Перспективи технології Сховищ даних: ефективне управління просуванням товару на ринку, Різне, Бази даних, статті

DMReview

Цього року торгові компанії в США планують витратити на рекламу близько 10 млрд. дол, а аналогічний міжгалузевої показник, як очікується, досягне 240 млрд. дол При цьому, всі (за винятком, мабуть, тільки рекламних агентств) намагаються зрозуміти, чи виправдані їхні витрати на телевізійні ролики, прямі поштові розсилки і просування товарів засобами Internet. І все ж більшість організацій покладаються більше на інтуїцію, а не на фактично обгрунтовану інформацію, яка приносить більш передбачуваний результат у вигляді підвищення ефективності рекламних витрат.

Джон Ванамейкер (John Wanamaker) – творець першого універмагу – одного разу зізнався, що половина всієї реклами, яку він давав, виявилося неефективною, причому він навіть не знав, яка саме половина! Сьогодні продавцям немає необхідності вирішувати подібні проблеми. Використовуючи касові термінали (point-of-sale, POS), контроль за зміною асортименту в режимі реального часу, а також інформацію про щоденні обсягах продажів і прибутки по кожному найменуванню, будь-який продавець може отримати чітке уявлення про ефективність індивідуальних або групових кампаній по просуванню. При цьому використовуються складні аналітичні програмні засоби. Реклама грає важливу роль при створенні і підтримці бренду, але цим не вичерпуються її можливості. Ефективне управління збутом може істотно підвищити прибуток.

За останні кілька років такі компанії, як NCR, Retek і JDA, розробили програми по управлінню торгівлею, за допомогою яких можна оптимізувати асортимент, асигнування і навіть розташування товарів на полицях. Завдяки цьому можна більш точно розраховувати ціни та знижки, краще управляти товарно-матеріальними запасами. Аналогічним чином побудовані системи по оптимізації ланцюгів поставок (supply chain). І все ж деякі компанії пропонують рішення, що дозволяють проаналізувати чутливість окремих продуктів (або їх видів) до ринкових показників, знижкам або рекламним кампаніям. Визначення доходу на одиницю маркетингових витрат може виявитися ще більш складним завданням; одна з причин – відсутність єдиної технологій, що підтримує ухвалення маркетингових рішень для всіх функціональних областей.

Недавні дослідження показали, що близько 70% реклами надають відчутний вплив на обсяг продажів і що достатньо один раз запустити рекламний ролик або дати оголошення, щоб відчути миттєву реакцію ринку. Зараз же під успішної маркетингової стратегією розуміється не тільки збільшення обсягів продажів. Ефективне управління збутом полягає у визначенні мети для кожної конкретної маркетингової кампанії – Будь то оголошення в газеті, web-банер, телереклама або пряма розсилка – і наступному її досягненні. При цьому використовується аналітична інформація про чутливість ринку до минулих рекламним акціям. Потім ці дані враховуються для розробки конкретної кампанії, а також для оцінки планованого доходу в порівнянні з чітко визначеними цільовими показниками, щоб при необхідності внести відповідні зміни.

Провідні компанії, такі, як Best Buy і Sears, уже спираються на інформацію про клієнтів, рекламі та обсягах продажів, намагаючись поліпшити системи прийняття рішень в області маркетингу. Наступне покоління “першопрохідців” буде використовувати і інші інструменти, не тільки встановлюючи конкретні цілі при просуванні кожного продукту, а й оцінюючи співвідношення між витратами і доходом по кожному найменуванню, включаючи ціни і знижки, вибір засобів розповсюдження реклами, частоту оголошень і т.п. Вони також будуть застосовувати інструменти BI для виявлення змін в структурі поведінки покупців і визначення моментів, коли необхідно скоригувати рекламну стратегію. Аналогічно, у разі перевищення пропозиції над запланованим рівнем попиту, більш активна реклама приведе до зниження кількості товарних запасів до оптимального рівня.

