Главная>Пресс-центр>Публикации>Аналитическое обеспечение поддержки принятия решений при управлении логистическими процессами в цепях поставок сетевых розничных операторов
Пресс-центр

Публикации в прессе

Аналитическое обеспечение поддержки принятия решений при управлении логистическими процессами в цепях поставок сетевых розничных операторов

13.06.2018

Содержание 

1. Введение  
2. Особенности информационно-аналитической поддержки управления цепями поставок сетевого ритейлера.  
3. Задачи аналитической поддержки процессов принятия решений при управлении логистическими процессами в цепях поставок сетевого розничного оператора. 
4. Задачи аналитической поддержки процессов принятия решений при управлении логистическими процессами в цепях поставок сетевого розничного оператора с использованием системы класса VDD - DiAna: Digital Analytics Pro .  
Литература

1. Введение 

В современных условиях крайне сложно добиться качественного управления цепями поставок и, как следствие, конкурентных преимуществ компании без интеллектуализации ИТ-инфраструктуры и информационно-аналитической поддержки процессов управления сетевой торговой компанией. 

Ключевыми задачами управления цепями поставок (УЦП) сетевых розничных операторов являются, с одной стороны, интеллектуализация информационных систем для осуществления функции автоматического управления логистическими операциями, а с другой стороны, создания гармоничного человеко-машинного комплекса, обеспечивающего синергетических эффект в повышении эффективности управления логистической сети розничной компании.
 
Инструменты бизнес-аналитики помогают принимать решения на основе полезной информации, извлекаемой из данных, но чем больше становится данных, тем сложнее выполнять эту задачу традиционными средствами [1].

Современные задачи анализа больших объемов данных (Big Data), которые характерны для сетевого розничного оператора, не могут быть решены с использованием традиционных подходов. Новые аналитические решения должны позволить извлечь максимум пользы из накопленных данных о поведении покупателя, независимо от того, структурированы они или нет.

Сегодня наиболее успешные компании ищут оптимальный способ, как в кратчайшие сроки извлекать из Big Data полезную и релевантную информацию, чтобы быстрее реагировать на изменения конъюнктуры, отвечать на запросы клиентов или выводить на рынок новые продукты [1].

Нами предлагаются решения ряда аналитических задач по выявлению трендов функционирования цепей поставок, а также оценки управляющих воздействий, включая мероприятия персонального маркетинга, на логистическую сеть с использованием информационно-аналитических систем класса Visual Data Discovery. 

2. Особенности информационно-аналитической поддержки управления цепями поставок сетевого ритейлера. 

Философия управления цепями поставок сетевого розничного оператора заключается в координации деятельности участников, интеграции их бизнес-процессов с целью оптимизации всех ресурсов для достижения поставленных целей по удовлетворению потребностей клиентов с определенным уровнем логистического сервиса [3].

Логистическая система сетевого розничного оператора является одним из самых сложных объектов управления цепями поставок. Насчитывая ассортимент товаров, исчисляемый десятками тысяч номенклатурных единиц, работая с сотнями поставщиков и имея в составе фокусной компании сотни объектов товародвижения, сетевой розничный оператор порой управляет миллиардами цепочек поставок товаров от производителя или поставщика до конечного покупателя [2]. Кроме того, ежедневно, в логистической системе выстраиваются десятки, а иногда и сотни новых и прекращают функционирование приблизительно такое же количество цепочек поставок товаров.

Постоянные изменения в логистической системе сетевого розничного оператора является следствием реакции менеджмента компании на меняющиеся процессы покупательского поведения, а также изменения в сфере производства и дистрибуции товаров и услуг.

Ввиду высокой транзакционности процессов товародвижения у сетевого розничного оператора, большинство функций управления логистическими процессами возложены на информационную систему. Из приведенного примера в работе [5], даже для сетевого розничного оператора средних размеров, с точки зрения возможностей человека, качественно выполнять только функцию управления запасами менеджер способен на 1-2% от необходимого объема работы. 

Повышенные требования к системам управления товародвижением у сетевого розничного оператора состоят в том, что информационная система должна взять на себя решение этих вопросов, т. е. фактически, она должна стать интеллектуальной системой управления товародвижением или иначе «интеллектуальным менеджером товародвижения» [4]. 

Кроме того, информационная система сетевого розничного оператора должна выступить главным источником информации о потребителе, реализуя, при этом, «вытягивающую» логистическую концепцию в управлении цепями поставок рассматриваемого объединения компаний-участников логистической сети. При этом она должна обеспечить использование таких логистических технологий как системы быстрого реагирование на изменения (Quick Response), системы эффективной реакции на изменение структуры потребления (Efficient Consumer Response) и системы совместного планирования, прогнозирования и пополнения запасов (Collaborative Planning, Forecasting and Replenishment), а также некоторые другие. 

