.

Аналитических кейсов в этой теме с финансовым эффектом очень много, причем как в коммерческих организациях, так и государственных заказчиках.

Давайте рассмотрим несколько кейсов на каждом из этапов:
1. Формирование и оптимизация бюджета закупки – задача определения оптимального объема закупки на основе расходования материалов, на выходе сбалансированный бюджет закупок на N месяцев вперед.
2. Оценка волатильности цены и подбор оптимального сезона для закупки, некоторые товары имеют сезонный спрос. Определение сезонов с наименьшей ценой позволяет здорово оптимизировать затраты.
3. Проверка поставщиков – на аффилированность (явная, неявная — сговор), на надежность (возможности выполнить условия конкурса/потенциальное банкротство, отсутствие претензий со стороны третьих лиц, одновременное участие в большом объеме закупок).
4. Подбор поставщиков также ваша задача, важно сформировать пул надежных поставщиков по каждой номенклатуре закупаемой продукции. И никакого нарушения, если вы просто помимо открытого конкурса, отправляете уведомления еще и по своему списку, гарантируя себе, что закупка точно состоится и вы не потеряете время впустую.
5. Выявление подозрительных конкурсов – нужно проводить регулярный мониторинг подозрительных конкурсов через интегральную оценку по надежности поставщика, цене, длительности, снижении цены от первоначальной, отклоненным заявкам, подозрению на сговор и пр. Тогда настроенные контроли, позволят вам на ранних этапах выявить риски.
6. Контроль над уровнем цен – тут важно по каждой номенклатуре проводить регулярный анализ цен поставщиков на основе открытой информации на сайте, каталогах, или запрашивать предложения с определенной частотой. В этом случае вы будете точно понимать рынок и возможную цену. И тут детальные номенклатуры очень важны, потому как изменение на 1 букву в индексе может привести к увеличению цен в три раза, и вам отгрузят товар с бантиком, который вам не нужен, но задорого.
7. Контроль над объемом закупаемой продукции – вы не допускать затоваривание склада, информируя если объем закупаемых товаров слишком большой (в погоне за минимальной ценой покупается слишком большая партия товаров), либо наоборот объем закупаемой продукции слишком низок (что приводит к дорогой закупке).
8. Контроль над видами закупаемой продукции – ведите реестр товаров заменителей/наличия их на складах/ближайших складах, это позволяет оптимизировать бюджет закупок. Если покупаете технологические товары и услуги, важно отслеживать тренды, все быстро меняется, появляются новые более дешевые технологии, иногда малоизвестные вендоры поставляют более качественные продукты.
9. Объединение закупок между филиалами либо шэринг закупки на паях – самый изящный способ сэкономить, это купить партию, договорившись с кем-то кому нужна такая же продукция.

Далее когда вы купили, потратили деньги, это не значит что уже нужно расслабиться, начинается самое интересное это управление затратами:
1. Вы можете оптимизировать затраты на хранение
2. Можете пересматривать цену если арендуете какой-то ресурс/помещение/пользуетесь услугами. Рынок не стоит на месте и важно проводить работу по мониторингу рынка регулярно, это вам может дать достаточно большую экономию.

Давайте приведу несколько примеров, когда сложно выявить превышение затрат, но можно. Анализируя расходные договора на аренду и покупку ресурсов, я выявлял такие кейсы:
1. Закуплены коммутаторы с количеством портов много больше рынка конкретного региона, это иногда может быть дом, иногда подъезд, а иногда и целый населенный пункт.
2. Закуплены каналы на 50% превышающий нужный объем со скидкой 20% за единицу. То есть вроде бы дешевле на 1 Мбит, но все равно потратили лишних денег, иногда и просто скидку получили, остались в тех же деньгах, хотя могли бы сэкономить. Эксплуатация очень часто перестраховывается и не отслеживает рынок, рынок может быть падающим, а технари планируют развитие.
3. Критичный анализ утилизации ресурсов — вообще проанализируйте чем забиты ваши каналы, я находил и убыточный трафик и технологический трафик, который можно было пускать по дешевому маршруту, но так исторически сложилось.
4. Посмотрите критично на резервирование — я иногда находил такие маршруты, которые по 3 раза зарезервированы было по разным маршрутам.
5. Просто старые договора на аренду, по которым цены снизились на рынке в 3 раза, вроде сумма небольшая поэтому никто не обращает внимание.
6. Использование самого дорогого маршрута для пропуска — вроде бы и канал забит, но переключение трафика на дешевый маршрут и отказ от дорогого приносит дополнительную экономию.
И на самом деле много что еще.

