Розничный аптечный бизнес в настоящее время является очень динамичной и быстро развивающейся отраслью. Связано это во многом с изменением структуры потребительского спроса и, как следствие, стремлением бизнеса удовлетворить растущие потребности клиентов вести здоровый образ жизни. По данным социологических опросов, проводимых ЦМИ 'Фармэксперт', для покупателей наиболее важными факторами идеальной аптеки являются широта ассортимента (69%), доступность цен (65%) и удобное месторасположение (38%). Неоспоримое преимущество по этим показателям имеют сетевые организации. Но управление разветвленной аптечной сетью является сложной задачей, решить которую без применения развитых средств построения отчетов, консолидации и анализа данных практически невозможно. В этой статье представлен проект Deductor:Pharmacy – готовое аналитическое решение для оптимизации работы розничной аптечной сети, построенное на базе программного комплекса Deductor 4. Решение включает в себя:

• хранилище данных для консолидированного хранения информации о работе сети аптек. Хранение информации в одном хранилище не только ускоряет доступ к ней, но также дает возможность при анализе находить такие закономерности в исходных данных, которые в противном случае остались бы незамеченными;
• развитые механизмы аналитической отчетности, без которых невозможно обеспечить принятие четких и обоснованных решений по управлению бизнесом;
• сценарии анализа данных, включающие прогнозирование объемов продаж, анализ сезонности, формирование листа заказов. С помощью этих механизмов значительно упрощается решение задач оптимизации закупок у поставщиков, управления складскими запасами и формирования ассортимента.

Особенности розничной аптечной торговли

У аптечной сети есть целый ряд особенностей работы по сравнению с другими предприятиями розничной торговли, которые необходимо учитывать при разработке решений для этой отрасли. Прежде чем перейти к описанию собственно решения, необходимо хотя бы кратко остановиться на них.

Для розничной аптечной торговли характерны следующие особенности:

• чрезвычайно широкий ассортимент товарных наименований;
• штучные продажи;
• наличие товаров заменителей, с одной стороны, и рецептурный отпуск конкретных наименований, с другой;
• строгие ограничения по срокам годности товаров;
• частые заказы у поставщиков небольших партий товаров;
• товары одного наименования могут иметь нескольких производителей с разными ценами, отличаться фасовкой, дозировкой;
• при сетевой структуре важное значение приобретают внутренние перемещения товаров между торговыми точками;
• у многих товаров есть ярко выраженные сезонные колебания, причем их период и фаза для разных товаров могут быть совершенно различными.

Таким образом, исходя из общих принципов торговли и частных особенностей аптечной розницы, можно сформулировать задачи, стоящие перед менеджером, управляющим аптечной сетью.

1. Оперативное управление работой отдельных торговых точек.
2. Формирование товарного ассортимента индивидуально для каждой торговой точки.
3. Управление складскими запасами товаров с учетом сроков годности.
4. Управление внутренними перемещениями товаров для оптимизации оборота партий товаров.
5. Управление закупками у поставщиков с учетом прогнозов продаж товара на ближайшие периоды, формирование листа заказов.
6. Управление ценовой политикой.

Решение Deductor:Pharmacy позволяет автоматизировать работу менеджера, предоставляя ему большое количество инструментов, обеспечивающих поддержку оперативного управления и планирования для розничной аптечной сети.

Хранилище данных

Исходные данные для анализа могут собираться из разных источников, иметь различный формат и структуру, информация в них может дублироваться и искажаться. Чтобы избежать всех этих проблем, необходимо обеспечить централизованное хранение данных. Для этого предназначено хранилище данных Deductor Warehouse. Данные в нем хранятся в виде процессов, каждый из которых имеет свой определенный набор измерений и фактов. Процесс представляет собой 'звезду', в центре которой находятся факты, а лучами являются измерения. Подобная архитектура удобна для задач анализа, она позволяет аналитику не задумываться над особенностями физического представления данных в виде таблиц баз данных, а сосредоточиться на их логической структуре и взаимоотношениях.