Возложив на информационную систему функции управления формализованными логистическими бизнес-процессами в цепях поставок, существенно возрастают требования к аналитической поддержке принятия решений менеджментом компании в рамках ИТ-инфраструктуры. 

Систему управления бизнес-процессами в логистической сети сетевого розничного оператора можно представить как взаимодействующий комплекс организационной структуры менеджмента компании и ИТ - инфраструктуры.

Это связано с тем, что ни одна из двух составляющих системы управления не способна в полной мере эффективно решать задачи стоящие перед бизнесом розничной сети. 

С одной стороны, организационная структура сетевого розничного оператора в лице менеджмента не в состоянии охватить и "переработать" даже малую часть того объема информации, которая необходима для решения задачи управления логистической сетью.

С другой стороны, информационные системы, обладающие огромными вычислительными ресурсами, не могут в полной мере решить все задачи управления, т.к. часть задач является трудно формализуемыми и для их решения отсутствуют инструменты даже в самых современных интеллектуальных информационных системах. 

Только интеллектуальный ум человека и способность информационных систем обрабатывать огромные объемы данных дают синергетический эффект, необходимый для управления логистическими бизнес-процессами в цепях поставок сетевого розничного оператора. 

Очевидно, что в решение бизнес-задач с использованием аналитических средств вовлечены разные группы пользователей, использующие разнообразные инструменты. Однако, менеджерам, управляющим логистической системой, и принимающим как стратегические, так тактические решения, нужны средства интерактивного анализа и визуализации данных о процессах в цепях поставок, позволяющие посмотреть на определенные индикаторы в нужном разрезе и отследить взаимосвязи и тенденции. 

Глубокое осознание необходимости продуктивного взаимодействия менеджера сетевой розничной компании с информационными системами стала причиной активного подъема в области бизнес-аналитики и в создании новых интеллектуальных платформ для ритейла. 

Применение средств аналитики должно обеспечить менеджеров компании достоверной информацией о происходящих бизнес-процессах компании, позволяя их прогнозировать и оптимизировать. Аналитика сегодня должна стать неотъемлемой составляющей принятия любых управленческих решений. 


3. Задачи аналитической поддержки процессов принятия решений при управлении логистическими процессами в цепях поставок сетевого розничного оператора. 

Для современных систем управления бизнес-процессами розничной логистической сети, особенно форматов FMCG (Fast Moving Consumer Goods), характерным является: 

  1. работа с большим объемом данных (Big Data) из различных источников и информационных систем; 
  2. необходимость возлогать на информационные системы предприятия операционное управление цепями поставок (УЦП) и , в первую очередь, процессами непрерывного пополнения запасов в рамках логистической концепции ECR (Efficient Consumer Response); 
  3. своевременное предоставление менеджерами всех уровней актуальной аналитической информации о функционировании логистической сети для принятия управленческих решений.
 
Раньше функция аналитической поддержки принятия решений при управлении логистическими процессами в цепях поставок сетевого розничного оператора сводилась к получению ограниченного числа ответов на заранее поставленные вопросы и созданию соответствующих отчетов.Системы бизнес-анализа для решения таких задач строилась на основе структурированных данных. 
С укрупнением сетевых компаний и широким внедрением информационных технологий для УЦП появилась проблема Big Data, обострилась потребность в работе с неструктурированными данными, причем их количество стало нарастать на порядок быстрее по сравнению со структурированными данными [8]. 

И дело не только в том, что анализируемые данные оказались более разнообразными. После смещения акцента при управлении логистической системой на неструктурированные данные, для аналитики сложилась совсем иная, чем прежде, перспектива извлечения полезных данных в потоке сведений из самых разнообразных источников. 

Иными словами, принципиально меняется парадигма использования ИТ-систем для УЦП сетевых розничных операторов. 

С другой стороны, аналитические задачи являются частью самой быстрорастущей из всех областей применения ИТ. Средствами автоматического анализа можно решить некоторые из этих задач, они применимы в тех случаях, когда данные строго формализованы и имеются обоснованные критерии их сравнения. 

Но в реальной жизни и в реальном бизнесе редко соблюдаются такие ограничения и никакие системы управления не могут существовать без обратной связи, и на нынешнем уровне автоматизации обратная связь реализуется в умах менеджеров, получающих данные извне и принимающих решения [8]. 

