Утконос: работа с данными как часть трансформации

Данила Наумов, директор по данным онлайн-гипермаркета Утконос, — о движении компании в сторону data-driven-бизнеса.

С марта в Утконосе появилась должность Chief Data Officer. Компания считает использование данных во всех бизнес-процессах важным шагом на пути к цифровой трансформации и централизует свои усилия в этом направлении. Мы встретились с Данилой Наумовым, директором по данным онлайн-гипермаркета Утконос, в рамках SAS Forum Russia 2019. Он рассказал о стратегии компании на пути к «цифре», о первых шагах в новой должности и планируемых изменениях в работе с данными.

Скорость доставки, цены, качество продуктов — очевидные конкурентные преимущества любого ретейлера. Где здесь могут пригодиться данные?

Действительно, все это важно. А данные могут понадобиться при решении любой задачи. С точки зрения скорости доставки перед нами стоят проблемы оптимизации логистики, в области цен — вопросы, связанные как с регулярным ценообразованием, так и с промоакциями. И тут нам есть чем похвастаться. Актуальны также задачи ассортиментного планирования, добавления в ассортимент востребованных покупателями товаров и вывода непопулярных. Кроме того, есть возможность создания собственных торговых марок — для этого нужно знать, какими характеристиками должен обладать тот или иной продукт.

А какие еще преимущества могут дать компании сервисы, основанные на данных?

Часто диалоги об аналитике у ретейлеров так или иначе связаны с качеством управления запасами — прогнозированием спроса и оптимизацией товарных запасов, обеспечением их нужного уровня. И это не случайно — вопрос действительно критически важен. Отдельно надо сказать о целевом маркетинге: кластеризации клиентов, прогнозировании отклика на маркетинговые кампании. Разумеется, персональные предложения должны быть релевантными — это требование времени. В противном случае лояльность клиента резко падает. Хорошо показывают себя рекомендательные системы на сайте. Если они правильно построены, то существенно повышается средний чек. Мы постоянно занимаемся оптимизацией складских операций. Например, совершенствуем слоттинг — даем рекомендации, в каких местах следует хранить товар, чтобы процедура комплектации заказов была максимально быстрой, а на складе не возникало пробок.

Все это — внутренние истории. Возможно ли что-то, нацеленное вовне?

Не соглашусь с таким разделением. Наличие товара в продаже напрямую сказывается на поведении клиента, если же клиента не устраивают цены, он пойдет к другому ретейлеру. Потребность в подобной аналитике диктуется рынком. Мы очень долго были не просто лидером, а вообще единственной компанией, занимающейся доставкой продуктов. Наши трансформационные процессы обусловлены именно появлением конкурентов. В сфере онлайн-ретейла крайне тяжело выйти на новый рынок — например, в другой город. Обустройство складов и выстраивание логистических сетей стоит невероятно дорого и требует единовременных инвестиций. Офлайн-ретейлер, в отличие от нас, может позволить себе постепенно увеличивать число магазинов.

Существовала ли до вас в Утконосе должность директора по данным?

Такой должности не было. Но уже функционировал аналитический центр, который занимался BI-функцией, его начали формировать с лета прошлого года. Прежде аналитическая работа велась разрозненно: в каждом бизнес-подразделении были собственные аналитики. Аналитический центр был создан с вполне понятной целью — объединить аналитиков из разных подразделений, чтобы ликвидировать дублирование отчетов. Понятно, что в разных подразделениях аналитики зачастую занимались схожими задачами. Кроме того, параллельно велось несколько проектов, связанных с прогнозированием спроса и построением системы автозаказа. В этих направлениях были существенные наработки. Требовалось их развить и добавить в число используемых технологий машинное обучение и другие современные методы. И поэтому в Утконосе появился директор по данным.

Что появление этой должности фактически означает для компании?

Наша компания идет по пути цифровой трансформации, и мы разделили ее на три составляющих. Первая — переход от традиционной иерархической структуры к продуктовой структуре. Мы создали множество продуктовых команд, в них входят представители бизнеса, data science, бизнес-аналитики, ИТ (ее инфраструктурной части). Вторая составляющая трансформации — привлечение талантов извне, третья — использование данных во всех бизнес-процессах. Все решения должны приниматься на основании данных, а не экспертных мнений. Позиция человека должна подкрепляться объективными цифрами. Моя должность объединила три функции: BI-практику, развитие хранилища данных (data engineering) и применение продвинутой аналитики (data science) в бизнес-процессах. Функции data engineering и data science изначально входят в мою зону ответственности, эти функции мы выстраиваем с нуля. А аналитический центр раньше подчинялся директору по стратегии. Директор по стратегии решил поставленные задачи, должность упразднили и было принято решение функцию BI тоже отдать мне.

Вы пришли в компанию несколько месяцев назад. Какие задачи были поставлены перед вами?

По каждому из трех направлений передо мной поставлены вполне конкретные задачи. На аналитике по-прежнему лежит в первую очередь функция автоматизации отчетности. В data science главные направления, по которым мы начали работать, — это прогнозирование спроса для операционного блока и регулярное ценообразование для коммерческой дирекции. Что касается хранилища данных, то мы приступили к выбору СУБД, средств интеграции данных и уже вплотную планируем построение самого хранилища данных. Хочу отметить, что в отношении выбора инструментов для реализации проектов никаких «религиозных» предубеждений у нашей команды нет. Руководство компании мыслит категориями бизнес-кейсов и финансовых эффектов. Если мы понимаем, что у какого-то конкретного продукта стоимость владения существенно привлекательнее, чем у конкурентов, то наш выбор склоняется в сторону именно этого продукта. Еще одной ключевой составляющей для нас является скорость решения задачи. Например, мы вполне обоснованно выбрали коммерческую аналитическую платформу и отказались от стека решений open source. Важную роль при этом сыграл показатель time to market — время, которое потребуется, чтобы решенная задача начала приносить прибыль.

