Подготовка и анализ KPI продаж. Выступление Александра Кособокова на Loginom Day 2018

22 октября 2018
0 комментариев

Внедрение KPI облегчит жизнь руководителю предприятия, собственнику бизнеса и даже рядовым сотрудникам. О том, как с помощью Loginom рассчитать и проанализировать показатели эффективности для большой организации рассказывает архитектор систем бизнес-анализа крупнейшей страховой компании Росгосстрах.

pdf Подготовка и анализ KPI продаж

Текстовая расшифровка выступления

Меня зовут Кособоков Александр. Я представляю компанию Росгосстрах, где занимаюсь в проекте реализации системы бизнес-аналитики, в данном случае, - Qlik Sence. Я сегодня здесь для того, чтобы рассказать вам реальную историю, реальную ситуацию, с которой мы столкнулись при подготовке данных для отчётных форм, для бизнес-аналитики, и непосредственно рассказать историю, как мы нашли продукт Loginom.

Постановка проблемы

С начала года компания Росгосстрах решила внедрить у себя единую точку правды в части бизнес-аналитики, в части дистрибьюция этой бизнес-аналитики. Компания выбрала решение Qlik Sence. Это централизованное корпоративное решение для доставки бизнес-аналитики. Это следующее поколение систем, которое подразумевает под собой «Self-service BI», когда мы потихонечку начинаем исключать роль «айтишников» в подготовке информации, и для отрисовки тех показателей и той визуализации, которая необходима бизнесу.

Сама компания Росгосстрах является крупнейшей страховой компанией на российском рынке. Имеет более 100 филиалов, более 2000 офисов, большое количество клиентов (свыше 17 млн), свыше 40000 агентов. Объем данных и информации очень большой (более миллиарда договоров находится в базах). При таком масштабе компании ежедневно очень много в людей: аналитиков, потребители информации и так далее, каждый на своем месте потихонечку тем или иным способом переворачивает информацию.

На самом деле, на каждом рабочем месте аналитика очень много времени тратится на то, чтобы подготовить информацию и каким-то образом ее дистрибьюровать на следующий уровень: либо на уровень руководителя, либо на уровень исполнителя. Разные люди занимались одним и тем же, только каждый в своей области: подготавливали отчетность, подготавливали данные, кто-то в Excel, кто-то SQL и так далее.

Но, тем не менее, всё это приводило к тому, что затрачивалось очень много времени на подготовку этой отчётности. Одни и те же источники, одни и те же данные могли быть разные в разных ситуациях.

Бесконечная история начиналась на каждом уровне: руководителю представили один счет, он посмотрел смежный отчёт, и начинаются постоянные споры: «Откуда вы взяли эти цифры? Как их посчитали?» Эта разнородность информации за счёт того, что разные исполнители с разным пониманием готовили эту отчетность.

Определи проблему:

  1. большие затраты на подготовку отчётности,
  2. нет единой точки правды в крупной компании,
  3. аналитиков, подготавливающих эту информацию, очень много.

Так как мы говорим о сетевой компании, о большой разветвленной сети филиалов и дополнительных офисов, для бизнеса решили в первую волну сделать отслеживание ключевых показателей по бизнесу. Они и ранее были зашиты в Excel, но, тем не менее, перевести это всё на более современную платформу.

Сократить время поиска информации, нужной для специалистов разного уровня, для руководителей разного уровня.

И, самое главное, предоставить в компании один единый источник правды, тот источник, на который бы ссылались другие отчёты.

Мы находимся все в реальном мире, несмотря то, что мы можем говорить о хранилище данных, об озере данных, и так далее, в реальной жизни это, к сожалению, особенно в крупных компаниях выглядит не совсем красиво. Как часто бывает: у «айтишников» вроде всё автоматизировано, они очень хорошо работают с данными, строят хранилища данных, озеро данных, но очень неохотно делятся информацией о том, где что лежит, как это забрать и тому подобное.

То есть парадокс следующий: они владеют информацией, владеет инструментами, которые позволяют получить эту информацию с минимальными затратами, но они не особо заинтересованы в этой информации. А по другую сторону находится аналитики, которые каждый день работают с информацией, они кровно заинтересованы в этой информации, но не обладают достаточным уровнем знаний для того, чтобы эту информацию агрегировать, готовить, выгружать с минимальным затратами ресурсов.

Источники абсолютно разнообразные: в красивом варианте - хранилище данных, витрины данных, любые дополнительные аналитики, которые они придумывают в Excel данных, что-то они грузят из внешних источников и так далее.

Этапы внедрения

На протяжении текущего года с момента внедрения системы Qlik Sence, она показала то, что можно настраивать базовые отчеты, предоставлять так называемую Self-guided analytics, то, что раньше делали айтишники для пользователей. Но система действительно очень гибко позволяла предоставлять доступ продвинутым пользователям, который раньше занимались в Excel, писали скрипты на VBA, Phyton. Люди с удовольствием втягивают в игру под названием «Self-service BI». Оказалось достаточно просто вовлечь и мотивировать людей так, чтобы они начали заниматься единой песочнице.

Первую часть мы более-менее понимаем, как делать. Есть некоторые успехи, получается централизовывать, получается мотивировать людей работать с системой. Но люди, в любом случае, очень много времени тратили на подготовку информации. Причём каждый тратил ее по-своему: кто-то более продвинутый, кто-то менее продвинутый (я сейчас говорю об аналитиках в каждом подразделении, те, которые непосредственно работают с данными, выгружают данные, перерабатывают, готовят отчеты). Систему для подготовки отчетов мы сделали. Но узким горлышком явилось то, что очень много времени затрачивалось на подготовку данных.

