CDOBiznesPolecane tematy
Pomagamy wydobyć biznesowy kontekst z dostępnych danych
Executive ViewPoint
Z Janem Wenda, Business Development Director oraz Grzegorzem Tkaczykiem, CTO w Lingaro rozmawiamy o tym: w jaki sposób dane wspierają rozwój firm, zwłaszcza w kontekście firm z sektora FMCG; jak wydobyć z nich realną wartość; czym jest coraz bardziej powszechny trend Direct to Consumer; a także o nowej inwestycji w firmę Orba, specjalizującą się w projektowaniu, wdrażaniu i optymalizacji systemów e-commerce.
Coraz bardziej popularny jest model sprzedaży Direct to Consumer. Nie jest to jedynie życzeniowe myślenie firm, które chcą bezpośrednio docierać do klienta. Konsumenci coraz częściej chcą kupować od producenta, bo mają do niego zaufanie i wierzą, że otrzymają lepsze wsparcie od niego, niż od pośrednika. Jest to bardzo ważny aspekt sprzedaży, choć niezmiernie trudny we wdrożeniu. W tym momencie bowiem producent staje się konkurencją dla dotychczasowych partnerów. Jednocześnie bezpośredni kontakt z konsumentem pozwala firmom na zbieranie znacznie większej ilości informacji. Pytanie, w jaki sposób firma je wykorzysta. Pomagamy na nie odpowiedzieć.
Jan Wenda, Business Development Director w Lingaro
Lingaro niedawno dokonało akwizycji firmy Orba. Dlaczego zdecydowali się Państwo na dokonanie tej transakcji?
Jan Wenda (J.W.): Łączy się ona z potrzebami, które widzimy na rynku. Wielu naszych klientów to przedstawiciele sektora FMCG. Na tym rynku wyraźny jest trend, by bezpośrednio docierać do klienta, by być coraz bliżej konsumentów, skracając w ten sposób łańcuch dostaw. Jest wiele tego typu przykładów. Jednym z nich jest start-up Dollar Shave Club, który rozpoczął działalność na rynku maszynek do golenia, na którym – jak się wydawało – nie da się konkurować z dobrze ugruntowanymi liderami rynku. Firma ta na tyle zachwiała rynkiem, że ostatecznie została kupiona przez koncern Unilever podobno za 1 mld USD! Dollar Shave Club pokazał nowe, bardziej bezpośrednie podejście do konsumentów. Lingaro pomaga realizować tego typu strategiczne projekty, podejmować lepsze decyzje w oparciu o dane gromadzone na temat konsumentów.
W jaki sposób Orba uzupełnia ofertę usług Lingaro?
J.W.: Orba świetnie zna rynek e-commerce i obowiązujące na nim aktualne trendy. Lingaro zaś posiada kompetencje w zakresie przetwarzania i analizy danych. Do tej pory opieraliśmy się w dużej mierze na danych, które były już dostępne w firmie – o wielkości sprzedaży, stanie zapasów, wynikach finansowych i w niewielkim stopniu o całym rynku.
Jednak bez kompetencji w sektorze e-commerce – które przejęliśmy wraz z firmą Orba – trudno byłoby nam podejść kompleksowo do projektów związanych z analizą preferencji konsumentów. Klienci byliby bowiem uzależnieni od danych, które ktoś im udostępnia. Teraz możemy rozbudować nasze narzędzia o analizę danych z platform e-commerce.
Pomagamy klientom podejmować decyzje dwóch typów – strategiczne, dotyczące tego, w co inwestować oraz taktyczne, schodzące do poziomu pojedynczych zakupów. W większości przypadków te kompetencje są dziś na rynku rozłączne. Są firmy takie, jak my i nasi konkurenci, które tworzą narzędzia wspierające podejmowanie decyzji. Są też firmy, które tworzą platformy e-commerce wraz z całą, zaszytą w nich analityką. Dziś w Lingaro jesteśmy w stanie łączyć te dwie grupy kompetencji.