Для решения поставленных задач в хранилище необходимо создать два процесса. Первый из них будет отображать розничную сделку в торговой точке, второй – информацию об остатках товаров на складах и в торговых точках на конец отчетного периода. Важным свойством хранилища является актуальность хранимых в нем данных. Поэтому добавление данных в него должно производиться достаточно часто. В данном случае заказы поставщикам формируются каждую неделю, также раз в неделю производится слияние исходных баз данных бухгалтерской программы, из которой осуществляется заполнение хранилища. По этой причине отчетным периодом в решении выбрана одна неделя.

Формирование аналитической отчетности

Аналитическая отчетность предоставляет аналитику данные в удобной для восприятия и анализа форме. Фактическим стандартом ее представления в настоящее время стали OLAP-кубы, позволяющие оперативно генерировать отчеты по различным, в том числе нерегламентированным, аналитическим запросам. OLAP-куб является проекцией многомерного куба исходных данных из процесса хранилища на куб меньшей размерности. Такие проекции удобно представляются на плоскости в виде кросс-таблиц или, для большей наглядности, в виде кросс-диаграмм.

Аналитическая отчетность, описываемого решения предоставляет важную информацию, необходимую для управления работой аптечной сети и принятия оперативных решений. Одной из важных составляющих качественного обслуживания клиентов является минимальное время ожидания в очереди. Для этого в часы наибольшей загрузки торговой точки может потребоваться увеличение числа продавцов или работа менеджеров в зале. Посмотрим на кросс-таблицу средней загруженности торговых точек за все время работы аптечной сети (рис.1). В качестве показателя загруженности было выбрано количество выбитых чеков.

Рис.1. Кросс-таблица средней загруженности торговых точек.

Более наглядное представление дает кросс-диаграмма, построенная на основании этой кросс-таблицы (рис.2):

Рис.2. Кросс-диаграмма средней загруженности торговых точек.

Теперь можно легко интерпретировать результаты. Как видно из кросс-диаграммы на рис.2, в работе всех трех торговых точек есть два пика загруженности – в районе 12-14 и 17-19 часов. Первый пик приходится на обеденный перерыв в организациях, второй – на окончание рабочего дня. Именно в это время может потребоваться привлечение дополнительных продавцов. Днем загруженность минимальна в 14-15 часов, поэтому обеденный перерыв для работников аптеки нужно устанавливать на это время. Среднее число покупок в аптеке №2 в 8 часов, также как в аптеке №1 в 7 часов и аптечном киоске №3 в 9 часов, очень невелико. Поэтому имеет смысл убрать эти часы из рабочего графика аптек. У аптечного киоска №3 вечерний спад продаж не такой сильный, как у остальных торговых точек, поэтому можно попробовать продлить рабочий день киоска до 22 часов, чтобы оценить эффективность его работы в это время.

Важным показателем эффективности работы любого торгового предприятия, и аптечной сети в частности, является сумма продаж за некоторый период времени. Этот показатель также удобно представлять в виде OLAP-кубов. Deductor 4 позволяет устанавливать для кросс-диаграмм фильтры по различным измерениям, выбирая только необходимые для конкретного отчета данные. Проанализируем распределение сумм продаж за последние четыре месяца по торговым точкам. На рис.3 показана кросс-таблица, в которой с помощью фильтра выбирается интересующий нас период.

Рис.3. Кросс-таблица с суммами продаж за последние четыре месяца.

Как видно из кросс-таблицы, данные о продажах за текущий месяц (март 2005 г.) есть только по одной торговой точке, поэтому в дальнейшем анализе текущий месяц можно исключить. На рис.4 представлены данные о суммах продаж за предыдущие три месяца в виде кросс-диаграммы.

Рис.4. Кросс-диаграмма сумм продаж по торговым точкам за три месяца.

Судя по этому графику, аптека №1 работает стабильно на одном уровне продаж, в то время как у аптеки №2 и аптечного киоска №3 явно заметен тренд. И тогда как в работе аптеки №2 видны положительные тенденции, продажи аптечного киоска падают. Этот факт может служить поводом для более детального и глубокого анализа обстановки в этих двух торговых точках с целью выяснения причин такого поведения.

Для медицинских препаратов, реализуемых в аптеках, важнейшее значение имеет строгое соблюдение сроков годности. Товары с истекающим сроком годности должны быть реализованы как можно быстрее, во избежание их списания и потери средств, затраченных на закупку. Для скорейшей реализации может потребоваться перемещение товара в другие торговые точки, снижение цены на него, но для этого необходимо получить своевременный отчет об истечении срока годности. На рис.5 показана таблица препаратов со сроком годности, оканчивающемся в ближайшие два месяца от текущей даты, со всей информацией, необходимой для принятия решения о способе его реализации.