Как могло отсутствовать направление data science в электронной компании с такой историей?

Каждый блок решал свои задачи по отдельности, с помощью доступных инструментов и методов. Например, строили прогнозы спроса, решали задачи автозаказа, создавали модели прогнозирования оттока клиентов, занимались оптимизацией логистики. Однако есть множество задач, в которых применение продвинутой аналитики даст более существенный эффект, чем традиционные подходы. И эти задачи совершенно точно должны решаться централизованно.

Местные аналитические отделы будут упразднены? Как сейчас осуществляется взаимодействие с ними?

Я вижу два варианта. Первый — оставить решение аналитических задач в рамках «родных» бизнес-блоков. Если задачи решаются качественно и результаты устраивают бизнес, то незачем ломать работающую структуру. При этом было бы правильным при необходимости подключать «Офис данных». Например, когда местным аналитикам на каком-то этапе не хватает компетенций. Второй вариант — переход аналитиков в нашу команду, но здесь важно сделать это так, чтобы бизнес-функция не пострадала и ее задачи продолжали решаться. Далеко не каждому руководителю понравится такой подход, и единственный способ не допустить скандалов — поднять решение прежних задач на новый уровень.

С чего началась работа в новой должности?

Первое — согласование бюджетов с собственником. Согласовали и расширение штата — дополнительно 14 человек, и приобретение новых инструментов, и проведение работ. Сейчас начинается обсуждение, как именно эти средства потратить, а также сравнение ИТ-платформ для решения тех или иных задач. И конечно, естественным следствием расширения штата стал активный поиск персонала.

Что сейчас представляет собой часть ИТ-ландшафта, ориентированная на работу с данными? Какие платформы и решения применяются, каковы планы на будущее?

Разумеется, у нас есть множество источников данных: ERP, WMS, веб-сайт, система управления перевозками, BI-инструменты и аналитические решения SAS. Кроме того, есть инструменты, используемые бизнес-блоками. Мы проведем трансформацию хранилища данных и построим озеро данных. Планируем предоставить инструменты подготовки данных бизнес-пользователям, чтобы наиболее продвинутые могли не только смотреть отчеты, но и проверять собственные гипотезы, выстраивать модели данных. У нас есть пользователи, которые готовы так работать и ждут, когда возможность для этого у них появится.

Используются ли в компании большие данные, и если да, то в каких целях?

Да, большие данные у нас есть. В первую очередь это история покупок клиентов, история активности пользователей на сайте. Мы знаем, каким образом происходила каждая покупка и как клиент оказался на сайте. Все эти данные надо анализировать, чтобы оптимизировать маркетинг — например, оценивать и развивать каналы, по которым к нам приходят люди. Огромный блок данных связан с операциями на складах. Комплектовщики заказов перемещаются по складу с собственными терминалами, и их движение становится источником информации для оптимизации размещения товаров. Есть множество видеоданных, на основании которых принимаются решения о реструктуризации склада.

Насколько эффективно используются эти данные?

Довольно эффективно. Можно ли их использовать еще эффективнее? Безусловно, да.

Обычно выделяют внутренние эффекты от работы с данными (оптимизация, повышение эффективности и т. п.) и внешние (создание новых сервисов, ориентированных на извлечение прибыли). Какие из них приоритетнее сейчас, а какие могут быть значимыми в будущем?

В рамках каждой задачи производится оценка конкретного кейса. На данный момент для нас примерно равнозначны по приоритету оптимизация операций и решение задач коммерческой дирекции и маркетинга. В будущем мы считаем перспективным привлекать стартапы для анализа изображений и голоса, а также для анализа отзывов клиентов и даже просто постов в соцсетях.

У онлайн-гипермаркета гораздо более широкие возможности по работе с покупателями, чем у традиционного ретейлера. Вы видите своих клиентов в буквальном смысле насквозь. Что, с вашей точки зрения, могло бы быть реализовано лучше и как этого добиться?

Здесь может идти речь об углубленном анализе больших данных: активность клиента на сайте, история его запросов в поисковиках, анализ источников, по которым он перешел к нам. Но надо сказать, что у нас намного меньше клиентских данных, чем у банков. Гораздо больше знаний о клиенте нам пока дают все-таки его истории покупок.

Появления каких новых «умных» сервисов могут ждать ваши клиенты в обозримом будущем?

У нас много различных идей. Например, предоставление рецептов и услуг голосового помощника во время приготовления еды. Если сервис Утконоса предложил купить продукты, он вполне может помочь приготовить из них вкусное блюдо. Кроме того, могу назвать интеллектуальные сервисы, которые будут напоминать о покупке.

Как скоро появится возможность «залезть к клиенту в холодильник» — поставить там камеру и реализовать сервис автозакупок?

Технически это вполне можно реализовать уже сейчас. Но потребуются как минимум серьезные инфраструктурные вложения и доработка некоторых «юридических моментов».

Источник: CIO.RU