Znając dokładnie ścieżkę zakupów oraz używając narzędzi analitycznych i statystki, jesteśmy w stanie optymalizować doświadczenia konsumentów. Możemy też wspierać klientów przy podejmowaniu w czasie rzeczywistym decyzji dotyczących cen lub automatycznie uruchamianych promocji. Działa to w modelu, w jakim operują dziś linie lotnicze. Za każdym razem, gdy wchodzi się na ich stronę mamy do czynienia z inną ceną za dany przelot. Dla konsumentów może to być nie do końca jasne, ale z punktu widzenia przewoźników stanowi sposób na optymalizację zysków. Oczywiście decyduje algorytm, który bierze pod uwagę m.in. obłożenie pasażerami danego połączenia, a nie człowiek, który nie byłby w stanie analizować tak wielu danych w czasie rzeczywistym i odpowiednio szybko reagować. We wprowadzeniu podobnego modelu działania u naszych klientów wspierać będą nas właśnie kompetencje Orba. Można powiedzieć, że stanowią one dla nas swego rodzaju dopełnienie.
Grzegorz Tkaczyk (G.T.): Orba ma także doskonałe kompetencje w zakresie User Experience UX. Wyróżnia ich to, że tworzą nie tylko rozwiązania sprzedażowe dla rynku B2C, ale także te wspierające model B2B. Z punktu widzenia doświadczeń użytkownika wyglądają one inaczej. Tymczasem – jeżeli spojrzymy na rynek naszych klientów – coraz więcej z nich dokonuje sprzedaży albo przez własne platformy e-commerce, albo za pomocą tzw. agregatorów – firm, które zastępują aktualnie działających na rynku dystrybutorów. E-commerce to bardzo szybko rozwijający się dziś segment rynku. To jest też nisza, którą wypełnia Orba.
Czy analiza preferencji konsumentów zmienia biznes firm z sektora FMCG? Wydawało się, że one bezpośrednio kontaktu z końcowym odbiorcą nie mają…
J.W.: Coraz bardziej popularny jest model sprzedaży Direct to Consumer. Nie jest to jedynie życzeniowe myślenie firm, które chcą bezpośrednio docierać do klienta. To konsumenci coraz częściej chcą kupować od producenta, bo mają do niego zaufanie i wierzą, że otrzymają lepsze wsparcie od niego, niż od pośrednika. Oczekują jednocześnie, że wchodząc na stronę producenta, będą mieli prostą możliwość zakupu, a co ważne, po równie atrakcyjnej cenie, jak w dotychczasowym kanale sprzedaży. Jest to bardzo ważny aspekt sprzedaży, choć niezmiernie trudny we wdrożeniu. W tym momencie bowiem producent staje się konkurencją dla dotychczasowych partnerów. Jednocześnie bezpośredni kontakt z konsumentem pozwala firmom na zbieranie znacznie większej ilości informacji. Pytanie, w jaki sposób firma je wykorzysta.
W jakich projektach Lingaro najczęściej wspomaga klientów?
J.W.: Istnieje cała masa wewnętrznych procesów i operacji, w których narzędzia wspierające podejmowanie decyzji mają ogromne znaczenie. Dziś najczęściej człowieka w podejmowaniu decyzji wspierają mikronarzędzia, takie jak np. plik Excel czy Access. Tego typu rozwiązania mogą działać, ale jedynie przy niewielkim stopniu skomplikowania. Nie sprawdzają się już np. w procesach zarządzania łańcuchem dostaw. Tym bardziej że wiele firm próbuje dziś je centralizować, np. w ramach Centrów Usług Wspólnych.
Im bardziej skomplikowany proces logistyczny, tym mniejszy jest sens zarządzania nim w sposób manualny. Potrzebne są do tego dedykowane rozwiązania. W Lingaro realizujemy tego typu projekty. W jednym z projektów zautomatyzowaliśmy proces zarządzania łańcuchem dostaw w zakresie podejmowania decyzji o optymalizacji tzw. niechcianych zapasów. W firmie tej planerzy spędzali bardzo dużo czasu na podejmowanie tysięcy mikrodecyzji dotyczących m.in. produktów, których termin przydatności się już skończył, jest bliski zakończenia, albo też zmieniły się regulacje, które wymuszają jego wycofanie ze sprzedaży. Decydować też trzeba o tym, co zrobić z produktami w opakowaniach świątecznych, które trzeba po świętach usunąć. Decyzje te w przypadku firm z sektora FMCG mogą dotyczyć dziesiątków tysięcy produktów, w dziesiątkach tysięcy sklepów, w dodatku często w kilku krajach.