А вы когда-нибудь анализировали прейскуранты Западных IT вендоров — у некоторых они составлены так, чтобы вы никогда в этом не разобрались, а у некоторых содержат более 1000 страниц. А мы в этом очень хорошо разбираемся и знаем как не переплачивать за то, что вам не нужно.

Поверьте если вы проведете эту работу, а по хорошему ее еще и автоматизировать можно, вы получите очень качественный прирост маржинальности и окупите систему к моменту запуска ее в эксплуатацию.

Если вам интересна эта тематика — тогда вам в ЛК или в аутстафинг http://fsecrets.ru/service/

Хотите оставаться в теме самых интересных кейсов применения больших данных, подписывайтесь на telegram-канал https://t.me/fsecrets

Оптимизация обслуживания (QoS)

0

Продолжаем тему оптимизации. Давайте немного поговорим про железо, CEM (клиентский опыт) и QoS (качество сервиса), SLA (соглашение об уровне сервиса), или Fault Management (в общем управление техническими проблемами), ну и много других. В общем сегодня я бы хотел коснуться темы выхода из строя оборудования с одной стороны, либо как экономить на плановых проверках оборудования и какие кейсы оптимизации могут возникать вокруг этих вопросов.
Первый кейс — это прогнозирование выхода из строя оборудования, иногда прогнозируют еще срок дожития оборудования, чтобы встраивать мероприятия по проактивной закупке, доставке оборудования или внеплановом обслуживании. Если есть показатели датчиков и есть корреляция между показателями и выходом из строя оборудования, то конечно такие задачи решаются классическими методами Data Mining (используются 3 класса алгоритмов — классификация для прогнозирования наступления событий, последовательность для выделения паттерна поведения, прогнозирование — для уточнения периода наступления событий), либо если паттерн более четкий с понятной сезонностью (что скорее будет поводом понять почему событие периодически повторяется с заданным интервалом) — то можно обойтись и методами прогнозирования временных рядов. Когда оборудование стоит дешево, задача простая, когда оборудование стоит очень дорого, то задача более комплексная, так как метрики эффективности немного другие, например, как минимизировать простой или когда необходимо инициировать закупку и поставку оборудования или обеспечить резервное оборудование для горячей замены. Иногда сложность задачи заключается в отсутствии какой-либо информации, но не стоит опускать руки, можно начать с простых данных, обогащая их данными планового осмотра оборудования, главное это делать систематически. Также в ход должны обязательно идти все показатели, которые использовались, при детальном разборе инцидентов, если таковые случались. Также предельные уровни заданы в технической документации к оборудованию, их также можно использовать за основу. Иногда необходимо само преобразование показателей с оборудования с помощью специальных устройств.
2. Как экономить на плановых проверках или замене устаревшей инфраструктуры. Сразу хочу сказать, это не панацея от всех бед, но в условиях дефицита бюджета такой подход имеет право на жизнь. Каждый производитель конечно заявляет регламентный срок жизни и рекомендует проводить какие-то профилактические осмотры оборудования, иногда оказывает техническую поддержку. Указывается как правило некий предельный уровень утилизации оборудования и срок жизни. Если вы понимаете, что утилизируете оборудования намного меньше указанных уровней, то конечно вы можете продлить срок жизни оборудования. Можно это сделать, закрыв глаза и махнув рукой, авось итак сойдет, а можно подойти к этому по умному, настроив мониторинг показателей и задав определенные уровни контроля и нотификаций для оперативного реагирования на возможные инциденты. Такой подход позволит увеличить срок жизни, провести проверку только когда есть к этому предпосылки, а когда оборудование работает в штатном режиме — увеличить временной интервал плановых проверок, что позволит экономить деньги на этих работах. При этом конечно можно и просто машине отдать право принимать решения, получив сразу значимую экономию, однако я за поэтапный переход, потому как многие из событий могут быть выловлены на тех данных, что вы не собираете или только при визуальном осмотре. В зависимости от сложности оборудования конечно можно и визуальный осмотр заместить камерой + алгоритмом, уже доказано, что многие подходы к решению задач машинного зрения намного лучше человека выделяют значимые изменения между двумя картинками, и тут нам тоже есть что предложить.
В общем, есть чем поделиться в части реализации подобных кейсов. Кому интересно, добро пожаловать в ЛС.

