آنالیز داده‌ها و کاربردهای آن در صنعت توزیع و خرده‌فروشی

چندی پیش سکان پلتفرم تحلیل داده وبیناری برگزار کرد که در آن علیرضا رحیمی، مدیر محتوای سکان و ایمان بخشعلی، مشاور کسب و کار، در مورد موضوع “تحلیل داده و کاربرد آن در صنعت پخش و خرده‌فروشی” بحث و گفت‌وگو کردند. این متن چکیده‌ای از مهم‌ترین نکات این گفت‌وگو را ارائه می‌دهد.

تا دهه قبل، مفهوم داده ناشناخته بود، اما امروزه اطلاعات فراوانی درباره داده در کتاب‌ها، رسانه‌ها و مقالات موجود است. با صحبت از داده‌محوری، برخی افراد فکر می‌کنند که به زودی هوش مصنوعی در سازمان‌ها جای آن‌ها را خواهد گرفت، اما در واقع مسیری طولانی برای رسیدن به این سطح از داده‌محوری وجود دارد.

کلان داده‌ها به سرعت در حال تغییر نحوه تعامل کسب‌وکارها با مصرف‌کنندگان هستند، به همین دلیل داده یکی از پنج مساله مهم سازمان است، زیرا مشتری موجودیت یک سازمان را تعیین می‌کند.

داده‌محوری با موانع فرهنگی، استراتژیک و عملیاتی مواجه است. موانع فرهنگی شامل سازگاری با استراتژی داده‌محور (51%)، موانع استراتژیک شامل گرفتن تصمیمات مبتنی بر واقعیات (48%) و موانع عملیاتی شامل تبدیل نتایج داده‌ها به عمل (44%) هستند.

مدیران در برخورد با رشد سازمان به دو دسته تقسیم می‌شوند:

گروه اول مدیرانی هستند که بر اساس تجربه و بینش خود تصمیم می‌گیرند (کریستوف کلمب) و گروه دوم مدیرانی هستند که با استفاده از داده به دنبال رد یا تایید فرضیات خود هستند (شرلوک هلمز). داده به مدیران بینش درست‌تری از کسب‌وکار می‌دهد و باعث می‌شود تصمیمات موثرتری اتخاذ کنند.

داده‌ها می‌توانند فواید زیادی برای کسب‌وکار شما داشته باشند. این فواید لزوما به معنای سود مالی نیست، بلکه شامل بهبود فرآیندهای کسب‌وکار، خلق ارزش برای مشتریان، تولید محصول بهتر و پیش‌بینی مخاطرات است. همه این موارد در نهایت به سود مالی شما منجر خواهد شد.

تحلیل داده از دو بخش اصلی تشکیل شده است: تحلیل داده (Data Science) و علم تصمیم‌گیری (Decision Science). این روش‌ها به سازمان‌ها کمک می‌کنند تا داده‌های خود را تحلیل کنند و تصمیم‌های بهتری بگیرند.

اصل پارتو (80/20) در بازاریابی می‌گوید که 80% درآمد از 20% مشتریان حاصل می‌شود. این اصل در داده محوری نیز صدق می‌کند – شما می‌توانید با داده‌های ساده به 80% اهداف خود برسید. این داده‌ها در تصمیم‌گیری‌های روزمره کاربرد دارند. برای دستیابی به 20% مابقی اهداف، نیاز به تحلیل‌های پیشرفته‌تر دارید که به شما بینش‌هایی از آینده مانند پیش‌بینی تغییرات در بازار را ارائه می‌دهند.

چند متد تحلیل‌ها در سازمان:

تحلیل‌های تجمعی: تحلیل‌هایی که به صورت روزمره انجام می‌شوند، مانند میزان فروش، تعداد فاکتورها، تعداد مشتریان و غیره.
تحلیل‌های همبستگی: بررسی تأثیر یک یا دو پارامتر بر روی یک یا دو پارامتر دیگر، مانند تأثیر پروموشن بر میزان فروش.
تحلیل‌های روندی: تحلیل‌هایی که در طول زمان مورد بررسی قرار می‌گیرند، شامل تحلیل‌های تجمعی و همبستگی.
تحلیل‌های اندازه‌گیری و تخمینی: تحلیل‌هایی که صرفاً تخمین هستند، مانند تخمین میزان فروش و هزینه‌های سازمان.
تحلیل‌های آینده یا سری‌های زمانی: تحلیل‌هایی که با مدل‌سازی و روندسازی مدل‌های گذشته، به پیش‌بینی آینده سازمان و بازار می‌پردازند.

تحلیل بخش‌بندی

تحلیل بخش‌بندی، یکی از تحلیل‌های کاربردی در موضوعات پیچیده است. برای ساده‌سازی موضوعات پیچیده، ما ناگزیر هستیم که آن‌ها را به بخش‌های مختلفی تقسیم کنیم.

