Применение больших данных в минимизации потерь

Современная экономика напрямую связана с накоплением гигантского объема различных данных – как текстовых, так и числовых, – которые принято называть BigData, т.е. «большие данные». Инновационные технологии позволяют не только анализировать такой объем информации, но и использовать полученные результаты для выявления скрытых потерь. Об особенностях использования больших данных в сфере ритейла рассказал Леонид Нагайцев, директор по развитию ГК «Император».

Большими данными принято считать информацию объемом от 0,5 терабайта. Безусловно анализировать такое количество данных традиционными способами, то есть вручную, невозможно – для этого подключается искусственный интеллект, который выявляет наиболее значимые переменные и связи для решения конкретной задачи. Этот процесс принято называть data mining, т.е. интеллектуальный анализ данных, который как раз важен в сфере безопасности. Для хранения, обработки и передачи больших объемов информации используются специальные технологии – data science.

Самыми главными пользователями больших данных в ритейле являются служба безопасности, маркетинг и операционный менеджмент. Во всех случаях главной задачей можно считать повышение эффективности работы компании, которая невозможна без выявления «слабых мест» и анализа рисков. При этом специалистам по безопасности приходится зачастую гораздо сложнее, т.к. к ним поступает информация в разных форматах и из разных источников, таких как чек-листы, программы по аналитике кассовых операций , камеры видеонаблюдения, модули распознавания лиц и другие инструменты контроллинга.

Помимо большого объема информации служба безопасности сталкивается с еще одной проблемой – скоростью поступления данных, которая значительно превышает скорость их обработки. К сожалению, ни один человек не в состоянии осмыслить такое количество информации в реальном времени. Именно поэтому были разработаны инновационные технологические решения, позволяющие обрабатывать большие данные и выдавать специалистам службы безопасности только ту информацию, которая имеет значение при решении задач в сфере безопасности.

Но кроме вышеперечисленных сложностей, у BigData есть и положительная сторона: при таком объеме и скорости потока информации изменить и поправить что-то практически невозможно, а значит любое отклонение от стандартных бизнес-процессов – преднамеренное или нет – оставляет след, который можно вычислить. Во время анализа искусственный интеллект будет обращать внимание именно на различного рода отклонения в поведении покупателей или сотрудников магазина, и выдавать соответствующую информацию службе безопасности. Таким образом, служба безопасности обращает внимание сразу на основные зоны риска, не отвлекаясь по мелочам.

Сегодня существует мобильное приложение , позволяющее собирать BigData в режиме реального времени, что позволяет видеть полную картину и значительно сокращает скорость принятия решений. Это важный критерий для службы безопасности, т.к. чем быстрее будет выявлено и устранено нарушение, тем эффективнее будет работать компания. Специалисты прогнозируют скорое широкое распространение подобных мобильных приложений: они позволят работать с большими данными в любом месте и в любое время.

Конечно, все сотрудники ошибаются, и большинство выявленных нарушений будут наверняка непреднамеренными и не нанесут большого ущерба компании. Такие случаи в большей степени заинтересуют операционный менеджмент, чем службу безопасности. Однако интеллектуальный анализ данных позволяет выявлять не только текущие нарушения, но и прогнозировать потери , выявляя также потенциальные зоны риска.

Что же является основным источником потерь в ритейле? Современные технологии безопасности направлены на выявление хищений покупателями, а также злоупотреблений самих сотрудников при списаниях, инвентаризациях и т. д. Но эти потери составляют не более 40% от всех потерь сетевого магазина. Большая часть – 60-70% – приходится на скрытые потери, связанные с нерациональным движением товаров (перезаказ, недозаказ), а также несоблюдением правил хранения товара, ошибками операторов баз данных и так далее.

Во время исследования скрытых потерь аналитики основываются на утверждении, что товар должен двигаться с такой же скоростью, с какой покупатели выносят его через кассы. Все остальное – остатки, недополученную выручку – можно отнести к потерям.

К сожалению, скрытые потери невозможно выявить традиционными методами, т.к. обычно они тщательно маскируются под неликвидный товар, а в базу заведомо вносятся неверные данные. В итоге магазин теряет либо непосредственно денежную массу, либо какую-то часть непроданного товара. Таких потерь – большинство, но выявить их может только искусственный интеллект, работающий с большими данными гораздо эффективнее, чем сотня аналитиков. А все потому, что любое мошенничество подобного рода, как уже говорилось, оставляет след в цифровых показателях: он может быть выявлен в цене прихода, объемах продаж и входящих партий, наценке, периодичности поставок, сумме проданных товаров по чекам и т. д. – вариантов может быть масса.

Однако мало выявить следы потерь, нужно еще и устранить их причины. Для этого служба безопасности должна работать в плотной связке с операционным менеджментом, а это, как показывает практика, для многих компаний большая административно-управленческая проблема. Необходимо приложить усилия для устранения барьеров между двумя службами, т.к. без этого условия невозможно говорить об эффективном развитии на современном рынке ритейла.

С точки зрения охранных предприятий также очень важно взаимодействие с заказчиком, который первым сталкивается с признаками не типичных процессов на своем объекте, и очень важно, чтобы информация о любых нарушениях или девиантном поведении была вовремя передана службе безопасности.

Специалисты ГК «Император» активно пользуются анализом больших данных как в физической охране, так и включая его в различные комплексные услуги. Основываясь на полученных данных, аналитики решают, в каких зонах необходимо усиление контроля, а какие инструменты можно минимизировать. Таким образом, работа с BigData позволяет также оптимизировать издержки на контроль.