Удачи и будьте более эффективны!

Управление клиентской базой (Customer Base Management)

0

Продолжаем тему постов по оптимизации. Затронем вопрос управления клиентской базой (CBM — Customer Base Management, некоторые называют еще CVM — Customer Value Management), он достаточно комплексный, и не укладывается в один пост либо этот пост будет очень большой.
Мне нравится приложенная к посту картинка, она в принципе достаточно наглядно описывает все активности на протяжении всего срока жизни клиентов, не описывает она пожалуй только монетизацию оттока, но это пока не сильно прижившийся механизм, но он есть и имеет право на жизнь.
В рамках этой работы возникает широкий класс задач, которые необходимо решать, у нас накоплена достаточно большая экспертиза по решению этих задач. Перечислю некоторые из возникающий задач из каждого блока.
1. Распределение бюджетов по каналам продаж и коммуникации.
Внутри каждого канала продаж может возникать такая же активность по оптимизации в зависимости от форматов, географии, площадок и множества других параметров. Математика с одной стороны простая, это классическая задача линейного программирования, однако требует большой организационной работы, чтобы построить грамотную сквозную воронку продаж и «подружить» данные как внутренних CRM систем с данными внешних систем (а иногда и «дружить» не с чем, как в наружке, радио и телеке, где информация об аудитории скажем так сомнительна), а также построить целевую функцию и задать правильные ограничения. Тут возникают 3 типа задач — 1. как минимизировать бюджет на привлечение для достижения заданных показателей по прибыли 2. максимизировать прибыль при заданном бюджете на привлечение. Иногда задача решается в комплексе, 3. Какой бюджет на привлечение нужен чтобы добиться максимальной прибыли, при заданных параметрах маржинальности.
По своему опыту могу сказать, что после детального анализа данных, если вы до сих пор это не анализируете вы получаете прирост по эффективности от 15%. Меньше я не получал, возможно где-то есть best practics, рад буду если кто-то меня удивит.
2 Распределение между активностями (оферами), потому как в каждом канале могут действовать свои активности (массовые, таргетированные, региональные) — также требует выстраивание сквозных прозрачных процессов, в противном случае одна активность может нивелировать эффект от другой. Тут нужна и грамотная коммуникационная политика и сквозной процесс оценки эффективности. Кроме этого, грамотный подход к тестированию активностей, чтобы не давать максимальные скидки, а делать оптимальное предложение каждой целевой группе.
3. В задачах допродаж/кросс-продаж возникает также широкий класс задач и организационных работ.
Под каждый целевой сегмент должен быть подобран правильный продукт, правильная коммуникация, правильное предложение, лучший канал коммуникации. Это сложная оптимизационная задача. Можно внедрять элементы, например, прогнозировать отклик на кампанию и делать сортировку списков клиента на кол-центре или делать адаптивный дизайн email-а в зависимости от сегмента и результата split-тестирования. Конечно, даже в этом виде такой подход даст значительный импульс, но если вы не будете работать над упрощением цикла продажи для абонента и не будете учитывать риски коммуникации, вы можете получить обратный эффект. Например, вы делаете предложение по upsell абонентам, чей тарифный план выше минимального тарифа в текущей линейке при большем объеме услуг или вы предлагаете товар, который уступает по характеристикам текущему предложению или заменителю при меньшей цене, будьте готовы к тому, что если вы не отправили сразу доставщика товара или не сменили тарифный план, а отправили его делать заявку на сайт или в личный кабинет, где он видит все доступные оферы, 50% и более будут подходить к выбору очень рационально и эффект от такой коммуникации будет сильно размыт, а иногда и прямо противоположен, абонент может выбрать самое дешевое предложение а то и вовсе передумать (разница в % конвертации между импульсивным решением и я подумаю иногда разнится в 10 раз). А уж тем более, если вы делегируете часть работ внешним агентам, будьте готовы к тому что вы заплатите деньги за работу все равно, только ваши цели не будут достигнуты, в некоторых случаях вы получаете чистый убыток и unit экономика никогда не сойдется.
4. При работе с оттоком также возникает широкий класс задач, от прогнозирование клиентов, которые возможно уйдут, до решения по выбору лучшего офера, его имплементации, подбора лучшего канала и оценки эффективности этих мероприятий. И я вам так скажу, что здесь грамотная организация процесса намного важнее, чем выбранный алгоритм прогнозирования клиентов, склонных к оттоку. Несомненно это важно, но куда важнее, выделяя предикторы оттока, фокусироваться на том, чтобы их устранять, в противном случае вы тушите огонь бензином — либо будете терять выручку окучивая все больше абонентов новыми оферами, а иногда не одним, а двумя и более, потому что прокисшее молоко не станет свежим молоком. И абонент может конечно поверить один раз, но отток резко возрастает, если причина повторяется и возрастает не меньше чем в 5 раз, а то и на порядок.
Получилось конечно очень по верхам и без конкретики, кто узнал себя, вы не одиноки, но я вам точно могу сказать, что это работает и дает значимый и видимый доказанный неоднократно прирост эффективности.
Пользуйтесь на благо компаний, а кого интересует комплексное решение, то welcome в ЛС, поможем и с методиками и с организацией и автоматизацией бизнес-процесса. А для тех, кто чувствует, что что-то делается но не все, что процесс существует, но не прозрачен и думается, что может быть хоть как-то улучшен, мы можем провести аудит и показать extra value от оптимизации процессов и сформировать RoadMap по изменению процессов, методик и подходов. Иногда процесс очень сильно рвется из-за того, что нет сквозного подхода, сквозной системы мотивации и получается, что вроде бы есть, только результата нет. Мы также поможем выявить эти разрывы и сделать точечные настройки процесса.

