SWOT анализ российской логистики для розничной торговли и FMCGVardan Gasparyan
Качественный анализ происходящего в логистике в 2015 г, точек силы, слабости, возможностей и угроз для логистов в розничной торговле (Retail) и потребительских товаров (FMCG).
Тренды современного омниканального ритейла (omnichannel retail)Vardan Gasparyan
Data, Delivery и Digital - три кита современного ритейла. Omnichannel - следующий этап эволюции ритейла, ведь он позволяет покупать где угодно и получать тогда и там, где удобно клиенту. Цепочка поставок - подводная часть айсберга омниканальности.
Омниканальная модель ритейла совмещает преимущества традиционных сетей и интернет-магазинов. Но цепочка поставок, не адаптированная под требования омниканальных покупателей - «Подводная часть айсберга», способная утянуть бизнес на дно. Что нужно совершенствовать в цепочке поставок ритейлеру, чтобы этого избежать?
SWOT анализ российской логистики для розничной торговли и FMCGVardan Gasparyan
Качественный анализ происходящего в логистике в 2015 г, точек силы, слабости, возможностей и угроз для логистов в розничной торговле (Retail) и потребительских товаров (FMCG).
Тренды современного омниканального ритейла (omnichannel retail)Vardan Gasparyan
Data, Delivery и Digital - три кита современного ритейла. Omnichannel - следующий этап эволюции ритейла, ведь он позволяет покупать где угодно и получать тогда и там, где удобно клиенту. Цепочка поставок - подводная часть айсберга омниканальности.
Омниканальная модель ритейла совмещает преимущества традиционных сетей и интернет-магазинов. Но цепочка поставок, не адаптированная под требования омниканальных покупателей - «Подводная часть айсберга», способная утянуть бизнес на дно. Что нужно совершенствовать в цепочке поставок ритейлеру, чтобы этого избежать?
Описание бизнес-кейса проведения сегментации клиентской базы для выявления наиболее склонной к покупке страховых продуктов аудитории и последующей целевой коммуникации
Бурение скважины на воду - это типичная задача, которая возникает при обеспечении автономного водоснабжения дома. Бурение скважины на воду - это процесс создания скважины для подъема воды для обеспечения нужд строительства и проживания семьи.
Эта лекция была прочтена перед 100 студентов и преподавателей КИМЭП 9 апреля 2008. Я попытался представить - каким станет рынок маркетинга и PR через 10 лет, при условии что реформы и планы, обещанные правительством и биржей KASE осуществятся. Получилось любопытно...
Описание бизнес-кейса проведения сегментации клиентской базы для выявления наиболее склонной к покупке страховых продуктов аудитории и последующей целевой коммуникации
Бурение скважины на воду - это типичная задача, которая возникает при обеспечении автономного водоснабжения дома. Бурение скважины на воду - это процесс создания скважины для подъема воды для обеспечения нужд строительства и проживания семьи.
Эта лекция была прочтена перед 100 студентов и преподавателей КИМЭП 9 апреля 2008. Я попытался представить - каким станет рынок маркетинга и PR через 10 лет, при условии что реформы и планы, обещанные правительством и биржей KASE осуществятся. Получилось любопытно...
Succesful case study of the project "Kazakhs answer to Borat". Marat Bisengaliev, famous violin player, and Yerlan Askarbekov have conducted a very succesful PR project. The aim of the project was "to answer" widely in Western media to Mr Sacha Baron Cohen's film. The media clipping of the project consists of 100+ mentions including major media like NY Times, Guardian< MTV, Reuters etc...
NB the presentation is in Russian
Crucial Conversations is a two-day course that teaches skills for creating alignment and agreement by fostering open dialogue around high-stakes, emotional, or risky topics—at all levels of your organization. By learning how to speak and be heard (and encouraging others to do the same), you’ll begin to surface the best ideas, make the highest-quality decisions, and then act on your decisions with unity and commitment.