Когда мы разговариваем о системе подготовки отчётности в масштабе большой компании или крупной организации, здесь возникает другую рис: да, существует аналитик, существует человек, который занимается подготовкой данных, но мы столкнулись с тем, особенно в связи с тем, что в компании произошли большие изменения, была миграция людей. Соответственно, те люди, которые накопили знания, зашили эти знания в различные скриптовые языки, то есть, те знания, которые они накопили в компании, реализовали в каких-то скриптах, они унесли с собой.

Возник большой риск, что нет преемственности тех алгоритмов подготовки данных для отчетов, так как тот специалист, который занимается этим ежедневно, лучше всех это дело знает. Когда мы начали разгребать, как действительно люди готовят данные для отчётов, мы немножко расстроились, потому что всё это выглядело достаточно сложно.

И, самое главное, очень сложно было все это разгребать и поддерживать. Тут мы начали думать, каким же образом выйти из этой ситуации. Может быть, действительно, взять и использовать Phyton на каждом рабочем месте, проводить обучающие курсы. Не совсем хороший путь, потому что всё это в виде текстовых простыней и алгоритмов прописано, в которых достаточно сложно разбираться.

Дальше начали смотреть на открытые системы (ETL-средства), то есть трансформация, загрузка информации. Это достаточно специализированные серьезные системы, всё-таки предназначенные для «айтишников». А хотелось простой наглядный инструмент, в котором можно что-то делать и которые легко масштабировать. Чтобы это было просто для аналитика, который сидит и занимается подготовкой данных.

Вот здесь мы нашли систему, нашли решение от Loginom. На самом деле, мы его используем 4 месяца. Мы себе выдели определенный кусок по миграции данных по розничному бизнесу.

За 4 месяца очень качественно показал себя этот инструмент. Я сразу перепрыгну на один момент по миграции. С левой стороны - это один из сценариев того, как это выглядело на рабочем месте специалиста. Это - узкоспециализированный тонкий скрипт определённого обогащения данных, который, на самом деле, не нужно реализовывать на уровне крупной организации.

Это непосредственно кусок, который важен для отдельного подразделения, занимающегося розничными продажами. Но здесь необходимо добавить определённые аналитики, которые необходимые в данный момент для того, чтобы представить отчет руководителю, либо для того, чтобы этот же самый отчет представить системе Qlik Sence. В любом случае, 80% времени сотрудник тратил на то, чтобы эти данные подготовить.

Какую ситуацию мы получали в большинстве своём: приходит новый сотрудник, мы говорим, что работает скрипт, что всё автоматизировано и времени он не занимает. Но человека, который написал этот скрипт, его нет. Разобраться в логике можно по комментариям. А как к этому прикоснуться, с какой стороны, - вот это было самое сложное.

Мы начали экспериментировать. Чем мне понравился инструмент: сотрудник, который перекладывал логику из одного скрипта в визуальное представление, очень хорошо вовлекается вот в этот процесс.

Сотрудник, который занимался скриптом, переложил его в визуальное представление в инструменте Loginom. Понравилось, как это выглядит, понравилось то, что видна логика преобразования данных, видны шаги, которые необходимы для преобразования данных.

Взяли этот скрипт, который переписали Loginom, и показали его другому сотруднику этого же подразделения, который не занимался разработкой скриптов, и он понял всю логику работы. Самое главное, у него появляется мотивации дорабатывать вот эти все пайплайны, связанные с обработкой, с обогащением данных.

Здесь вот ещё очень хороший принцип сыграл: есть такой принцип программирования: «Никогда не повторяй себя дважды» или «Don't repeat Yourself». Один и тот же блок по обогащению, в части продаж, например, мы можем масштабировать, то есть не масштабировать даже, а передавать другим подразделениям, для того чтобы они использовали его в своих пайплайнах.

Это очень сильно нас зацепило. Причём, за 4 месяца мы реально ощутили эту эффективность. Когда вовлекается очень много людей, и действительно, никто не заставлял, просто предлагали разные варианты, как мы будем работать. Люди очень заинтересовались, очень замотивировать, и мы смотрим, как у нас весь процесс по преобразованию всех скриптов начинает переглядываться в Loginom.

И, самое главное, очень легко масштабировать данное решение. Сейчас мы хотим попробовать использовать сетевую версию, для того, чтобы публиковать задания центральном месте, то есть выстроить репозиторий из тех пайплайнов, которые уже сделаны.

Вот один из примеров обогащения конкретных данных по продажам. То есть сначала это выглядело, как «мешанина» кода. Сейчас визуально это выглядит иначе. В итоге, мы получаем у же самую табличку с обращенными данными, которые использовали в Qlik Sence.

Хотелось отметить важный момент, чего не хватает в других решениях и есть в Loginom (мы перепробовали много решений). На рынке много средств подготовки и обогащения данных, все делают примерно одно и то же. Очень отзывчивая компания. Если возникает какой-то «затык», техническая проблема или какие-то потребности, люди идет тебе навстречу. Они заинтересованы сделать действительно качественный продукт. Это подкупает больше всего.

Технически можно реализовать по-разному, а вот выстроить человеческие отношения для достижения целей очень важно.

Кособоков Александр
Архитектор систем бизнес-анализа к Росгосстрах

Дата выступления:
26 сентября 2018

#мероприятие #конференция #loginom day

Смотрите также