Удачи Вам, будьте более эффективны!

Market Basket Analysis

0

Продолжаем про полезные кейсы для бизнеса.
Немного про розницу.
Очень часто маркетинговые кампании в розничных сетях проводятся по принципу мы сто раз так делали, раньше выросли продажи в 3 раза при снижении цены вдвое, то и теперь обязательно вырастут, при этом абсолютно не смотрят, как поведут себя товары-заменители. Недавно мы решали кейс для одного из розничных сетевых брендов и заметили большие искажения в продажах товаров-заменителей, потребители очень живо реагируют на большой дисконт, действительно продажи резко вырастают, но при этом почти на такой же объем падают в заменителях. Да, торговые сети научились перекладывать свои акции на производителя или сам производитель их проводит. В результате розничная сеть немного вырастает в выручке, но значительно начинает терять в марже, так как резко падает оборот по товарам заменителям, а прирост продаж по товару, по которому проводится акция отнюдь не компенсирует выпадающую маржу заменителя.
Получается, что и маркетологи правы, планируя кампании (ведь все как прогнозировали — выросли продажи по акции и даже посещаемость выросла), однако компания потеряла деньги на этих активностях. Тут есть достаточно простые техники, которые позволяют учитывать все эти тренды, а есть и прекрасные аналитические инструменты, которые можно использовать для более умного планирования маркетинговых кампаний.
Одной из таких техник является Анализ продуктовой корзины (Market Basket Analysis) или в data mining-е — это ассоциативный анализ. Что он позволяет делать? Он выделяет на основе истории транзакций группы товаров, которые чаще всего встречаются в чеках (небольшой пример показан в скрин шоте). После проведения такого анализа у нас появляется отличный инструмент кросс-субсидирования, проводя точечные акции по одним товарам и делая наценку на другие, можно компенсировать выпадающую маржу, а если вы еще и переложите скидку на поставщика, то сможете еще больше заработать.
Также эта техника может быть использована при выкладке товаров — можно как пары собирать вместе, если идет наценка, так и разносить по залу обеспечивая лучшую проходимость полок.
Набирает популярность и интересный подход, модели динамического ценообразования, который может работать даже в ситуации, когда нет электронных ценников. Такой подход позволяет учитывать множество факторов при ценообразовании и дает умный инструмент менеджменту компании для повышения маржинальности, учитывать как эластичность спроса по цене, так и перекрестную эластичность по группам заменителей, кроме этого, обогащая витрину данными о конкурентах можно учитывать эластичность по цене конкурента. И чем сложнее логика и витрина, тем сложнее этот процесс становится поддерживать вручную (и не поддерживают), при этом допускается множество ошибок и потерь, мы научились строить такие сложные модели, использовать в моделях бизнес-метрики для оценки их качества, а не только ориентироваться на статистические критерии и находить оптимальные цены/скидки для повышения маржинальности проводимых активностей.
И конечно, мы умеем прогнозировать спрос, оптимизировать склады и логистику, проводить RFM-сегментацию и многое другое. Но об этом чуть позднее.
Интересно подробнее про подходы и инструментарий, welcome в ЛС.

