BigData и исследование скрытых потерь

BigData.

В компаниях наших заказчиков собираются и хранятся данные (числовые и текстовые), объем которых сегодня принято называть BigData (-большие данные). В этих данных для бизнес-анализа важны не только значения переменных (полей баз данных, их могут быть десятки), но и связи между ними. С ростом количества переменных количество связей растет быстрее (факториалы), чем в знаменитой задаче о зернах на шахматной доске. Задача бизнес-аналитика выбрать из этого множества значимые для решаемой задачи переменные и связи. Это и есть data mining (интеллектуальный анализ данных) в приложении к задачам безопасности в сетевом ритейле. Такие объемы данных невозможно просматривать и изучать традиционными методами, они требуют специальных технологий хранения, передачи и обработки информации (data science).

Основными пользователями данных в компаниях заказчиков является операционный менеджмент и службы безопасности, то есть службы с разными целями и интересами, которые часто противоречат друг другу в силу специфически сформированных зон ответственности. К тому же, нагрузка на службу безопасности значительно больше, помимо баз данных СБ имеет разветвленные системы сбора другой информации: чек-листы по нарушениям, cash-контроль (аналитика кассовых операций), удаленный видео мониторинг, операционный контроллинг и т.д., которая также может иметь как числовой, так и текстовый характер.

Как грамотно обрабатывать данные?

Компании по-разному решают проблемы, связанные с обработкой и осмыслением собственных данных. Некоторые имеют собственный штат бизнес-аналитиков. Кто-то предпочитает заказывать подобные исследования у нас. Во втором случае, конечно, исключается возможный конфликт интересов между подразделениями компаний-заказчиков. Наша задача – выявить в потоке информации следы отклонений от типичного поведения (покупателей, персонала), найти в них содержательный смысл, объяснение и передать наши выводы в службы заказчика. Современные технологии позволяют собирать значимую информацию в режиме реального времени. Информация поступает со скоростью, превышающей скорость её обработки, осмысления и нормальной человеческой реакции. Естественным решением является поиск математических решений, создание алгоритмических и программных продуктов, позволяющих вылавливать следы ошибочного или девиантного поведения в режиме реального времени. Технические возможности у нашей компании для этого уже есть, в том числе с использованием мобильных устройств.

Основной задачей служб безопасности является предотвращение потерь и максимально сокращенное время реакции на события. Проблема больших данных имеет и положительную сторону. Данных так много, и они поступают с такой скоростью, что изменить или «поправить» в них что-либо просто невозможно. Обычное поведение покупателей/персонала, соблюдение бизнес-процессов стандартно. Поэтому любое ошибочное или преднамеренное действие обязательно оставит «цифровой» след в виде аномальных отклонений от «стандарта». В BigData такие отклонения должен обнаруживать искусственный интеллект и немедленно выдавать соответствующую информацию в СБ для реакции. Решается и вторая важная для СБ задача – внимание фокусируется на действительно значимых аномалиях и зонах риска. Человеку свойственно ошибаться – значительная часть ошибок не является преднамеренной и не наносит значимого ущерба компаниям, такие ошибки не являются предметом интереса СБ. Это должно больше интересовать операционный менеджмент. Методы data mining позволяют не только реагировать на уже случившиеся события, но и находить зоны риска с точки зрения будущих потерь.

Исследование скрытых потерь.

Хорошо развитые и проработанные технологии безопасности направлены на злоупотребления при списаниях, инвентаризациях, воровство покупателей, недобросовестность персонала, но это только 30-40% потерь компаний. Оставшиеся 60-70% потерь – скрытые потери. К ним относятся прежде всего потери, связанные с нерациональным движением товаров (перезаказ, недозаказ), ошибками при хранении и перемещении товара, ошибками операторов баз данных и так далее. Бывают и случаи недобросовестности сотрудников, попавших в штат компании-заказчика. Основной тезис исследования скрытых потерь: товар должен двигаться так, как его покупают, то есть с такой же скоростью, с какой покупатели выносят его через кассы. Все остальное – это потери (остатки, недополученная компанией выручка и так далее).

Скрытые потери не могут быть выявлены традиционными методами, их причиной могут быть как ошибки, так и преднамеренные действия. Чаще всего такие действия старательно «маскируются» под остатки, неликвиды, в базы заносятся неверные данные и т.п. Результатом таких действий является изъятие у компании либо товарной массы, либо денежных средств (например, в виде платежа за непроданный товар). Это, безусловно, тоже потери. И они, как правило, больше всех других потерь вместе взятых, но для их выявления нужны меньшие ресурсы. Больший эффект даст анализ данных, чем армия сотрудников СБ. Любое подобное действие обязательно оставит след в цифровых показателях: в цене прихода, наценке, объемах продаж и входящих партий, периодичности поставок, сумме проданных штук по чекам, списаниях, возвратах и т.д. Выявление и пресечение таких потерь возможно при хорошо поставленной аналитике и взаимодействии СБ с операционным менеджментом. Взаимодействие СБ с операционным менеджментом – серьезная административно-управленческая проблема, особенно в больших компаниях. Но и потери в больших компаниях несравнимо больше.

С точки зрения нашей компании – оперативное взаимодействие с заказчиком является важнейшим элементом наших бизнес-процессов. В этом смысле конфиденциальность даже не обсуждается и является обязательным условием. Но также важен постоянный контакт и диалог с заказчиком, так как именно заказчик первым сталкивается с новыми вызовами и «изобретениями» творчески настроенных нарушителей, первым видит признаки не типичных процессов, на которые надо успевать реагировать.