Системы, где функции гармонично разделены между человеком и машиной, могут быть эффективнее полностью автоматизированной системы. Первые признаки этого мы можем наблюдать в бизнес-аналитике, именно здесь по способу взаимодействия человека с машиной, а не по делению систем на типы анализируемых данных (структурированные или неструктурированные), проходит водораздел между старым и новым в бизнес-аналитике [8] 

Открывшаяся возможность продуктивного взаимодействия человека с машиной стала причиной активного подъема в области бизнес-аналитики и в создании новых аналитических платформ. Теперь аналитика превращается в интерактивный процесс общения человека с большими объемами данных через средства превращения сырых данных в полезную информацию [8]. Новые интерфейсы должны позволить сегодня применять аналитические инструменты пользователям, не обладающим навыками программирования и не имеющим специального математического образования [7]. 

В начале девяностых в дополнение к традиционным аналитическим системам, формируемым многочисленные отчеты для анализа, появились системы оперативной аналитической обработки (OnLine Analytical Processing, OLAP). Их главной целью было ускорить отклик информационной системы на запрос менеджера. Однако "расплатой" за быстрый анализ служит длительная подготовительная процедура. Эта технология служит для анализа только тех данных, которые предварительно агрегированы в структурированные многомерные OLAP-кубы. Каждый такой куб содержит всю информацию, которая может потребоваться для ответов на предполагаемые запросы. Необходимость в подготовке куба исключает какую-либо синхронизацию с входным потоком данных во время этого процесса. 

Сегодня для устранения "отставания" данных в OLAP-системах от реального времени, благодаря развитию мощностей вычислительных систем, стала широко использоваться технология In-Memory, которая позволяет не производить предварительный расчет OLAP-кубов. Производительность информационно-аналитических систем, построенных на технологи In-Memory, в некоторых случаях сопоставима с OLAP-системами. Это позволяет для определенного класса аналитических задач и вовсе отказаться от OLAP-кубов. 

Однако для решения задач аналитической поддержки процессов управления цепями поставок в сетевых розничных компаниях, где имеет место большие объемы данных (Big Data), наилучшие результаты обеспечивают информационно-аналитические системы, сочетающие подходы, используемые в технологиях OLAP и In-Memory. 

Еще недавно также казалось, что в технологиях Data Mining (DM) и PA (Predictive Analytics) заложен основной ресурс для развития систем BI (Business Intelligence), однако на практике более востребованными оказались интерактивные методы Data Discovery (DD), Visual Analytics (VA) и Visual Data Discovery (VDD). Именно они теперь оцениваются как наиболее перспективные, хотя силы, которые их создают, на порядки уступают по мощности традиционным игрокам решений бизнес-аналитики [8]. 

В настоящее время фокус внимания смещается с признанных и хорошо известных технологий на подмножество технологий Data Discovery — их иначе называют Visual Analytics или Visual Data Discovery отличающихся продвинутыми возможностями взаимодействия человека с машиной [8].
 
Чтобы обозначить их место, надо выполнить попытку классификации технологий бизнес-анализа, разделив их, например, на три большие, частично пересекающиеся, группы [8]:
 
  1. технологии извлечения информации и знаний (Information and Knowledge Discovery): OLAP, Data Mining, Text Mining, Web Mining и различные механизмы поиска; 
  2. системы поддержки принятия решений и интеллектуальные системы (Decision Support and Intelligent Systems): обычные и групповые системы поддержки принятия решений, прикладные методы искусственного интеллекта, экспертные системы, предиктивная аналитика; 
  3. средства визуализации (Visualization): визуальная аналитика, различного рода «приборные доски» и пульты. 
Формально Data Discovery (обнаружение скрытого смысла) явно попадает в первую группу, а Visual Analytics в третью, но у них много общего — упор делается на творческие возможности человека, подкрепленные компьютерными технологиями [8]. 

Можно предположить, что Data Discovery — более общее понятие, это множество методов работы с данными, а Visual Analytics — скорее средство (пока единственное). Видимо, по этой причине недавно оба направления пошли на сближение, и появилось общее название Visual Data Discovery [8].
 
Системы такого класса позволяют превратить компьютер в инструмент, усиливающий интеллектуальный потенциал пользователя. VDD еще называют изыскательной (exploratory) или исследовательской (investigative) аналитикой [8]. 

Цель систем DD — создание средств, которые ориентированы на людей, поддерживают их в работе, открывают человеку возможность использовать свою интуицию при выделении полезной и значимой информации из имеющихся данных [8].
 
В таком случае складывается следующий цикл: сначала формулируется запрос ( ответ на него представляется чаще всего в графической форме, поэтому в DD особое значение имеют технологии визуализации), затем результаты оцениваются и, при необходимости, цикл повторяется. Отличие от традиционного бизнес-анализа состоит в наглядности представления и скорости — человеку желательно, чтобы режим работы был близок к реальному времени [8]. 

