Как Qlever Solutions с помощью DWH и BI-аналитики помогли бренду Orby на 80% снизить количество ошибок при планировании отгрузок на маркетплейсы

Рассказываем, как специалисты Qlever Solutions разработали для бренда детской одежды Orby корпоративное хранилище данных и приложения на PIX BI, позволяющие получить единый доступ к данным и анализировать деятельность компании на OZON и Wildberries.

Дашборды помогают отслеживать показатели заказов, просмотров, планировать отгрузки продукции на склады, проводить ABC-XYZ анализ товаров на маркетплейсах и разрабатывать новые стратегии продаж.

Клиент

Orby (ООО «ППО «ОРБИТА») – производитель детской одежды полного цикла от идеи до полки, селлер собственной продукции на маркетплейсах.

Под брендом Orby работают более 70 магазинов в России и странах СНГ.

Ситуация

Для разработки стратегии развития компания регулярно отслеживала не только динамику розничных и онлайн-продаж, но и результаты торговли на маркетплейсах Wildberries и Ozon.

Специалисты компании использовали возможности бесплатной встроенной аналитики для продавцов в личных кабинетах маркетплейсов. Показатели продаж конкурентов компания отслеживала во внешнем сервисе аналитики маркетплейсов MPStats. Более детальная информация о продажах хранилась на платформе 1С: Управление торговлей.

В процессе работы с сервисами Orby сталкивались с болью каждого селлера, работающего на нескольких площадках — мониторингом критически важных показателей и подготовкой отчетов.

Сервисы аналитики не могли предоставить достаточно детализированные данные, чтобы понимать:

• Какие категории товаров нужно усилить для выполнения плана продаж?
• Почему по некоторым товарам установился низкий процент выкупа заказов?
• Какую выручку приносят конкретные SKU?
• Как оптимизировать процессы отгрузки товаров на склады маркетплейсов в зависимости от спроса?
• Какие меры принять, чтобы смягчить последствия меняющейся политики самих маркетплейсов (платные возвраты, предоплату по некоторым товарам)?

Для принятия решений клиент оценивал количество продаж, заказов, возвратов и остатков, процент заказов от остатков, процент выкупа, средние цены у себя и у выбранных конкурентов.

Разрозненные системы не позволяли проводить real-time аналитику этих ключевых показателей, которая необходима для отстройки от конкурентов и принятия своевременных мер по корректировке цен, акций, ассортимента.

Для формирования единой отчетности аналитикам Orby приходилось вручную выгружать данные из всех источников в формате xlsx, сверять коды номенклатур на разных площадках, объединять их, а затем производить расчеты метрик в Excel-таблицах.

Задача осложнялась объемом данных, исчисляющимся сотнями мегабайт, что повышало вероятность ошибок при ручном сборе.

Когда данных для принятия решений из стандартных отчетов не хватало, специалистам по маркетплейсам приходилось вручную искать детализированную информацию по каждой позиции и добавлять в Excel-таблицу.

Чтобы понять рентабельность конкретной модели товара, руководитель направления маркетплейсов просматривал сразу несколько таких таблиц, что сказывалось на скорости принятия решений.

Для решения этих проблем Orby стартовали проект цифровизации продаж.

Первым этапом стало создание корпоративного хранилища данных и аналитических приложений на базе PIX BI, помогающих своевременно реагировать на изменения рынка.

В качестве партнера по разработке Orby выбрали Qlever Solutions, команду, зарекомендовавшую себя в проектах внедрения систем бизнес-аналитики и корпоративных хранилищ данных.

Решение

В компании уже предпринимали начальные шаги по организации работы с данными и построению бизнес-аналитики для нужд операционного маркетинга.

На базе PostgreSQL было организовано хранение данных из 1С и CRM-системы Mindbox. Внедрена BI-платформа PIX BI, где реализованы базовые аналитические дашборды и отчеты для маркетинга.

Для запланированной автоматизации аналитики не только по показателям маркетинга, но и по остальным направлениям: маркетплейсам, собственной рознице, интернет-магазину, франчайзи, HR - было недостаточно реализованного способа хранения данных.

Для этих целей командой Qlever Solutions было разработано полноценное DWH (КХД, корпоративное хранилище данных), выступающее единым репозиторием данных из маркетплейсов.