«Трудные диалоги» – это двухдневный тренинг, в результате которого участники приобретают навыки ведения открытого конструктивного диалога на всех уровнях организации, в ситуациях, когда ставки высоки, существуют противоположные позиции и вовлечены сильные эмоции. Научившись говорить так, чтобы быть услышанным (и воодушевляя окружающих действовать подобным образом), участники смогут выявлять лучшие идеи, принимать наиболее эффективные решения и согласованно осуществлять их в организации.
Основной целью метода «Road Show» является сбор идей об улучшениях и получение обратной связи по текущей работе или отдельным процессам. Технология «Road Show» позволяет собрать весь спектр мнений и предложений по интересующей проблеме, а также вовлечь участников в процесс изменений. Метод может использоваться и для больших групп (более 50 человек). Сфера применения метода «Road Show» включает в себя:
Управление изменениями
Поиск решений
Управление проектами
Конференции
Стратегические сессии.
Buzzon - разработка стратегии в соц. медиаRaim Dadybayev
SMM, который решает бизнес-задачи. Алгоритм, пошаговая инструкция что и как делать до/во время/после в соц. медиа, чтобы это имело смысл. Внутренний документ агентства в красивой публичной упаковке.
Data-driven business: Информационная основа деятельности современной КомпанииAlexander Barakov
Обоснование концепции Data-driven business - попытка показать вектор трансформации способа ведения бизнеса вне зависимости от отрасли и найти ответы на ключевые вопросы, стоящие перед современной компанией:
Какие данные являются значимыми для бизнеса?
Какие значимые данные появятся и будут необходимы бизнесу через 5,10, 20 лет?
Какие новые виды анализа данных могут трансформировать принятие решений в вашей отрасли, повысив операционную эффективность?
Какой набор ПО оптимальным образом будет решать задачи связанные с хранением, обработкой, анализом данных и доставкой и информации пользователям?
Какие BI- BigData-решения внедрять, с какими приоритетами?
Какой набор ресурсов (внутренних/внешних) и компетенций необходимо аккумулировать для запуска и развития системы бизнес-анализа компании? (Как выбрать интегратора / консультанта? Какого набирать в штат? Как планировать и управлять BI-проектами? и т.д.)
Как необходимо трансформировать бизнес-процессы и корпоративную культуру?
и т.д.
TIBCO Spotfire - Аналитическая платформа бизнес анализа (Business Intelligence, BI), которая позволяет бизнес пользователю анализировать большие данные (Big Data) и большой контент, выявить скрытые возможности и скрытые риски бизнеса, на основе которых можно принимать обоснованные решения.
Сергей, Нестеренко, IBS. Обзор аналитических решений в управлении товарным ас...IBS
Подробности на www.ibs.ru
Сергей Нестеренко, директор отделения анализа, моделирования и интерпретации данных компании IBS
Бизнес-завтрак IBS и SAS «Прогнозирование спроса и оптимизация товарных запасов в розничном бизнесе. Примеры из практики» (12.03.2015)
Data Science Weekend 2017. МегаФон. Аналитика больших данных в телекоме. Опыт...Newprolab
Андрей Уваров, Руководитель по аналитическим сервисам, МегаФон. Если вы хотите получить доступ к видео выступления, заполните форму здесь: http://dswknd2017.datascienceweek.com/
От Больших данных к знаниям: преимущества для операторов связиYuri Yashkin
Для операторов связи Большие данные — это возможность создать систему аналитики для более эффективной эксплуатации своих сетей, оценить выгоду от предоставления тех или иных услуг и обеспечить индивидуальный подход к клиентам. И директора по маркетингу, и вице-президенты по эксплуатации сетей, и руководители бизнес-подразделений в равной степени стремятся принимать решения, основываясь на результатах обработки значительных объемов информации. Такие компании ожидают, что их маркетологи смогут предложить им комплексные аналитические выводы, подготовленные с учетом данных, имеющихся в их ИТ- и сетевой инфраструктурах. В данном документе рассматриваются все преимущества преобразования данных операторов связи в знания. Этот процесс охватывает источники информации, инструменты сбора данных, аналитические СУБД с быстрым доступом и, наконец, сценарии использования бизнес-аналитики с представлением и визуализацией результатов и прогнозов
От больших данных к знаниям: преимущества для операторов связиElizaveta Alekseeva
Операторы связи обладают огромными объемами данных об абонентах: об их контактах, использовании Интернета и приложений, истории путешествий и даже о том, как долго они добираются до работы. Чтобы извлечь из всего этого пользу, операторы должны объединить в одно решение все компоненты, помогающие преобразовать данные в знания
ATK QlikView for Retail - Krasnopolsky AndreyMarina Payvina
Генеральный директор Консультационной Группы АТК, Андрей Краснопольский, представил отраслевое решение компании для ритейлеров и показал, как использовать Qlik Sense для анализа продаж, маркетинговых акций, складских запасов и управления потерями. Спикер провел живую демонстрацию работы системы и показал кейсы по комплексной аналитике потерь и товародвижения.