یک مثال از این بخش‌بندی، بخش‌بندی مشتریان است. زمانی که شما مشتریان را به گروه‌های مختلف تقسیم می‌کنید، می‌توانید رفتار متناسب با آن گروه از مشتریان را داشته باشید.

تحلیل چرخه عمر مشتری نیز از دیگر انواع تحلیل بخش‌بندی است. در این تحلیل، ما بر روی رفتار مشتری و فرآیند خرید مشتری در طول چرخه عمر مشتری (مفهوم طول عمر مشتری و ارزش آن برای کسب‌وکار) تمرکز می‌کنیم و تلاش می‌کنیم با تغییر در بخش‌های مختلف، این فرآیند خرید را بهبود ببخشیم.

در سازمان، داده‌محوری چهار سطح دارد:

داده‌های توصیفی:

این نوع داده‌ها نیازهای روزانه سازمان را تأمین می‌کنند. در این سطح، معانی از داده‌ها استخراج شده و به سؤالات پاسخ داده می‌شود. ابزار اصلی در این سطح، برنامه اکسل است.
داده‌های تشخیصی:

در این سطح، به دلیل حجم عظیم داده‌ها، گزارش‌ها هوشمندسازی می‌شوند. این امر منجر به هوشمندسازی تجارت سازمان خواهد شد.

داده‌های پیش‌بینی‌کننده:

در این مرحله، با استفاده از حجم عظیم داده‌های جمع‌آوری‌شده و با توجه به مدل‌سازی‌ها و شبیه‌سازی‌ها، رویدادهای آینده تأثیرگذار بر سازمان پیش‌بینی می‌شوند.

داده‌های تجویزی:

در این مرحله نهایی، شما متوجه می‌شوید که برای اتفاقات سازمان، چه تصمیمی بهترین است.

دسته‌بندی مشتریان به روش RFM

• RFM متشکل از سه معیار است: Recency (تازگی خرید)، Frequency (فرکانس خرید)، و Monetary (ارزش خرید).
• Recency به معنای تازگی خرید مشتری است – یعنی اینکه مشتریان در چه بازه زمانی (هفته گذشته، ماه گذشته، و غیره) خرید کرده‌اند.
• Frequency به معنای تعداد دفعات خرید مشتری در طول زمان است.
• Monetary به معنای ارزش پولی است که مشتری در طول زمان برای سازمان ایجاد کرده است.

با بررسی این سه معیار برای هر مشتری، به آن‌ها امتیاز می‌دهیم. سپس مشتریان را بر اساس این امتیازات در 6، 8 یا 11 گروه طبقه‌بندی می‌کنیم. این دسته‌بندی به سازمان کمک می‌کند تا به نیازهای مختلف گروه‌های مشتریان پاسخ دهد و برای هر گروه استراتژی بازاریابی متناسب طراحی کند.

مشتریان قهرمان، مشتریانی هستند که در طول زمان بیشترین خرید و ارزش را برای شرکت ایجاد کرده و اخیراً نیز خرید داشته‌اند. در مقابل، مشتریان تازه‌وارد، خرید اخیر بیشتری دارند، اما ارزش و دفعات خرید کمتری نسبت به مشتریان قهرمان دارند.

با انجام دسته‌بندی مشتریان، شما می‌توانید برای هر گروه هدف مختص خود را تعیین کنید. این امر باعث می‌شود هزینه‌ها هدفمندتر صرف شوند. داده‌محوری به شما کمک می‌کند تا وضعیت و رفتار مشتریان را بهتر پیش‌بینی و آنها را وفادارتر کنید. همچنین، با توجه به تجربیات گذشته، مانند شیوع کووید-19، می‌توانید رفتار مشتریان را در آینده پیش‌بینی کنید.

BADIR یک روش خلاصه کلمات است که شامل:

Business question (سوال کسب‌وکار)
Analyze plan (برنامه‌ریزی تحلیل)
Data collection (جمع‌آوری داده)
Insight (بینش)
Recommendation (توصیه)

در واقع، در کسب‌و‌کار ابتدا باید بدانید پرسش اصلی شما چیست و سپس همه فعالیت‌ها را طبق آن انجام دهید.

برای پیدا کردن پرسش اصلی کسب‌وکار، می‌توانید از پنج سوال زیر استفاده کنید:

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

با پاسخ دادن به این سوالات، می‌توانید پرسش اصلی کسب‌وکار خود را شناسایی کنید و برنامه‌ریزی و تحلیل مناسب را انجام دهید.

پس از برنامه‌ریزی، مرحله بعدی تحلیل است. شما باید روش تحلیلی و داده‌های مناسب با سوال کسب‌و‌کار را تعیین کنید. سپس نتایج را در جلسه‌ای با همه اعضای سازمان در میان بگذارید تا هر فرد وظایف خود را دنبال کند.

