Trendy v datové analytice | KPMG | CZ

Hoď to do stroje, šéfe!

Trendy v datové analytice

Decision Science KPMG pomáhá retailerům dvojnásobně zpřesnit odhady tržeb nových poboček a ušetřit 950 milionů korun v investičních a provozních nákladech v horizontu tří let.

1000

Team Leader Data&Analytics

KPMG Česká republika

Kontaktovat

Související

computer room

V roce 1974 se zakladatel McDonald’s Ray Kroc v průběhu přednášky na Texaské univerzitě zeptal svého publika, v jakém oboru podniká. Studenti se zasmáli a jeden odvážlivec zakřičel, že všichni na světě vědí, že prodává hamburgery. Ray se pouze pousmál a odpověděl: „Dámy a pánové, můj obor podnikání nejsou hamburgery, ale nemovitosti.“ Během následné živé diskuze Ray vysvětlil, že ačkoliv jeho hlavním cílem opravdu je prodávat hamburgery, nemovitost a její lokace jsou hlavním klíčem k úspěchu jednotlivých franšíz a firmy celkově.

Přestože model franšízingu a podnikání prostřednictvím retailových sítí funguje už desítky let, úspěch kamenných obchodů či franšíz stále naprosto klíčově závisí na jejich schopnosti správně zvolit lokalitu, kde se značce bude dařit. Sílící konkurence, rozdílné chování skupin zákazníků a zvyšující se ceny nemovitostí a nájmů razantně zvyšují nároky na správný odhad poptávky a tržeb v dané lokalitě a z toho plynoucí návratnosti nového obchodu v čase.

Nepřesné finanční odhady mohou mít fatální dopad na finanční provoz nově otevřeného obchodu. V případě nadhodnocení tržeb může dojít ke zmaření celé investice, protože obchod nikdy nebude schopen dostat se do černých čísel. Podhodnocení poptávky může naopak vyústit do ušlých zisků, protože pobočka mohla být větší, se širším sortimentem zboží anebo minimálně s výhodnějším financováním, než se plánovalo. Pár takto „špatně“ otevřených poboček může mít bohužel značně negativní dopad na fungování firmy.
 

Co řešil klient

S podobnými problémy se potýkal i klient KPMG, který ročně otevírá přibližně třicet obchodů s rychlým občerstvením a jeho odhady tržeb na 1–3 roky dopředu se často odchylují od reality v průměru o 30 %! Mnohdy se však stane, že expertní odhady retailera nadhodnotí/podhodnotí reálné tržby o 100 % a více, což se často děje hlavně v případech, kdy jsou nově otevírány pobočky v lokalitách, se kterými firma zatím nemá tolik zkušeností. Provozujete-li síť občerstvení ve velkoměstě, otevření pobočky na vesnici nebo malého kiosku na nádraží vaše podnikání konfrontuje s naprosto novými výzvami v podobě např. odlišného segmentu zákazníků, kteří tady budou nakupovat, jiné obrátkovosti zboží a z toho plynoucí potřeby změny strategie nákupu surovin a prodeje občerstvení anebo typu místní konkurence. Cestující Praha–Brno, který čeká na zpožděný osobní vlak, bude jednoduše chtít udělat jiný nákup než manažer, který pospíchá na pracovní meeting a nestihl si ráno ani kousnout do rohlíku nebo udělat kafe.

První fáze – vytrénování prediktivního modelu

K řešení problému našeho klienta s nově otevíranými pobočkami jsme v KPMG použili přístup Decision Science, který kombinuje Big Data, strojové učení a cloudové technologie. V první fázi byl u nás v KPMG vytrénován prediktivní model, který na základě více než 10 000 signálů (komplexních proměnných) odhaduje týdenní tržby v prvním, druhém a třetím roce po otevření včetně růstových a sezonních vlivů. Prvotní verze modelu snížila průměrnou chybovost odhadu tržeb na 15 %, což představovalo dvojnásobné zlepšení oproti expertním odhadům vedení společnosti. Další verze modelu dále snižují chybovost a přibližují se k hranici 10 %. Celá tato první fáze nám zabrala deset týdnů.

Hlavním důvodem snížení chybovosti je schopnost našeho modelu maximálně vytěžit informace ze všech 10 000 signálů, které detailně popisují charakteristiky zvažované nemovitosti a lokality a společně vytváří komplexní sítě vazeb a interakcí mezi signály, jež jsou unikátní pro každý bod na mapě. Naprostá většina signálů pochází z externích zdrojů dat, jako jsou například sociální, demografické a ekonomické charakteristiky obyvatel a pracovníků, počet a trajektorie pohybu chodců a vozidel, přítomnost a typ konkurence, firem a ostatních podniků, zastávky veřejné dopravy, fotografie, komentáře a sentiment na sociálních médiích, lokální počasí a pravidelné události nebo vzdálenost ke kterémukoliv z tisíců typů bodů zájmu (např. přechod pro chodce, výstup z metra, bankomat, poštovní schránka, stojan na kola). Všechny signály jsme také porovnali s místní přímou i nepřímou konkurencí.
 

Druhá fáze – implementace řešení na klíč

V KPMG se vždy řídíme zásadou, že sebelepší prediktivní model je užitečný pouze za předpokladu, že je možné jej aplikovat v praxi a koncoví uživatelé ho mohou používat pro každodenní podporu svého rozhodování. Z tohoto důvodu jsme také navrhli a implementovali takzvané „Analytics as a Service“, řešení v cloudovém prostředí Microsoft Azure, pomocí kterého náš klient může predikovat tržby zamýšleného obchodu. Klient v jednoduchém uživatelském rozhraní vyplní informace o obchodě, jako je např. adresa, rozloha nebo počet míst k sezení, a odešle data do „stroje“. Kouzelné je, že o vše další se už postará „stroj“ sám – od stažení a přípravy externích dat přes napočítání signálů až po oskórování obchodu. Uživatel posléze obdrží detailní report pro plánovaný obchod, který obsahuje nejen predikované týdenní tržby v prvním, druhém a třetím roce po otevření, ale také např. odhadované tržby po jednotlivých produktech a hodinách nebo seznam již otevřených obchodů, kterým se ten zamýšlený bude podobat.


„Výhodou našeho přístupu je značná úspora investic do drahých technologií či nákladného budování analytického týmu. Vše zůstalo outsourcované u nás v KPMG včetně datových vědců,“ popisuje David Slánský, Partner KPMG, jenž zastřešuje datovou analytiku. „Klient získal za měsíční poplatek řešení na klíč, které může libovolně používat ke svému rozhodování bez jakýchkoliv dalších starostí. Řešení navíc neustále kalibrujeme a přizpůsobujeme aktuálním tržním podmínkám pro dosažení maximální přesnosti,“ dodává.


Závěrem bych chtěl ještě jednou zopakovat mantru o efektu odhadu tržeb na smysluplné investování firem do vlastního růstu. Dobrá, kvalitně připravená a vhodně načasovaná rozhodnutí o investicích vedou k pozitivním výsledkům hospodaření firem. Naopak špatné, nesprávné, zbrklé či nedostatečně naplánované kroky mohou být i se sebelepším úmyslem managementu pro firmu likvidační. V tomto případě jsme klientovi díky použití KPMG Decision Science řešení pomohli právě tato rizika eliminovat na minimum a navíc v horizontu následujících tří let dojde k úspoře 950 milionů korun v investičních a provozních nákladech.
 

Text vyšel v magazínu Marwick

Časopis pro klienty a příznivce KPMG Česká republika.

 
Čtěte zde

Spojte se s námi

 

Nezávazná poptávka

 

Zadat