В проекте были использованы следующие источники данных:

• Данные из маркетплейсов Wildberries и OZON, получаемые с помощью REST API
• Данные из 1С: Управление торговлей, выгруженные в формате xml по протоколу SFTP
• Данные из 1С: ERP, загруженные через шину данных 1С: Шина
• Мастер-данные в виде файлов, например, справочники с маппингом баркодов товаров на WB, OZON и в 1C, подготовленные экспертами Qlever
• Данные из внешнего сервиса аналитики маркетплейсов MPStats, выгруженные через REST API

У каждого маркетплейса своя архитектура, подход к расчету показателей и обозначения процессов.

В связи с ручным заполнением карточек на маркетплейсах, идентичные позиции в 1C, OZON и Wildberries не совпадали. Для решения этой проблемы было проведено исследование данных и подготовлен справочник на 25 000 позиций. 75% справочника были сгенерированы автоматически на базе правил преобразования данных исходных систем, остальная часть заполнена вручную специалистами по данным Qlever.

Чтобы решить вопрос унификации данных, инженеры данных из команды Qlever также готовили единые таблицы по доменным областям, объединяющие в себе данные из OZON и Wildberries по продажам, остаткам, заказам, воронкам продаж, затратам и т. д.

В ходе реализации проекта эксперты Qlever отметили, что на WB возврат возможен без совершения транзакций, а на OZON только после проведения транзакции, то есть, после продажи товара. Вопрос разнородности показателей удалось решить сравнением количества продаж и транзакций и приведением данных к единым структурам и ключам на Core Layer DWH.

Еще одним вызовом стала выгрузка данных из MPStats. В процессе работы с источником команда Qlever обратила внимание на неочевидную логику формирования отчетов по периодам и некорректные данные, которые предлагает сервис. Значения показателей для одних и тех же дат отличались в зависимости от того, как выгружались данные: по дням или за всю неделю.

Для решения задачи совместно с клиентом был разработан регламент выгрузки данных из MPStats, где были зафиксированы периоды выгрузки по категориям, показателям и конкретным отчетам, в зависимости от того, есть ли ошибка в логике отчета или нет.

В проекте КХД реализована многоуровневая (слоеная) структура LSA – Layered Scalable Architecture со следующим набором слоев:

• Стейджинг, или операционный слой первичных данных, (Staging/Primary Data Layer)
• Ядро (Core Data Layer)
• DDS (Detail Data Storage)
• Слой витрин данных (Data Mart Layer)
• Сервисный слой (Service Layer)

Подходящий технологический стек для DWH был выбран на этапе предпроектного обследования.

• Для сбора данных используется Dagster (оркестрация) и Python (экстракция, загрузка данных, сбор метаданных)
• В качестве хранилища и системы контроля за доступом к данным выбрана аналитическая СУБД ClickHouse
• Основной инструмент трансформации данных - DBT

На текущий момент на стейджинг слое хранятся

• 62 тыс строк из 1С
• 40,3 млн строк из Wildberries
• 9,4 млн строк из OZON
• 11,8 млн строк из MPStats

В ядре хранилища

• 40,1 млн строк из 1С
• 6,4 млн из Wildberries
• 5,1 млн строк из OZON
• 2 млн строк MPStats

В DDS -слое – 9,1 млн строк данных, в слое витрин данных – порядка 64 млн строк данных.

В общей сложности в DWH хранятся порядка 230 млн строк данных по маркетплейсам (более 9Гб данных).

На следующем этапе проекта на основе объединенных в DWH данных были разработаны аналитические приложения на платформе PIX BI.

Дашборды позволяют отслеживать данные по продажам Orby на маркетплейсах, сравнивать показатели с результатами деятельности конкурентов, проводить мониторинг рынка детской одежды в целом.

1. Приложение «Аналитика по товарам»

Приложение предназначено для ежедневного наблюдения за отчётными показателями по заказам и продажам собственных товаров. Состоит из листов «Сводный отчет», «Аналитика по периодам» и «Данные по SKU».

Лист «Сводный отчет» дает возможность оценить динамику заказов и продаж, средних цен, остатков, процента выкупа и наценки в разных временных разрезах (по дням/неделям/месяцам/кварталам и т.д.).