Można sobie łatwo wyobrazić, ile taka kombinacja produktów i lokalizacji generuje problemów. Do tego należy dodać wewnętrzną hierarchię w firmie, która określa, kto i na jakim poziomie może podjąć daną decyzję. Nie zawsze jest to planer, który przegląda stany zapasów magazynowych. Ponadto dochodzą procesy związane z podejmowaniem decyzji oraz ich koordynacją i odzwierciedleniem w systemach IT. Prosta decyzja o wycofaniu danej partii produktów da się odzwierciedlić w systemie ERP, ale system ten nie jest już w stanie koordynować tego typu procesu, wylistować wszystkich koniecznych do podjęcia decyzji oraz określić, kto ma je podjąć. W tworzonych przez nas narzędziach pojawia się nawet kilkadziesiąt możliwych opcji do wyboru.
Przede wszystkim trzeba wiedzieć, jakie dane są zbierane. Dlatego dla klientów często budujemy narzędzia, które katalogują i zbierają informacje ze wszystkich wewnętrznych systemów. Musimy bowiem określić, gdzie i jakie dane są, sklasyfikować je oraz ustalić zasady dostępu do nich. To podstawa tego, aby w ogóle rozpocząć projekt typu Data Science. Wówczas nasi specjaliści mogą wykonać pierwsze modele analityczne. Drugi krok to przekazanie opracowanego modelu inżynierom, którzy przygotują go do wdrożenia w skali produkcyjnej. Umiejętność integracji rozwiązań Data Science z systemami podejmowania decyzji to nasz wyróżnik, który my widzimy w realizowanych projektach.
Grzegorz Tkaczyk, CTO w Lingaro
Do czego wykorzystywane są tworzone przez Lingaro rozwiązania do optymalizacji niechcianych zapasów?
J.W.: Po pierwsze, nasze narzędzie zbiera informacje dotyczące niechcianych zapasów i kategoryzuje je. Dane te pobierane są m.in. z systemów ERP i dotyczą np. daty ważności produktów. Następnie są one agregowane w większe grupy, w zależności od kategorii problemów. Każdej z nich nadajemy konkretny kolor, uzależniając od wagi problemu. Dzięki tak zagregowanym danym łatwiej jest zobaczyć, ile mamy przeterminowanych zapasów.
Idąc dalej, dochodzimy do etapu, w którym chcielibyśmy łatwiej zarządzać podejmowanymi decyzjami. Nasze narzędzie – w zależności od przyznanych uprawnień – pokazuje listę dostępnych opcji. Na to nakładany jest proces workflow. Tego typu narzędzie jest już bliższe systemom transakcyjnym, ale wciąż jeszcze mało „inteligentne”. Kolejny więc krok to obserwacja tego, jakie decyzje podejmują pracownicy i w oparciu o jakie dane.
Czy Państwa system uczy się i na podstawie zebranych doświadczeń sugeruje, jaką decyzję powinien podjąć człowiek?
J.W.: Dokładnie, dochodzimy do etapu stworzenia algorytmu, który zamiast pytać co zrobić, sugeruje to. Gdy przekroczymy 90 proc. trafności decyzji zastosowanego modelu opartego o sztuczną inteligencję AI, nie ma już sensu, aby pracownicy nadal spędzali wiele godzin na tym, by samemu decydować o niechcianych zapasach. Dużo tańsze dla firmy jest pełne zautomatyzowanie tego procesu. Tego typu narzędzia mogą wspierać nie tylko wewnętrzne procesy, ale także – na platformach e-commerce – prezentowanie konkretnych ofert konsumentom.
Jaka jest korzyść z wdrożenia oferowanych przez Lingaro narzędzi?
G.T.: Przede wszystkim mniej pracowników jest zaangażowanych w wykonywanie prostych, powtarzalnych czynności. Jednocześnie zoptymalizować można sam proces podejmowania decyzji.