Рис.5. Таблица товаров с истекающим сроком годности.

Сегментация товаров по сезонности продаж

Среди большого разнообразия наименований товаров, реализуемых в аптеках, встречаются такие, которые обладают выраженными сезонными колебаниями продаж. Например, востребованность противопростудных препаратов возрастает в осенне-зимне-весенний период, в то время как средства для загара в основном продаются летом. Учет сезонного фактора необходим для грамотного формирования ассортимента товаров и точного прогнозирования продаж. Для некоторых видов товаров сезонные пики известны и могут быть легко учтены. Но для других колебания могут оказаться не столь значительными и очевидными. Для того, чтобы определить влияние сезонного фактора на объемы продаж различных товаров, удобно применить кластерный анализ. В Deductor 4 есть мастер обработки для проведения кластеризации методом карт Кохонена, который и рекомендуется использовать.

Карты Кохонена являются одной из разновидностей самообучающихся нейронных сетей, поэтому для получения качественных результатов с их использованием решающее значение имеет качество исходных данных. Для начала следует определиться, какие результаты нужно получить. В данном случае нас будет интересовать разбиение товаров по группам, включающим товары со схожими сезонными колебаниями. Внутри такой группы продажи каждого товара составляют постоянную долю от объемов продаж группы в течение всего года. То есть, если продажи, например, анальгина в своей группе составляют 3% от объема продаж всей группы в январе месяце, то и в июле его продажи составят около 3%. Такое же условие должно соблюдаться для всех остальных товаров. Речь в данном случае идет не о полном совпадении пропорций, а о наличии схожих тенденций в продажах товаров одной группы в течение года. Каждая подобная группа будет представляться кластером сети Кохонена, и определиться с их количеством можно будет на более поздних этапах после предварительного исследования данных.

Следующий шаг – понять, какие исходные данные необходимы для решения поставленной задачи и в каком виде их будет удобно представить. Сначала отбросим ненужные и некорректные исходные данные. На рис.6 представлена кросс-диаграмма объемов продаж по месяцам за последний год.

Рис.6. Месячные объемы продаж по торговым точкам.

Как видно из этого графика, аптека №2 начала свою работу только с октября 2004 года, поэтому учитывать ее вклад в объемы продаж при определении сезонности не имеет смысла. Аптечный киоск №3 работает в течение одиннадцати месяцев, и здесь возможны два подхода. Во-первых, можно таким же образом отбросить данные по киоску и анализировать только продажи аптеки №1. Во-вторых, можно выбрать данные по обеим торговым точкам за 11 месяцев, исключив из рассмотрения март. В данном случае выбран второй подход для увеличения количества анализируемых данных.

Теперь попробуем решить, каким образом лучше всего представить информацию о датах продаж. Сама по себе дата нас не интересует, важно лишь 'расстояние' между сезонными кривыми двух товаров, поэтому можно применить следующий подход. Осуществим преобразование исходных данных таким образом, чтобы они сами по себе уже содержали информацию о дате продажи. Так как объемы продаж разных товаров могут существенно различаться, нужно привести их к одной системе отсчета. Эти действия легко выполнить с помощью обработчика Калькулятор. На рис.7 представлена таблица с нормированными значениями объемов продаж товаров, которые подаются на вход сети Кохонена.

Рис.7. Входные данные для сети Кохонена.

Сеть Кохонена обучалась с установленными по умолчанию параметрами. Исходя из поставленной задачи группирования товаров, итоговое число кластеров разумно выбирать в диапазоне 7 – 12. По окончании обучения число кластеров было установлено равным 8 (см. рис.8), то есть в среднем в каждую группу попало около 70 товаров.

Рис.8. Кластеры сети Кохонена.

По итогам проведенной кластеризации могут быть сформированы отчеты с информацией о принадлежности товаров той или иной выделенной сезонной группе. Эта информация может быть полезна и сама по себе, например, для изучения сезонных колебаний ассортимента товаров, но, в основном, полученные результаты носят промежуточный характер, и главное их назначение заключается в поддержке решения задачи прогнозирования объемов продаж. Исходя из этого условия, информация о принадлежности товара одному из полученных кластеров была сохранена в хранилище данных, чтобы упростить дальнейший доступ к ней в сценарии прогнозирования продаж.

