Бизнес аналитика больших данных для реальной жизни

Smart Data Lab популяризирует инструменты data science с целью развития бизнес аналитики в компаниях.

Мы обучаем аналитиков самостоятельно, гибко и надёжно обрабатывать большие массивы данных с помощью кода.

Мы помогаем компаниям превращать накопленные массивы данных в рентабельный актив.

Основой нашей технологии является R – специализированный язык программирования для обработки данных и визуализации.

R как первый выбор в data science

Работа с большими данными – это не экзотика из жизни крупнейших компаний, а неизбежность в рядовых аналитических задачах.

Ни в одной компании не удастся  возложить всю работу с большими данными на айтишников, а data scientists до сих пор не хватает даже для крупного бизнеса. Современные бизнес аналитики должны уметь обрабатывать большие данные “в режиме самообслуживания”.

В мире активно развиваются пользовательские решения для data analytics, первым выбором из которых для не-айтишников является R.

Это прикладной язык программирования, предназначенный чисто для статистических задач и визуализации. У него простой синтаксис и развитая экосистема.

R бурно растет в мире и входит в лучшие программы MBA.

Про R подробнее

 

 

Если вы подпишитесь на рассылку, мы будем сообщать вам о новых интересных статьях и закрытых мероприятиях, посвященных бизнес-анализу 

Наше предложение

ДЛЯ БИЗНЕСА

Мы обучим ваших аналитиков бизнес анализу в R и поможем реализовать пилотный аналитический проект.

Для аналитических задач, требующих более сложного кодирования, мы напишем скрипты в R – самостоятельные, или интегрированные в ERP или другие системы.

Подробнее про консалтинг

ДЛЯ ВСЕХ

В нашем онлайн-курсе «Бизнес-анализ больших данных в R» обучение максимально «экселизировано». Ставя навыки анализа больших данных, мы делаем акцент на знакомым всем типах трансформации таблиц.

Помимо программирования, на этом курсе слушатели осваивают научные принципы работы с большими данными.

Подробнее про онлайн-курс

Кейсы

РАЗВИТИЕ СОПУТСТВУЮЩИХ ПРОДАЖ

лупа

Задача: У розничной сети стоит цель повысить продажи. Поставлена цель максимизировать продажи сопутствующих товаров вместе с основными.

В нашем распоряжении – массив всех чеков всех магазинов за три года, несколько миллионов строк.

Наш подход: Написан R скрипт, выбирающий из каждого чека комбинации товаров категории А с товарами В и С. Комбинации ранжированы по вероятности покупки сопутствующего товара в паре с основным. Выявлен ряд факторов, повышающих вероятность продажи сопутствующего товара (конкретный магазин и/или продавец, сезон, размер запаса сопутствующего товара и т.п.). 

Результат: Заказчику передан перечень из нескольких сотен устойчивых комбинаций товаров в одном чеке, 70% из которых была им неизвестна.  Менеджмент получил R скрипт, позволяющий актуализировать этот список. Скорректированы плановые запасы сопутствующих товаров, изменена выкладка, в 1С создана автоматическая подсказка для продавца с предложением купить сопутствующий товар.  

АНАЛИЗ ОТЧЁТНОСТИ РОЗНИЧНЫХ СЕТЕЙ 

блокнот с ручкой

Задача: Крупный производитель продуктов питания ежемесячно получает отчёты розничных сетей о продажах.

Данные отчёты имеют сотни тысяч строк и разнородную номенклатуру названий СКЮ, брендов, поставщиков и категорий.

Нужно обеспечить возможность своевременной глубокой аналитики продаж.

Наш подход: Написан R скрипт, чистящий номенклатуру. Новые товары быстро сверяются с названиями из ERP системы, что даёт возможность быстро добавить вновь полученный отчёт к историческим данным. Бизнес-аналитики обучены работе в R. Разработан ряд готовых скриптов для решения типовых аналитических задач.  

Результат: Сэкономленное на чистке данных время использовано на глубинную аналитику. Аналитики оперативно находят инсайты об изменениях на рынке за последний месяц и предлагают более фокусные решения в области ассортимента, ценообразования, стимулирования дилеров и розничных сетей.

АВТОМАТИЗАЦИЯ ЗАКУПОК В РОЗНИЧНОЙ СЕТИ

нормальное распределение

Задача: Розничная сеть испытывает сложности в управлении запасами. Регулярно закупаются ненужные и/или лишние товары, по востребованным товарам наблюдается дефицит. Была поставлена задача автоматизировать расчёт потребности в закупках.

В нашем распоряжении массивы чеков и перемещений за пять лет, запасы на начало и конец каждого года – совокупно несколько миллионов строк. 

Наш подход: R скрипт, рассчитывающий оптимальные запасы на момент времени. В нём мы заложили нормализацию фактических продаж (нивелирование нехарактерных пиковых продаж, исключение из анализа тендеров и других разовых сделок,  доначисление упущенных вследствие дефицита продаж и др.).  Прогнозирование продаж строилось на основе модели ARIMA (для высокочастотных товаров), и нормализованных продаж за предыдущие сезоны. 

Результат: Скрипт, корректно рассчитывающий плановые запасы, интегрирован в 1С. Заказчик обучен самостоятельно управлять настройками скрипта.