J.W.: Warto podkreślić, że tego typu narzędzia nie odbierają komukolwiek pracy, czy to w centrach usług wspólnych, czy call center. Zatrudnione tam osoby chcą się rozwijać, robić bardziej twórcze rzeczy. W interesie szefów tego typu organizacji jest, aby pracownikom dawać coraz ciekawszą pracę i w ten sposób ich motywować. Tymczasem oferowane przez nas narzędzia to sposób na to, aby eliminować pracę manualną, wymagającą podejmowania każdego dnia setek takich samych decyzji.
Czy wdrożenie narzędzi do optymalizacji procesów biznesowych można zakwalifikować do jednego z etapów digitalizacji?
G.T.: To jeden z elementów cyfryzacji biznesu, gdzie nowe technologie zwiększają efektywność organizacji.
Drugi to cyfrowa transformacja. Wówczas nie tylko optymalizujemy aktualny proces, ale także pomagamy dokonać jego zmiany, a zarazem zmiany biznesu klienta. W przypadku firm z sektora FMCG jeden z projektów transformacyjnych dotyczy wprowadzania na rynek nowych marek, które są sprzedawane np. tylko i wyłącznie przez własne platformy e-commerce (D2C). W ten sposób firmy FMCG rozwiązują problem konkurencji z
dotychczasowymi partnerami, dystrybutorami i sieciami handlowymi.
Nowe marki pozwalają na większą interakcję z klientem końcowym. Z kolei platformy e-commerce pozwalają na wybranie dużo większej liczby opcji. Dane te zasilają następnie systemy produkcyjne. Pokazują one aktualne preferencje klientów. Dzięki temu firmy mają informacje o tym, że na rynek trzeba wprowadzić więcej produktów np. w konkretnej palecie kolorów, zapachów, kształtów czy też o innych, specyficznych parametrach. Projekt tego typu wymaga jednak transformacji biznesu, procesów zamawiania i produkcji oraz samych platform e-commerce.
Gdy firmy FMCG wchodzą bezpośrednio na rynek, to – poza optymalizacją tego kanału sprzedaży i procesu zarządzania zapasami – muszą nauczyć się zdobywać lojalność klientów, czyli lepiej poznawać konsumentów swoich produktów…
J.W.: Oczywiście, a to wymaga odpowiednich narzędzi analitycznych, które pozwalają na uzyskanie pełnego obrazu – tzw. 360 stopni – preferencji klienta. Takie narzędzia budujemy i rozwijamy. Jedną z trudności jest łączenie danych z wielu źródeł. Dlatego tak ważne jest w firmach podejście oparte o dane i analitykę. Nie da się zebrać i połączyć danych ręcznie.
Dodatkowo integracja informacji wymaga także poprawnego zidentyfikowania konsumenta w różnych systemach. Jak sprawdzić, że użytkownik naszej platformy e-commerce to ta sama osoba, która zareagowała na kampanię internetową. Nie zawsze konsument w każdym miejscu pozostawia te same dane. W takiej sytuacji określenie, czy mówimy o tej samej osobie, przestaje być banalnym problemem. Tymczasem podstawą do właściwej analizy jest stworzenie pełnego obrazu konsumenta. Dopiero to pozwala nam najlepiej dostosować do jego potrzeb nasze produkty i usługi. Dzięki temu możemy przypisać go do określonego mikrosegmentu, w którym klienci dokonują zakupów podobnych produktów. W oparciu o to tworzy się z kolei systemy rekomendacyjne. Jeśli ktoś kupił jakiś produkt, a inne osoby z tego samego mikrosegmentu kolejne 3–4, dlaczego nie zaproponować danemu konsumentowi także pozostałych. Tym bardziej że są oni podobni w tak wielu wymiarach. Wbrew pozorom jako konsumenci doceniamy tego typu interakcję, doceniamy to, że na serwisie e-commerce ktoś nam podpowie jaką wybrać książkę, płytę czy sprzęt AGD…
Źródłem danych – poza systemami e-commerce – są także media społecznościowe…
J.W.: Prowadzimy projekty z zakresu social media monitoring i tzw. Sentiment Analysis. Analizujemy to, w jaki sposób odbiorcy reagują np. na nowy produkt. Celem jest oczywiście poznanie preferencji pojedynczego konsumenta. Jednocześnie jednak można wiele dowiedzieć się na temat własnej marki. Wyzwaniem jest to, jak dane z social mediów przeanalizować. Poza samą liczbą pozytywnych i negatywnych opinii – dzięki narzędziom Natural Language Processing – można zrozumieć, jakie jest nastawienie konsumentów. NLP pozwala także wyłapywać nazwy poszczególnych marek. Nie wszyscy używają hasztagów. W tego typu projektach używa się również narzędzi do analizy i rozpoznawania obrazów. Z ich kontekstu także można wyciągnąć dodatkowe dane.