Прогнозирование объемов продаж

Прогнозирование объемов продаж является одной из важнейших задач любого бизнеса, связанного с торговлей. И аптечный здесь не является исключением. В Deductor есть целый ряд инструментов, предназначенных для поддержки прогнозирования, начиная от предобработки данных и заканчивая построением прогноза. Такой богатый набор инструментов объясняется невозможностью решения этой задачи в общем виде и необходимостью индивидуального подхода к ней в каждом случае, в зависимости от представленного набора исходных данных.

В нашем случае прогноз будет строиться с применением результатов, полученных на предыдущем этапе в процессе сезонной сегментации товаров. В связи с большим числом наименований, построение отдельного прогноза для каждого товара физически сложно и неоправданно. Вместо этого гораздо проще разбить товары на группы, внутри которых продажи находятся в примерно одинаковом соотношении на протяжении всего года, и построить прогнозы для полученных групп. Затем можно разделить суммарный спрогнозированный объем продаж по товарам в пропорциях, вносимых каждым товаром в общий объем продаж группы, и получить прогноз для конкретного товара. При качественном выделении групп точность прогноза, полученного таким образом, не сильно уступает прогнозированию по отдельным товарам. Зато трудоемкость такого подхода ниже в разы (так, для наших исходных данных число товаров, для которых строится прогноз, чуть больше 550, в то время как количество групп, полученных в результате кластеризации с помощью сети Кохонена, равно 8).

Рассмотрим процесс построения прогноза на примере товаров, принадлежащих кластеру с номером 0. В предыдущем разделе, на этапе группировки товаров, мы уже выгрузили информацию о принадлежности товара определенному кластеру в хранилище данных. Поэтому теперь достаточно импортировать данные о продажах товаров из хранилища и выделить товары группы 0, выполнив фильтрацию по полю 'Номер кластера'. Теперь сгруппируем их, получая суммарный объем продаж. По этому ряду и будет строиться прогноз.

Перед тем, как перейти, собственно, к прогнозированию, подвергнем исходные данные некоторой предобработке для исключения шума и аномальных выбросов. Во-первых, заметим, что данные за последнюю неделю неполные. По всей видимости, они еще не были полностью загружены в хранилище и поэтому не могут быть использованы для прогнозирования. Исключим их из рассмотрения с помощью обработчика 'Фильтрация'. В некоторых случаях перед построением прогноза может потребоваться дополнительная обработка данных, например, редактирование аномальных значений и сглаживание данных. Этот шаг можно осуществить с помощью обработчика 'Парциальная обработка'.В данном случае нам не требуется сглаживание временного ряда, так как в этом случае теряется важная информация о его поведении, существенно ухудшающая качество прогноза. Это было установлено опытным путем в процессе исследования исходных данных и построения и оценки тестовых прогнозов. Объясняется такое поведение тем, что ранее была осуществлена понедельная группировка объемов продаж. Если в отдельные дни наблюдалось резкое отклонение поведения продаж от обычного, то при переходе к понедельному представлению данных эти выбросы существенно сглаживаются. В данном случае такого сглаживания оказалось достаточно. Тем не менее, в других задачах может потребоваться более серьезная предобработка, и определение того, каким образом нужно очищать и представлять исходные данные для прогноза само по себе является сложной задачей, не имеющей однозначных решений.

Теперь для временного ряда определим периоды сезонных колебаний, воспользовавшись обработчиком 'Автокорреляция'. Выберем число отсчетов таким образом, чтобы автокорреляция была рассчитана для временного сдвига, чуть большего года. Это позволит выявить сезонные колебания, период которых меньше или равен одному году. В данном случае выбрано значение 60 недель. На рис.9 представлен график автокорреляции понедельных продаж товаров нулевой группы.

Первое, что сразу нужно отметить на графике, это сильная зависимость продаж от последних периодов времени. Для временного сдвига в 0 – 6 недель значение функции автокорреляции близко к единице, следовательно при прогнозе необходимо учитывать историю продаж за предшествующие полтора месяца.