Similar to Big Data in Supply Chain Management - Big trouble or Big opportunity? (20)
Logistics Trend Radar - логистика будущего и настоящегоVardan Gasparyan
DHL Logistics Trend Radar - магический кристалл, в котором видно будущее вашей логистики. Интернет вещей, омниканальность, роботика - все в этой презентации
The myths and reality of outsourcing supply chainVardan Gasparyan
What are the common faults of outsourcing? Are they different for Russian and international businesses? How to select outsourcing partner? Which SCM processes to outsource? Find out about that in my presentation at Adam Smith FMCG 2014 Forum
Big Data in Supply Chain Management - Big trouble or Big opportunity?
1. «Большие данные»
и аналитические модели
в логистике и SCM
Вардан Гаспарян,
Директор практики SCM & Logistics
vgasparyan@deloitte.ru
FB: http://www.facebook.com/Supplychainer/
Кирилл Калинкин,
Менеджер практики SCM & Logistics
kkalinkin@deloitte.ru
2. 2
Современные логистические цепочки компаний становятся все более
сложными, многомерными. Они требуют анализа все увеличивающегося
вала данных для эффективного использования ресурсов, расширения
возможностей, и управления рисками цепи поставок
53%руководителей
компаний считают, что “цена
пренебрежения” планированием
рисков заметно возросла за
последние 3 года
40%
доступных для использования
логистических мощностей
(транспортировки и хранения)
используются эффективно.
(материалы World Economic Forum)
Более 50%
европейских компаний
индустрии FMCG и
ритейла ожидают
увеличения объёма
операционных данных,
необходимых для
планирования, на 25%
ежегодно
3. Инновации в логистике и SCM являются отображением глобальныx
демографических, технологических и политических трендов.
Они позволяют компаниям эффективно использовать свои ресурсы, находить
новых партнеров в цепи поставок, совмещать локальные компетенции с
глобальной “экономией на масштабе”
Основные тренды в логистике Технологии, влияющие на логистику
Логистические
“глобально-локальные”
супер сети
«Предиктивная»
Логистика
Эко-Логистика
Электронные
площадки
Shareconomy
Логистика
Персонализация
UBER-ификация
логистики и
“нетрадиционная
конкуренция”
Мультиканальная
логистика
логистики
Управление рисками
в цепи поставок
Big Data / Open Data
3D печать Робототехника и
Автоматизация
Мобильные приложения
Облачные технологии
Алгоритмы
прогнозирования
Web 3.0
Аналитические модели
3 Источники: DHL Logistics Trend Radar, Gartner
4. Использование «Больших данных» в логистике
Операционное
планирование
Краткосрочная и
среднесрочная
оптимизация ресурсов
и кадров
Маршрутизация
Оптимизация
маршрутизации в реальном
времени на основании
текущих дорожных условий,
доступных окон доставки
Заказы
Утилизация
Датчики
Внешние провайдеры
Трафик
Краудсорсинг
Использование «случайных»
попутных ресурсов для
организации доставки
Управление рисками
Анализ и прогнозирование
событий, влияющих на
устойчивость систем и
процессов
Маркетинг
Использование информации
о клиентах для предложений
новых продуктов и услуг
Упреждающая логистика
Использование поведения
клиентов для краткосрочного
прогнозирования спроса и
соответствующего
распределения продукции
Стратегическое
планирование
Долгосрочное
планирование развития
логистической сети
GPS/Глонасс
Нагрузка
Транзакции
Маршрутизация
Местоположение
Инциденты
Web