G.T.: Po analizie sentymentów mogliśmy np. określić te osoby, typ osób, które mają największy wpływ na sprzedaż lub stworzenie pozytywnego odbioru marki. Łatwiej można dzięki temu odnaleźć influencerów. Przeprowadzamy też tzw. analizę taktyczną, która pozwala na analizę efektywności kampanii reklamowych.
J.W.: Klienci często proszą nas o narzędzia do optymalizacji wydatków mediowych. To usługa, która daje im ogromne oszczędności. Wszystkie właściwie firmy z branży FMCG mają ogromne budżety reklamowe. Ich podstawowym problemem jest jednak ocena efektów tych wydatków. Nasi klienci zadają sobie pytania: A jakbym wydał budżet gdzie indziej, to jaki byłby efekt? A gdybym wydał mniej, to osiągnąłbym ten sam rezultat? Jak marketing przekłada się na mój biznes? Jak – przy zachowaniu tego samego budżetu – zwiększyć efekt reklamy? Z jakich mediów skorzystać? Model tworzymy na podstawie danych historycznych, a potem robi się jego symulację i optymalizację.
Na ile sprawdza się stworzony w ten sposób model?
J.W.: Sprawdza się bardzo dobrze. Działa magia naszych specjalistów w zakresie Data Science. Najtrudniej jest mierzyć efektywność reklam w mediach cyfrowych. Przykładowo firmy płacą za reklamy Pay-per-Click. Mogą więc sprawdzić, za ile kliknięć zapłacili i jaki był koszt pojedynczego wejścia na stronę. Tymczasem nie wiadomo, ile osób zaraz po kliknięciu zamknęło otwierającą się im stronę; ile z nich dokonało zakupu; czy konsument zbudował Brand Awareness czy nie? Mamy jednak narzędzie, które pokazuje, jaki jest zwrot z danej kampanii digitalowej. Dodatkowo stosujemy rozwiązania, które zapobiegają temu, aby nie zgubić danego klienta, aby go lepiej śledzić.
Jak dużo w Lingaro pracuje Data Scientists?
J.W.: Mamy ok. 40-osobowy zespół specjalistów z odpowiednią wiedzą analityczną i statystyczną. Muszą oni jednak łączyć ją z wiedzą biznesową. Najlepszy jest mix umiejętności matematyczno-programistycznych oraz doświadczenie z pracy w danym segmencie rynku.
Często mówi się, że firmy zbierają masę danych, ale nie potrafią potem zadać odpowiedniego pytania…
G.T.: Przede wszystkim trzeba wiedzieć, jakie dane są zbierane. Dlatego dla klientów często budujemy narzędzia, które katalogują i zbierają informacje ze wszystkich wewnętrznych systemów. Musimy bowiem określić, gdzie i jakie dane są, sklasyfikować je oraz ustalić zasady dostępu do nich. To podstawa tego, aby w ogóle rozpocząć projekt typu Data Science. Wówczas nasi specjaliści mogą wykonać pierwsze modele analityczne. Drugi krok to przekazanie opracowanego modelu inżynierom, którzy przygotują go do wdrożenia w skali produkcyjnej. Umiejętność integracji rozwiązań Data Science z systemami podejmowania decyzji to nasz wyróżnik, który my widzimy w realizowanych projektach.
Jakie powinno być podejście firm do analizy danych?
J.W.: W tego typu projektach widzimy dwie pułapki. Jedna to ścieżka zbyt biznesowa, w której niejako ignorujemy same dane. Drugie zaś to podejście czysto technologiczne. Nie patrzymy po co wdrażamy model analityczny, tylko coś robimy, a potem obserwujemy, czy projekt jest biznesowo użyteczny. Tymczasem musimy łączyć oba podejścia.