Рис.9. График автокорреляции объемов продаж.

Кроме того, функция автокорреляции имеет два четко выраженных максимума, приходящихся на 45 и 54 недели. 54 недели почти точно соответствуют одному году, и этот максимум показывает сильно выраженную годовую сезонность продаж в нулевом сегменте. Пик на временном сдвиге в 45 недель (примерно 10 месяцев), по мнению экспертов, является шумовым выбросом, так как объяснений его наличию, исходя из особенностей предметной области, найдено не было. Таким образом, при прогнозировании, кроме объемов продаж за последние периоды времени, следует также учитывать выделенную годовую сезонную зависимость.

Инструментом прогнозирования был выбран обработчик 'Линейная регрессия'. Судя по проведенному предварительному исследованию исходных данных, поведение нашего временного ряда весьма точно прогнозируется с использованием этого обработчика. Под предварительным исследованием здесь понимается построение и оценка пробных прогнозов, то есть прогнозов на прошедшие периоды времени. Если качество такого прогноза является удовлетворительным, то такую модель можно принять за основу и для построения реальных прогнозов на будущее. В случаях, когда с помощью линейной зависимости нельзя построить качественную модель прогнозируемой величины, следует использовать возможности нейронных сетей, реализованных в обработчике 'Нейросеть'. Качественно оценить степень соответствия построенной модели реальному поведению временного ряда позволяет диаграмма рассеяния, представленная на рис.10.

Рис.10. Диаграмма рассеяния обработчика 'Линейная регрессия'.

По диаграмме рассеяния видно, что значения, полученные на выходе модели, в основном группируются возле эталонных значений временного ряда. Выброс в левой части диаграммы, на значении 226, соответствует продажам за неделю новогодних праздников. Как будет хорошо видно далее на диаграмме прогноза (рис.11), в это время наблюдается сильный провал в продажах. Для того, чтобы модель учла это и построила более точный прогноз, необходимо иметь историю продаж за несколько лет. В нашем же распоряжении находятся данные за меньший период, около полутора лет, и модель сглаживает этот пик, выдавая значительно большее значение.

Теперь с помощью обработчика 'Прогнозирование' построим прогноз поведения суммарных объемов продаж на ближайшие две недели. Такой прогноз включит прогноз продаж на текущую неделю, данные по которой мы отфильтровали в начале, и прогноз на следующую неделю, который, собственно, и представляет основной интерес. Диаграмма этого прогноза представлена на рис.11.

Рис.11. Диаграмма прогноза суммарного объема продаж.

После разгруппировки полученных результатов с восстановлением наименований товаров мы получим прогнозы объемов продаж индивидуально для каждого товара из рассматриваемого кластера. После несложной постобработки данные могут быть приведены к удобному для восприятия и дальнейшего использования виду (см. рис.12).

Рис.12. Прогноз объемов продаж по товарам на неделю.

Вывод

В данной статье было представлено решение Deductor:Pharmacy, предназначенное для организации автоматизированного интеллектуального управления розничной аптечной сетью и основанное на использовании программного комплекса Deductor 4 компании BaseGroup Labs.

Нужно отметить, что это решение не является отвлеченной теоретической моделью. Оно построено на реальных данных, наработанных в одной московской аптечной сети, для которой это решение и создавалось. В настоящее время Deductor:Pharmacy успешно применяется в этой компании для проведения оперативного бизнес-анализа, построения прогнозов и решения других управленческих задач. Данное решение может использоваться и в других организациях в представленном виде. Но главными достоинствами платформы Deductor 4 являются гибкость, развитость механизмов интеграции с другими системами и широкий набор инструментов анализа. Это позволяет с минимальными затратами адаптировать существующее решение к индивидуальным потребностям каждой компании.

Применение интеллектуальных алгоритмов для анализа экономической информации позволяет серьезно улучшить организацию планирования и управления бизнесом. Сами по себе накопленные данные бесполезны до тех пор, пока не будут преобразованы в информацию, необходимую в настоящий момент времени. Огромным потенциалом в этом плане обладают аналитические системы, позволяющие создавать законченные решения в разных областях экономической деятельности. В мире современного бизнеса обладание информацией и ее умелое использование принесет результаты, казавшиеся ранее недостижимыми.

Морозов Александр
BaseGroup Labs, 2005