Добрый день, друзья! В большинстве приложений по бизнес-аналитике есть аналитика продаж. По моему опыту могу сказать, что большинство компаний, покупая Qlik, начинает работу с системой именно с создания приложений по аналитики продаж, постепенно подключая приложения по товародвижению и остаткам, а затем уже другие бизнес-области. Эта вводная статья на тему аналитики продаж и оттока клиентов, поэтому в начале статьи дам информацию по аналитике продаж, а затем разберу пример аналитики с применением статистической модели на личном примере (расскажу о прогнозировании вероятности тренировок). А в продолжении статьи уже в деталях расскажу об аналитике оттока клиентов в QlikView.

Аналитика продаж: Какие метрики используют

Здесь приведу небольшой список метрик, который используется для приложения Qlik, в котором анализируются продажи компании:

Метрика Определение
Валовая выручка от реализации Первичный показатель дохода бизнеса. Продажи до учета скидок в денежных единицах. Основа для расчета прибыли.
Чистая выручка от реализации Валовая выручка, за вычетом НДС, скидок, стоимости возвращенных покупателями товаров, акцизных налогов в денежном выражении.
Объем продаж Сумма продаж за период
Чистая рентабельность Отношение чистой выручки от реализации к объему продаж
Средний чек Сумма всех совершенных клиентами покупок за определенный период времени к количеству чеков за тот же период времени
Валовая рентабельность Отношение валовой прибыли к чистой выручке от реализации

Зная эти метрики, значит, вы хорошо понимаете измерения. Каталоги, которые описывают клиентов, менеджеров по продажам, продукты, даты, магазины, каналы продаж отвечают на вопросы: кто, что, когда, где, почему получены такие цифры по продажам. Конечно, для полноценной картины нам нужны будут и другие данные, представленные в бюджетах и прогнозах.

Отток клиентов

После некоторой вводной части, перейдем к аналитике оттока клиентов. Это показатель, который показывает отток клиентов компании за определенный период:

Отток клиентов = Количество клиентов, которые вы потеряли за определенные период / Количество клиентов, которые были в начале периода

Такая формула хорошо работает для услуг, которые предоставляются по принципу подписки. Но она не очень подходит для аналитика продаж физических товаров.

Однако и в ритейле возможна аналитика по показателю оттока клиентов на основе данных программ лояльности, где представлена полная статистика покупок клиента и их разбивка по периодам. Так, например, если клиент покупал продукты раз в неделю определенного типа, а затем покупки спустя месяц больше не повторяются, говорит нам о том, что произошел отток клиента. Но для более точной модели оттока клиентов нужно составить статистическую модель частоты покупок, чтобы своевременно определить клиентов, которые стали терять интерес к продуктам компании.

Наша динамическая группировка состоит из клиентов, которые отсутствуют дольше обычного, но доход от этих клиентов все еще возможен. Попытка вернуть этих клиентов будет более стоящей, чем запуск какой-то спонтанной маркетинговой компании.

Так, в Qlik мы можем использовать проверку гипотез по критерию Стьюдента и функцию нормального распределения для создания статистической модели для прогноза частоты покупок. Экспоненциальное распределение также может быть очень полезным в статистической модели для прогноза частоты покупок.

НА ЗАМЕТКУ! Экспоненциальное распределение – абсолютно непрерывное распределение, моделирующее время между двумя последовательными свершениями одного и того же события.

Аналитика данных: экспоненциальное распределение

Если покупатели совершают постоянные покупки, а каждая покупка независимо с одинаковой вероятностью возникнет, то можно использовать экспоненциальное распределение. Например, мы ожидаем, что покупатели сделают хотя бы одну покупку каждый день, а отсутствие покупки обусловлено только форс-мажорными обстоятельствами, тогда, используя экспоненциальное распределение, мы можем отследить необычную неактивность клиентов.

Прежде чем перейти к аналитике данных по продажам, разберу аналогичный пример, с аналитикой данных физической нагрузки в месяц. Так, график, построенный в QlikView ниже, показывает статистическую модель на основе экспоненциального распределения, который прогнозирует, насколько постоянно я выполняю хотя бы 15 минут упражнений в день.

http://poverconsulting.com/wp-content/uploads/2017/02/_d_improd_/Example_Exponential_Curve_f_improf_550x324.jpg

График показывает по оси X количество дней, которые останутся или остались без упражнений. По оси Y показана вероятность, что определенное количество дней прошли или пройдут после последней тренировки. Этот график показывает как прогнозные, так и ретроспективные данные.

Голубые столбцы показывают поведение в прошлом о том, как часто я занимаюсь. Данные собраны за месяц. Согласно графику и данным за этот месяц, я занимался ежедневно 80% времени, при этом, пропустив 1 день, что составляет 15% времени. Также я пропустил 4 или 5 дней, что составляет 5% времени.

Две линии показывают статистическую модель, которая показывает прогноз моего будущего поведения. Голубая линия (экспоненциальное распределение) – вероятность того, что я буду заниматься после каждого данного количества дней, с последнего дня занятий.  Аккумулированное экспоненциальное распределение (зеленая линия) вероятность того, что я буду заниматься после определенного количества дней в будущем.

Так, по графику видно, что периодичность моих тренировок раз в три дня или более. Однако с вероятностью в 15%, согласно моей статистической модели, я буду заниматься ровно раз в три дня после последней тренировки, а с вероятностью 3 90% я буду заниматься после пропуска трех или менее дней.

Вот и подведены итоги и прогноз моих спортивных тренировок. На этом все на сегодня. Отличных вам разработок Qlik! А уже в следующей статье мы вернемся к аналитике продаж…