در مرحله بعد، به جمع‌آوری اطلاعات در همه بخش‌های سازمان بپردازید. اغلب داده‌ها فقط در بخش حسابداری جمع‌آوری می‌شوند و داده‌های سایر بخش‌ها نادیده گرفته می‌شوند.

در نهایت، شما به بینشی از آینده سازمان و بخش‌های مختلف آن خواهید رسید. این بینش بر تصمیمات شما تأثیر خواهد داشت، چرا که می‌توانید بررسی کنید فرضیه‌های شما با واقعیت همخوانی دارند یا خیر.

به عنوان مهندس داده، شما باید به طور شفاف نتایج را به مدیران ارائه دهید، حتی اگر مخالف نظر آنها باشد. با گذر زمان، اخلاقیات افراد را بشناسید و بهترین توصیه‌ها را برای آینده سازمان ارائه دهید تا تصمیمات مناسب گرفته شود.

فرهنگ داده محوری یعنی اینکه تک تک کارمندان در سازمان به صورت روتین از داده در تصمیم‌گیری‌های خود استفاده کنند. زمانی که مدیران داده را بپذیرند و تیم داده در سازمان مستقر شود، چالش بعدی ایجاد این فرهنگ داده محوری است.

در کشورهای توسعه یافته، مهندسان داده کم کم در حال ورود به هیات مدیره‌ها هستند. این به این دلیل است که استفاده از داده امکان تصمیم‌گیری درست‌تری را فراهم می‌کند. بنابراین، مدیران مبتنی بر شهود خود به سمت داده‌ها می‌روند تا اطلاعات و فکت‌های کسب شده توسط مهندسان داده را بررسی کنند. این باعث می‌شود که شهود مدیران تکامل یابد و توسط داده تایید شود، نه اینکه داده آن را کنار بزند.

مدیران در مواجهه با داده به چند شکل هستند:

گروهی که از ورود به این فضا ترس دارند.
گروهی که اعتماد دارند، اما به دلیل هزینه و زمان بر بودن، علاقه ای به پذیرش ریسک این مساله ندارند.
گروهی که اعتماد دارند و ریسک این داستان را پذیرفته اند.
دو گروه اول باید از خود سوال کنند که تحلیل داده در سازمانشان چه کمک هایی می تواند انجام دهد. در نهایت متوجه می شوند که حضور داده و حتی چندبار استفاده از داده، اعتماد آن ها را جلب خواهد نمود.

گروهی از مدیران در سازمان خود را داده محور می دانند، چرا که بخشی از داده ها در بخش حسابداری، بخشی در بخش بازاریابی و بخشی هم از نتایج مختلف جمع آوری می شوند. اما باید توجه کرد که تحلیل هایی که می توان با این سطح از داده ها انجام داد، تحلیل های پایه (توصیفی و تشخیصی) است.

به عنوان مثال، یک شرکت پخش بهداشتی که محصول دهان و دندان را در داروخانه های تهران توزیع می کند، می تواند با استفاده از داده ها تعداد دندانپزشکان در اطراف داروخانه ها را شناسایی کند و زمان لازم برای تمام شدن محصول در هر داروخانه را برآورد نماید. این اطلاعات به آن ها کمک می کند تا برنامه ریزی برای ورود به شهرهای دیگر را انجام دهند.

داده محوری یک فرایند است. زمانی که مدیران تصمیمات خود را بر اساس داده اتخاذ کنند و از زیردستان خود گزارش های داده محور بخواهند، در نهایت افراد با اطلاعات و آمادگی کامل در جلسات حضور خواهند داشت و به دنبال تصویب و اجرای پروموشن ها و کمپین ها خواهند بود.

در یک سازمان، چهار نوع کارمند در قبال داده‌محوری وجود دارد:

دوست داده: این افراد تجربه کار با داده را دارند و نسبت به آینده بینش درستی دارند.
دشمن داده: این کارمندان در واقعیت عملکرد درستی در سازمان ندارند و می‌دانند ممکن است با ورود داده به فضای کار، عملکرد واقعی آن‌ها آشکار شود.
بی‌بینش: این افراد عملکرد خوبی دارند اما هیچ بینشی نسبت به داده ندارند.
پنهان‌کار: این کارمندان عملکرد خوبی دارند اما عملکردشان در سازمان دیده نمی‌شود. آن‌ها به دنبال ورود داده به سازمان هستند.
در مقایسه با Power BI، تحلیل‌های پلتفرم سکان فراتر از توصیفی و تشخیصی است و امکان مدل‌سازی و شبیه‌سازی تحلیل‌های پیش‌بینی‌کننده و تجویزی را فراهم می‌کند.

همچنین، برای برون‌سپاری داده در پلتفرم سکان دو روش وجود دارد:

پیاده‌سازی کل پلتفرم در سرور مجموعه‌ها و تحلیل داده‌ها در داخل سازمان
انتقال داده‌ها به صورت مجهول و بدون شناسایی بخش مرتبط به سکان