Также на этом листе можно провести сравнение показателей продаж и заказов к предыдущим периодам (например, к прошлой неделе).

Лист «Аналитика по периодам» используется для анализа количества и цены заказов и продаж, и динамики изменения этих показателей с возможностью сравнения по категориям, маркетплейсам, коллекциям, сезонам и периодам.

Разработана итоговая таблица, отображающая поступления (в штуках и в базовом прайсе), а также все показатели, присутствующие на листе в разрезе SKU и товарных категорий/сезона/категорий по сезонам.

Аналитика по периодам в PIX BI

Лист «Данные по SKU» используется для анализа артикулов, продаж и наценки по ABC и XYZ анализу в разрезе маркетплейсов.

Данные по SKU в PIX BI

Итоговая таблица содержит поступления и все показатели, присутствующие в приложении, с их смещением на прошлую неделю/год в разрезе модели, сезона, товарной категории, сезонов, ABC и XYZ анализа.

Детализация заказов и продаж в PIX BI

2. Приложение «Метрики МП»

BI-монитор для ежедневного отслеживания эффективности работы компании на маркетплейсах и анализа показателей просмотров, добавлений в карточки, добавлений в корзину, себестоимости, выручки, отгрузки, остатков, с возможностью сравнения с предыдущими периодами, разными маркетплейсами и категориями.

Состоит из листов «Основные», «Воронка» и «Управление запасами и движением остатков».

Листы используются для:

• Анализа выручки, себестоимости, маржи, количества продаж и динамики изменения этих показателей в разрезе категории, маркетплейса и периода

Основные метрики маркетплейсов в PIX BI

Детализация метрик маркетплейсов в PIX BI

• Анализа информации по рекламной воронке: просмотров, переходов в карточку товара, добавлений в корзину, заказов; отслеживание динамики этих показателей и их конверсии в разрезе периода и маркетплейса

Метрики рекламной воронки в PIX BI

• Анализа остатков и отгрузок в разрезе категории, периода, маркетплейсов

Динамика показателей маркетплейсов в PIX BI

Полученные результаты

В результате внедрения корпоративного хранилища сотрудники и руководители Orby получили простой доступ к данным по продажам на маркетплейсах.

Была решена проблема ограниченного периода хранения информации об остатках на маркетплейсах. DWH предоставило возможность собирать детальные исторические данные по продажам, заказам, остаткам на Wildberries и OZON, которые ранее не сохранялись в личных кабинетах маркетплейсов.

Достигнутая глубина хранения данных позволяет проводить многомерный анализ продаж и совершенствовать процессы планирования, начиная от пошива товара и установки цен, заканчивая контентом для карточек на маркетплейсах.

Аналитические приложения «Аналитика по товарам» и «Метрики МП» в PIX BI предлагают детализированную картину эффективности компании и конкурентов на маркетплейсах в разрезе дня/недели/месяца, что дает возможность:

• Экономить до 3 часов в день, ранее затрачиваемых на сбор таблиц и подсчеты метрик в Excel
• Своевременно выставлять скидки или менять ассортимент для повышения количества заказов
• Устранить до 80% ошибок, которые ранее возникали при планировании отгрузок товаров на маркетплейсы
• Оптимизировать логистику между складами OZON и WB таким образом, чтобы излишки с одного склада в случае необходимости оперативно транспортировались на другой

Своевременное принятие решений на основе данных обеспечило рост удовлетворенности клиентов и повышение прибыли, расширило возможности масштабирования продаж.

Создание дашбордов стало первым шагом к полной цифровизации и автоматизации управления запасами, ценообразования, планирования, маркетинговой деятельности Orby на маркетплейсах.

Среди задач компании в бэклоге - ввести расширенный анализ по конкурентам, предиктивное прогнозирование и систему динамического ценообразования по МП на основе внедренных аналитических приложений.

Источники и стек технологий

Wildberries, Ozon, 1С: Управление торговлей, 1C: Шина, MPStats, DWH, Dagster, Elementary, DBT, Gitlab, MinIO, OpenMetadata, REST API, ClickHouse, PIX BI, Python

Функциональные области

Топ-менеджмент, Операционная деятельность, Финансы