4. Задачи аналитической поддержки процессов принятия решений при управлении логистическими процессами в цепях поставок сетевого розничного оператора с использованием системы класса VDD - DiAna: Digital Analitics Pro. 

На первом этапе развития автоматизации ритейла ИС в руках менеджеров выступала в роли инструмента управления логистическими бизнес-процессами (Рис. 1).



Рис. 1. Информационная система как инструмент логистического менеджмента. 


Работая в информационной системе¸ менеджеры планировали поставки, формировали заказы, опираясь на информацию о запасах и прогнозе продаж, оформляли приход, формировали акт переоценки и списания, вводили результаты инвентаризации и др.  

Однако с консолидацией рынка ритейла, существенно возросла сложность и затратность процессов УЦП и, как следствие, все больше бизнес-задач возлагается на ИС и в первую очередь на самые высоко транзакционные процессы, которые связаны с процессами товародвижения. 

Фактически ИС становится "интеллектуальным менеджером" в системе УЦП, где человеку предусматривается роль обратного конура, который задает и корректирует бизнес-логику процессов управления, выполняемых ИС (Рис. 2). 

ИС взяла на себя функции пополнения запасов, взаимодействие с поставщиками через электронный документооборот (EDI), коммуникацию с покупателями и др.



 Рис. 2. Информационная система как "интеллектуальный менеджер". 


В настоящее время в развитии ИС для УЦП ведущим трендом является процесс интеллектуализации работы информационных систем. Это означает, что все больше и больше задач по принятию решений по УЦП будет возлагаться на ИС. Однако, парадокс состоит в том, что при этом возрастает востребованность интеллекта самого менеджера, т.к. его партнером в системе управления становится ИС с практически неограниченными вычислительными возможностями обработки информации о происходящих процессах в логистической сети. 

Ввиду того, что человек не может оперировать большим объемом цифровой информации, возникает острая потребность предоставлять менеджеру информацию в ассоциативной, визуальной форме, которая будет отражать процессы в цепях поставок. 

Как было сказано выше, системы VDD как раз и осуществляют визуальную информационно-аналитическую поддержку процессов принятия решений менеджерами при УЦП в сетевых розничных компаниях. 

В работе [6] была рассмотрена информационная модель цепей поставок сетевой розничной компании и ряд аналитических задач измерения сущности "Товары" и ее отношения с другими сущностями предметной области УЦП. 

Носителем такой модели может являться аналитическая система класса VDD - DiAna: Digital Analytics Pro [9]. 

При ее создании были использованы технологии OLAP и In-Memory. 
В аналитической системе DiAna: Digital Analytics Pro [9] как системе VDD, предлагается множество визуальных средств для оценки функционирования цепей поставок сетевой розничной компании. 

Одной из эффективных визуальных представлений в системе DiAna: Digital Analytics Pro является так называемая модифицированная Бостонская матрица. Она предназначена для сравнительного анализа двух и более временных периодов различных измерений (поставщики, товары, объекты логистичсекой сети и клиенты) информационной модели цепей поставок с целью обнаружения трендов в поведении экземпляров сущностей предметной области УЦП. 

Адаптированный алгоритм построения Бостонской матрицы предполагает деление анализируемых экземпляров, например, товаров по доле в объеме продаж внутри компании и оценка динамики роста продаж этих товаров в рассматриваемом временном интервале по отношению к продажам относительно периода сравнения. 

Тогда по оси Y мы, как и в Бостонской матрице, будем группировать в нашем примере товары по результатам продаж за анализируемый период времени на две группы, допустим, по принципу Парето. 

А по оси Х мы будем, например, по тому же принципу Парето разбивать в нашем примере товары на группы в зависимости от темпов роста продаж по отношению к периоду сравнения. 

Но поскольку будут существовать товары, для которых возможны спады в продажах (отрицательные значения роста продаж), дополним классическую Бостонскую матрицу еще одним столбцом, в который будем включать, в нашем примере, товары, допустившие уменьшение объемов продаж в анализируемом периоде относительно периода сравнения (Рис. 3). 



 Рис. 3. Модифицированная бостонская матрица. 


Таким образом построенная модифицированная Бостонская матрица успешно может быть использована для выявления трендов в поведении любых сущностей предметной области УЦП.