Nasi Data Scientists na początku projektu mówią „pokażcie mi dane”. Dzięki wiedzy biznesowej potrafią – na podstawie informacji o typach zbieranych danych – powiedzieć jakie analizy będą realne do przeprowadzania. Nie ma bowiem podstaw do stworzenia modelu analitycznego, gdy np. dane są nieoczyszczone lub gdy nie ma informacji o tym, w jaki sposób i jak często są aktualizowane. W takiej sytuacji trudno wysnuć właściwe wnioski.
Na podstawie dostępnych danych Data Scientist tworzy Proof of Concept. Wówczas możemy zadać pierwsze pytanie, np. czy problem, który klient przed sobą stawia, w ogóle da się rozwiązać poprzez analitykę. Niby oczywiste pytanie, ale bardzo często nie jest zadawane. Tymczasem klienci myślą, że przerzucenie danych do chmury i wykorzystanie dostępnych w niej np. modułów Machine Learning czy Deep Learning wystarczy, bo tak pokazano na prezentacji jednego z dostawców. Nic prostszego, jak podłączyć się z danymi do gotowych narzędzi.
Często też okazuje się, że klient odrzuca pewne rozwiązania, bo wydaje mu się, że nie jest w stanie przeprowadzić danego typu analiz. Nasi Data Scientists pokazują zaś, że – z punktu widzenia analityki – problem jest bardzo łatwy do rozwiązania. Projekty tego typu wymagają od nas dużej pracy edukacyjnej np. podczas warsztatów dla klientów. Rozmawiamy wówczas o ich biznesie, procesach, sposobie działania, zbieranych danych i często pokazujemy, że są analizy, o których nie pomyśleli, a które da się zrobić i będą miały bardzo praktyczny efekt dla ich działalności.
Poza specjalistami Data Science potrzebni są inżynierowie, którzy pomogą wyskalować opracowane modele analityczne i opracowany model wpiąć w działający już system w firmie. Tego typu umiejętności specjalistów Lingaro są unikalne na rynku.
Jednym z elementów realizowanych przez Lingaro projektów jest czyszczenie danych…
G.T.: To konieczny etap, który niekiedy stanowi ok. 70% całej wykonanej w projekcie pracy, na którą składa się także zbieranie i integrowanie danych. Nasze rozwiązania integrują się z wewnętrznymi i zewnętrznymi źródłami danych. Dane zbieramy i czyścimy w cyklach zależnych od potrzeb biznesowych, jak również wspomagamy zbieranie danych w trybie near real-time.
Dodatkowo, by zautomatyzować pracę zbierania danych z nietypowych źródeł, rozwinęliśmy dział rozwiązań typu Robotic Process Automation. RPA wspomaga nas w pozyskiwaniu danych, które byłyby niedostępne przy użyciu innych technik. Wyobraźmy sobie zamknięty system ERP, z którego trzeba pozyskać dane. Normalnie proces ten polega na tym, że użytkownik wchodzi do systemu, robi selekcję danych, a następnie eksportuje je do pliku, który znajduje się w ściśle określonym miejscu, z którego trzeba go ręcznie pobrać, aby wprowadzić do systemu analitycznego. Bez narzędzi RPA proces jest zależny od cyklicznej manualnej pracy, która nie jest wolna od błędów.
Czy mogliby Państwo pochwalić się jakimiś referencjami u klientów?
Przykładem może być projekt dla Bacardi, w którym stworzyliśmy narzędzie do mierzenia „wydajności” pracy kadry kierowniczej, od której zależy wysokość premii. Do tego typu kluczowego procesu nie powinno się używać prostych arkuszy kalkulacyjnych, w których można łatwo wpisać błędną cyfrę lub formułę. Projekt dla Bacardi zrealizowaliśmy w zaledwie 4 tygodnie. W dodatku dostarczone rozwiązanie dostosowane było pod względem User Experience, dzięki czemu było łatwe w użyciu i pozwalało na szybkie wyciąganie wniosków biznesowych.