e-commerce
5. Развитие технологий анализа и визуализации позволяют компаниям
эффективно использовать аналитические модели
Доступные
хранилища данных
За период с 2000 г. по
2008 г. 1 мегабайт
данных стал в 100 раз
дешевле
Обработка данных стала
быстрее в 256 раз с 2000 года
300
200
100
0
Скорость
обработки данных
2000 2006 2012
Распространение
данных
В 2011 г., 1.8 зеттабайтов данных
было создано, этого достаточно для
заполнения 57.5 млрд. 32ГБ iPad
Развитие Интернет
Анализ происходит в любое время,
в любом месте
2B
2
1B
1
0
Количество пользователей
интернета
1995 2000 2005 2010
1995 2000 2005 2010
0
Передовые
технологии
Новые ИТ-инструменты
делают аналитику более доступной
Возможности
визуализации
Визуализация
позволяет выявить
закономерности в
огромных объемах
данных
Потребление энергии
в Нью-Йорке
Ключевые факторы развития аналитических моделей
Аналитические модели - позволяют компаниям оперативно принимать эффективные решения
на основе эффективного анализа огромных массивов данных
6. Исследования показывают: компании начинают понимать критичность
анализа больших данных для цепочки поставок
• 60% компаний лидеров индустрии планируют инвестиции в
разработку аналитических моделей в ближайшие 5 лет.
• Исследование показывается что компании, лидирующие на
рынке, используют аналитические модели в 3 раза чаще.
• Только 14% Европейских компаний используют комплексные
модели обработки «больших данных» для стратегического
принятия бизнес-решений.
• Лидеры рейтинга Gartner Top 25 Supply Chains используют
технологии больших данных как часть стратегии
63%
Является ли анализ «Больших данных»
частью стратегии компании?
23%
14%
0% 10% 20% 30% 40% 50% 60% 70%
Планируется в
ближайшее
Нет
время
Да
Анализ «больших данных»
как конкурентная стратегия
Фокус на
применение аналитических моделей
Источник: «Big Data in Logistics by DHL Customer Solutions & Innovation
Области инвестиций в Big Data **
0% 10% 20% 30% 40% 50% 60% 70%
Через 5 лет Сегодня
60%
анализ присутсвия
в социальных
сетях (B2C, B2B)
облачная
аналитика on
demand
Дизайн
логистических
сетей
Оптимизация
жизненного цикла
продукта
**Источник:“Trends and Strategies in Logistics and Supply Chain Management”, p. 51, BVL International, 2013
7. Для чего цепочкам поставок компаний нужны аналитические модели?
Повышение
операционной эффективности
Взаимоотношения
с клиентами
Новые
бизнес-модели
Использование данных для:
• Повышения «прозрачности» операций
• Оптимизация используемых ресурсов
• Повышения эффективности процессов
Анализ данных для:
• Повышения лояльности клиентов
• Точность сегментирования и
эффективность подходов к
каждой группе клиентов
• Повышения эффективности
коммуникационных каналов
«Капитализация» данных для:
• Расширения каналов сбыта/ потоков
доходов на существующих рынках
• Выход на новые рынки и создание
новых потоков доходов
Традиционный подход
Персонализирован-
ный подход
Подрывной
подход
8. Аналитические модели не просто «конденсируют» информацию для
анализа, но «подсказывают» оптимальные решения в удобной визуальной
форме
Основные этапы разработки
аналитической модели
• Составление отчетности не является новым процессом.
• Однако использование передовых методов сбора и обработки информации, а также эффективных средств визуализации
позволяет создать комплексные модели принятия решений.