Основна проблема полягає не в нестачі інформації – існує досить велика кількість джерел її отримання. Навпаки, головною трудністю є великий обсяг і складність цих даних, що ускладнює їх ефективне використання в Управлінні асортиментом, розробці програм по просуванню товарів і т.п. Саме тому може виявитися корисним застосування технології Сховищ даних. Всю інформацію, яка зазвичай використовується в сфері торгівлі, можна поділити на чотири основні категорії:

Перша категорія зазвичай використовується в роботі різних додатків з Управління асортиментом (Category Management). Другий тип інформації також надзвичайно важливий, проте останнім часом компанії все більше прагнуть орієнтуватися на клієнтів, аналізуючи третю і четверту категорії.

Сховища даних є технологією, що надає різні можливості підтримки прийняття рішень. Перелічимо деякі з них:

  1. Можливість отримання таких основних показників, як:
    • рентабельність товару;
    • кількість проданих одиниць;
    • валовий дохід; і
    • довіра клієнтів.

  2. Проведення комплексного аналізу з метою визначення:
    • тривалості, часу проведення та ступеня успішності кампаній з просування;
    • структури придбання товарів, тобто аналіз “споживчого кошика”;
    • оптимального асортименту товарів за категоріями;
    • цінової та маркетингової політики по категоріях.

  3. Побудова статистичних моделей, що дозволяють спрогнозувати потреби клієнтів.

    Наприклад, створення моделі, за допомогою якої можна зробити висновок про те, наскільки клієнт схильний:

    • купити новий товар;
    • вступити в контакт з компанією через різні канали (наприклад, пряма розсилка, еmail і т.п.);
    • продовжувати довіряти даним товарам, незважаючи на їх ціну, доступність і т.п.

Використання засобів підтримки прийняття рішень

Розглянемо, як можна застосувати перераховані вище можливості для досягнення цілей організації.

Припустимо, розглядається питання про включення в асортимент гастрономічного магазину нового продукту. При цьому важливо знати, чи зможе товар збільшити обсяги продажів всієї категорії, або просто призведе до зміни структури попиту. Для цього необхідно порівняти показники по даній групі товарів у магазині, де впроваджується новий товар (“тестованому” магазині), і де здійснюється торгівля старим асортиментом. Це можна зробити, використовуючи OLAP-інструмент. Оцінивши процентна зміна за певний період, проводиться і глибший аналіз. Припустимо, ми ввели новий товар зі значною знижкою. При цьому результати дослідження показали, що сукупний обсяг продажів в “тестованому” магазині не змінився щодо іншого (де даний продукт не був введений): наприклад, обидва супермаркету показали збільшення обсягів реалізації на 5%.

Більш детальний аналіз, ймовірно, покаже, що новий продукт “переманив” частина покупців старих, а не збільшив попит на весь товарний асортимент. Враховуючи також те, що новий товар був випущений на ринок зі значною знижкою, показник чистого прибутку за даної категорії знизився. Таким чином, можна зробити висновок, що продаж даного товару в інших супермаркетах не має сенсу, або ж необхідно встановити іншу ціну.

Використовуючи технологію Сховищ даних, можна досить точно оцінити ефективність того чи іншого кроку і його вплив на кінцевий результат.

Висновок

Останнім часом конкуренція між торговими фірмами стає все гостріше, оскільки як ніколи важливо навчитися правильно реагувати на ринкові сигнали і розробляти нові продукти і послуги, більш повно задовольняють потреби клієнтів. Незважаючи на те, що обсяги аналізованої інформації постійно зростають, підвищена увага слід приділити тому, як використовуються ці дані. Необхідно зрозуміти особливості поведінки клієнтів і їх переваги. Технологія Сховищ даних являє собою дуже потужний засіб організації та аналізу комплексної інформації, зібраної по всьому підприємству; тільки при такому підході побудова ефективної бізнес-моделі стане можливим.

Схожі статті:


Сподобалася стаття? Ви можете залишити відгук або підписатися на RSS , щоб автоматично отримувати інформацію про нові статтях.

Коментарів поки що немає.

Ваш отзыв

Поділ на параграфи відбувається автоматично, адреса електронної пошти ніколи не буде опублікований, допустимий HTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

*

*