Удачи Вам, будьте более эффективны!

Кейсы для байеров и селлеров ТВ рекламы

0

Недавно мы тут решали интересный кейс для одного из сейлз хаусов крупного ТВ оператора. Ну прежде всего мы научились парсить сложные логи (ну не то, чтобы не умели, но теперь умеем гораздо больше), измерять различные метрики (охват, аудитория, различные удельные статистики смотрения в разрезе эфирных событий, в различных срезах и т.д.), набирать панельные данные, делать различные коррекции.
Кроме этого, мы научились восстанавливать профиль домохозяйства по смотрению, определять количество зрителей, их состав, количество детей, наличие пенсионеров и домохозяек, половозрастной состав, занятость. В общем все что так или иначе должно позволить более точечно таргетировать аудиторию.
Во время исследования, было сделано немало открытий относительно профиля смотрения различных групп пользователей, что смотрит молодежь, что смотрят люди старшего возраста. Некоторые мифы улетучились, стоило взглянуть на данные и результаты получились очень необычными. Когда анализировали смотрение по времени суток, натолкнулись на очень необычные результаты, скажу я вам, вот не все группы смотрят ТВ в прайм тайм, а реклама самая дорогая. Отсюда есть множество путей оптимизации для байеров. В общем можно прилично минимизировать бюджеты выхватив нужную аудиторию в некоторых телеканалах за дешево, обеспечив более точечный таргетинг. Поэтому если вы покупаете рекламу и бюджеты не резиновые, мы точно сможем вам помочь.

Уверен, что среди моих знакомых есть и те кто развивает ТВ)) И вам тоже сможем помочь зарабатывать больше и тратить меньше. Выделить метрики, которые смогут в лучшем свете представить аудиторию, профили смотрения, интересы, состав домохозяйств и многое другое. Для задач внутреннего upsell-а самый правильный механизм. А может кому-то рекомендательную систему нужно построить по продвижению контента, тоже поможем. А для задачи оптимизации контента такие метрики просто незаменимы, а иногда нужны и просто поторговаться с правообладателем.

А может кому-то просто интересно развивать Data продукты, которые будут помогать как байерам так и селлерам. Даже с минимальным охватом региона и небольшой долей рынка, можно давать достаточно репрезентативные оценки по смотрению и добиваться хорошей качественной оценки аудитории.

Кого натолкнул на мысль, пользуйтесь на здоровье, а кому нужна помощь, велкам в ЛС, поможем обеспечить быстрый старт и дадим импульс к развитию.
PS На картинке профиль смотрения одной из групп, многое непонятно и зашифровано в справочниках)) Но какие-то вещи очень даже понятны и были получены в результате обогащения сложных и непонятных конструкций в логах.

Удачи Вам, будьте более успешны!

Вверх
Яндекс.Метрика