Торговая сеть «ДА!» входит в группу компаний «О’КЕЙ», которая почти 20 лет развивает в России гипермаркеты. Но в последние годы гипермаркеты переживают трудные времена. Поэтому акционеры группы «О’КЕЙ» решили запустить другой формат — сеть компактных дискаунтеров. Для этого была учреждена компания «ФрешМаркет», которая в конце 2015 года открыла первые 15 магазинов. На данный момент в сети больше 100 торговых точек и более 2 тыс. сотрудников. Оборот «ДА!» за прошлый год составил около 20 млрд рублей.

С самого начала сеть «ДА!» развивалась автономно от сети «О’КЕЙ». Поэтому решили с нуля создать там ландшафт с эффективной аналитической системой (BI-системой), которая помогала бы менеджерам принимать обоснованные управленческие решения. Про опыт ее внедрения — про те грабли, которые мы по дороге собрали, — я и хотел рассказать. Думаю, многие совершали похожие ошибки. Но живой опыт реальной компании всегда интересен и полезен. Только, пожалуйста, не воспринимайте мои вредные советы буквально. Не повторяйте наши ошибки!

Вредные советы:



1

Cторонние специалисты лучше, чем свои

Когда было принято решение о создании BI-системы, перед нами возникла извечная дилемма: привлекать сторонних специалистов или делать все самостоятельно. Сначала у нас были иллюзии, что есть на свете добрые и могучие титаны, которые нам все расскажут, покажут и внедрят, а потом еще возьмут систему на сопровождение за небольшие деньги. Но чудо не случилось. Сторонние специалисты дали мощный импульс проекту на старте — мы запустили его в срок. Но быстро стали проявляться типичные болячки аутсорсинга: ключевые кадры стали параллельно работать на каких-то других проектах, кто-то уволился, а остальные стали заниматься чистым творчеством… В итоге поплыли сроки и бюджеты, и стало ясно — проект теряет темп и фокус. 

Между тем BI-система — это экстракт данных по компании. И чтобы все работало четко, подрядчику-разработчику нужно дать широкие полномочия и доступ ко всей подноготной бизнеса. А это большие риски. Так что, взвесив все за и против, мы приняли решение развивать собственный центр экспертизы. А аутсорсинг используем только для понятных и точечных задач.

2

Когда внедряешь BI-систему, остальные системы не важны 

Архитектура системы анализа бизнес-данных очень важна. На ней обычно ретейлеры концентрируют все свое внимание, забывая, что есть еще источники, откуда берут информацию для аналитики. А там тоже могут быть какие-то ошибки и нестыковки. Поначалу всегда есть соблазн исправить эти ошибки в самой BI-системе, чтобы быстрее ее запустить. Но это тупиковый путь. Мы через него прошли. У нас, например, на старте не везде были качественно выстроены связи между товарными операциями и финансовыми проводками, которые их сопровождают. И пока мы не навели в системе порядок, она была громоздкая и постоянно давала сбои.

Есть еще одна ошибка, которую мы совершили на старте и за которую до сих пор расплачиваемся. Это желание запихнуть все показатели в одну большую модель. Казалось бы, это должно быть удобно для пользователя. Но на самом деле это привело к проблемам с производительностью. Поэтому лучше на старте договориться, кто за что отвечает и какие показатели нужны для работы. И исходя из этого дробить модель как можно мельче.

3

В настоящей BI-системе должно быть много отчетов, хороших и разных!

По мере подключения новых департаментов к системе аналитики мы стали замечать, что число отчетов выросло в геометрической прогрессии. Они начали друг друга дублировать и даже друг другу противоречить. Надо было что-то с этим делать. Классический рецепт — создать специальный департамент аналитики данных, чтобы его сотрудники стояли на страже архитектуры всей системы. Но мы пошли по более простому пути — делегировали эти полномочия уже существующему департаменту финансового контроля. В компании появился орган, который взял на себя роль фильтра и арбитра. И это были не только айтишники, но и люди, которые глубоко понимают связку системы с бизнесом, имеют вес в компании и могут грамотно управлять изменениями. И время показало, что это был правильный путь. 

4

Неважно, как называем показатель, главное, что мы понимаем друг друга!

Когда разные департаменты компании обсуждают отчеты, каждый в голове держит что-то свое. Классика — это обсуждение потерь в магазинах. Розница мыслит в розничных ценах, а закупщики оперируют закупочной ценой и себестоимостью. И вроде оба говорят о списании товара, но на разных языках, отчего возникают дискуссии, споры и поиски ошибок, которых на самом деле нет. Решение простое — снабдить отчеты пояснениями о принятой системе координат, чтобы люди могли корректно сравнивать данные и не входить в конфликт. 

5

С корректностью данных разберемся по ходу!

Следующая большая тема, с которой сталкиваются крупные ретейлеры, — это корректность исходных аналитических данных. У нас мастер-данные в систему исторически заводит бухгалтерия, вся деятельность которой, как известно, про учет. И тут бывали смешные сбои. Однажды со склада в магазины стали ездить полупустые машины. Мы сначала думали, что произошел какой-то глюк в алгоритме планирования рейсов. Но оказалось, что один из бухгалтеров, который заводил карточки товаров, в строке, где указываются габариты груза, написал размер не в кубических метрах, а в кубических сантиметрах. Система думала, что товара много, а на самом деле его почти не было. Мы на все это посмотрели и перевели экспертизу по заведению мастер-данных в коммерческий департамент, выделив там группу людей, которые только этим и занимаются. Только после этого ситуация стабилизировалась.

6

Давайте сделаем супергибкий конструктор, чтобы все пользователи сами строили себе отчеты! 

Мы поначалу хотели сделать такой суперконструктор, используя который люди могли бы сами делать любые отчеты. Но быстро стало ясно, что это, во-первых, технически нереализуемо, а во-вторых, просто не нужно. Дело в том, что все пользователи аналитики в компании делятся на две большие категории. Первая — операционисты продаж и товародвижения. Им нужны простые и наглядные данные, с которыми они могли бы периодически просто сверять текущие цифры, чтобы понимать, туда ли они двигаются или нет. У нас для таких специалистов нет доступа к системе аналитики. Мы им просто на почту с разной периодичностью (кому раз в день, а кому раз в час) рассылаем персонифицированные аналитические файлы. И им этого хватает. А вторая категория пользователей — те, кто отвечает за стратегию компании. Им нужны документы для глубокого анализа данных. Для них мы сделали гибкие инструменты, благодаря которым они могут сами добавлять в расчеты разные показатели и по-разному их комбинировать. И это не одна большая модель на всех, а сфокусированные варианты по разным видам деятельности. Эти инструменты покрывают все потребности наших сотрудников в аналитике.

7

Нет смысла тестировать всю модель!

Если вам скажут, что тестирование BI-системы не нужно, — не верьте. Это обязательно. И чем больше аналитики, тем меньше применимо ручное тестирование. Нужно заниматься автоматизацией. Мы перед релизом сделали полную копию рабочей модели. Туда потом добавляли доработки. Такая модель в десятки раз ускоряла процесс тестирования.



Из выступления на пятой встрече дискуссионного клуба «Информационные технологии в ретейле: диалог на высшем уровне», организованной группой Prosperity Media и порталом CFO Russia.