Функциональная
область
применения
Функциональная
экспертиза
Отраслевая
экспертиза
Управление
данными
Количественные
методы
Качественный
анализ
Визуализация
Применение
математических
методов для
обработки
Сбор
операционных
данных
компании и
внешних данных
для проведения
анализа
Применение
качественных
методов для оценки
ситуации
Отображение
анализа в
наглядной форме
Понимание бизнес-
задачи в контексте
функций и
индустрии
Модель
принятия
решения
Ключевые
этапы
Обработка данных Визуализация
Развивающиеся
области Функционал
Большинство российских
компаний сектора находятся
на этапе сбора данных
Сбора данных
9. Функциональные области применения аналитических моделей
Функционал Области применения
Повышение уровня доступности товара за счет повышения точности прогноза потребления и
оптимального составления ассортимента продукции
Разработка системы показателей и методологии оценки эффективности
для управления рисками и кооперацией с партнерами
Оптимизация
портфеля
продукции
Сокращение затрат на закупки за счет оптимального выбора поставщиков с использованием
стохастических моделей «совокупной стоимости владения».
Оптимизация
закупок
Отношение с
поставщиками
Вероятностное прогнозирование неисправностей оборудования для выявления ключевых причин
неисправностей и сокращения затрат на гарантийное обслуживание.
Управление
запасными
частями
Оптимизация запасов за счет точной визуализации материальных потоков на различных
географических площадок и анализ дебиторских/ кредиторских финансовых движений.
Оптимизация
рабочего
капитала
Оптимизация
логистической
сети
Оптимизация
поставок
Управление
рисками
Оптимизация транспортных потоков за счет оптимального распределения складов и планирования
транспортировок.
Повышение точности поставок за счет динамического календарного планирования поставок и
возвратов с использование ограниченного парка транспортных средств.
Определение операционных рисков, связанных с непрерывностью поставок, ростом затрат и
сокращением выручки в точках продаж.
10. Аналитические модели являются шагом в развитии традиционных методов
составления отчетностей для целей контроля
Шаги развития
аналитических инструментов
Алгоритмы оптимизации
Симуляция и моделирование
Многокритериальные прогнозы
Модели
прогнозирования
(forward-look)
Отчетность по функциональным/
организационным единицам
Отчетность об операционных инцидентах
Не формализованные запросы на данные
Инструменты
диагностики
(backward-look)
Сбор данных (ИТ-системы: ERP, APS и т.д)
Разработка
прогноза
Анализ
исторических
данных
Начальный
уровень
Пример функциональной области
«Управление рабочим капиталом»
Аналитические модели:
• Оптимальное распределение запасов по
складам с учетом сопутствующих затрат
и спроса.
• Симуляция спроса в зависимости от
ключевых факторов.
• Прогноз потребления на основе анализа
поведения клиентов.
Составление отчетности:
• Отчетность по оборачиваемости запасов.
• ABC классификация запасов.
• Анализ невостребованных запасов.
Сбор данных:
• Количество запасов на складе
• Поступление/ списание материала.
Процесс хаотичного сбора операционных данных и спонтанного создания отчетности
должен быть заменен использованием аналитических моделей,
нацеленных на определенные функциональные области
12. Модель позволяет выявить магазин с наибольшим консолидированным
фактором риска, учитывающим основные статьи затрат
Возможность быстро
выявить магазин с высоким
показателем риска
Сравнительный анализ по
каждому параметру с
остальными магазинами
Аналитика по каждому
параметру,
определяющему факт риска
13. Также модель позволяет рассчитать фактор риска
на основе прогнозируемых продаж и общих затрат магазина
.
Детальный анализ по
Анализ магазина со
значительным
отклонением
по ожидаемым продажам
ожидаемым/
фактическим продажам и
структуре затрат
14. Модель позволяет учитывает расположения магазина
и плановые объемы продаж в данной географической области
Магазины с одинаковым
географическим и социальным
статусом покупателей
однако со значительной разницей
в фактическими продажах.