Например, технология обнаружения "нежелательных" трендов с использованием модифицированной Бостонской матрицы может заключаться в выявлении экземпляров сущностей, которые не меняют свое положение в двух и более периодах анализа, т.е. они постоянно находятся в "клетках спада" AZ и BZ. Это означает, что в течение двух и более анализируемых периодов эти экземпляры сущности характеризуются спадом рассматриваемого критерия, например доходности от продаж. 
Особую важность для бизнеса приобретает клетка AZ, ведь в ней находятся в нашем примере высокодоходные товары и они на протяжении двух и более периодов анализа показывают спад продаж. 

В DiAna: Digital Analytics Pro [9] для выявления тренда представляется графическая визуализации, на которой сегменты круга (Рис. 4) ассоциируются со списками экземпляров анализируемой сущности (в нашем примере товары) за соответствующие периоды анализа, попавший, в нашем случае, в клетки AZ и/или BZ. 

Три сегмента круга отображают элементы двух списков пропорционально их длинам (желтый сегмент - это пересечение этих списков). При этом пересечение списков содержит экземпляры сущностей, которые в обеих рассматриваемых периодах находились в "проблемных" клетках. Это означает, что в поведении этих экземпляров сущностей наблюдается тренд снижения критерия анализа.




 Рис. 4. Обнаружение тренда. 



Кроме того, модифицированную Бостонскую матрицу можно успешно использовать для оценки управленческих воздействий на функционирование бизнес-процессов в логистической сети. 
Такими принятыми решениями могут быть: 
  1. Меры повышения логистического сервиса; 
  2. Программы в рамках взаимодействия с поставщиками и производителями; 
  3. Изменения в ассортиментном планировании; 
  4. Трансформация процессов ценообразования; 
  5. Акционные мероприятия и реклама; 
  6. Программы персонального маркетинга; 
  7. И др. 
Влияние проводимых воздействий на функционирование цепей поставок можно оценивать по местоположению экземпляров сущностей предметной области в матрице до и после соответствующих мероприятий. 

Допустим, целью нашего воздействия на функционирование логистической сети было устранение негативного тренда высокодоходных товаров, которые в периоде до рассматриваемого воздействия располагались в клетке AZ. Если воздействие было положительное, то следует ожидать, что в последующем периоде анализа эти товара "выйдут" из этой клетки и "переместятся" в клетки AX или AY (Рис. 5). 

 Рис. 5. Положительное воздействие на логистическую сеть. 


Если местоположение товаров во время периода проведения мероприятия не изменилось, то можно сделать вывод, что его результаты не повлияли на товары, которые остались в клетке AZ. 

Не менее важно выявление отрицательного воздействия на логистическую сеть. Перемещение товаров из высокодоходной в низкодоходную категорию следует считать отрицательной оценкой воздействия (Рис. 6). 

Рис. 6. Отрицательное воздействие на логистическую сеть.


Модифицированную Бостонскую матрицу, в частности, можно также успешно использовать для оценки акций персонального маркетинга. 
В качестве примера рассмотрим некую маркетинговую акцию, направленную на конкретную клиентскую фокус-группу и ставящую своей целью стимулирование продвижения определенной категории товаров. 
Используя в качестве критерия анализа динамику изменений - процент роста, например, стоимость покупок клиентами фокус-группы, мы сможем увидеть расположение клиентов по клеткам модифицированной Бостонской матрицы в период проведения акции по сравнению с периодом сравнения до ее начала. 

Это означает, что мы можем выделить категории клиентов, на которых акция оказала, с точки зрения их покупок, как положительное (они расположились в клетках AX, AY, BX и DY), так и отрицательное влияние (они расположились в клетках AZ и BZ) (Рис. 7). 


Рис. 7. Местоположение клиентов по клеткам модифицированной Бостонской матрицы. 


Отдельно выбрав каждую из этих категории клиентов рассматриваемой фокус-группы, мы далее можем рассмотреть, как в их покупках изменился состав корзины в части категорий товаров, которые маркетинг планировал стимулировать в данной акции. 

Сравнивая для каждой категории клиентов из фокус-группы (клиентов, расположившихся в каждой клетке матрицы) местоположение товаров в клетках модифицированной Бостонской матрицы, вошедших в рассматриваемую маркетинговую акцию, до и вовремя проведения маркетингового мероприятия мы можем оценить изменения поведения этих клиентов в покупках товаров, вошедших в маркетинговую акцию (Рис. 8). 


Рис. 8. Рейтинг, товаров, вошедших в акцию для категории клиентов фокус-группы. 


Кроме того, оценивая поведение клиентов по отношению к товарам, не вошедших в маркетинговую акцию, мы сможем выявить как синергетических эффект, так и каннибалическое влияние этой акции на приобретения товаров данной категории клиентов. 

Аналогичный анализ с использованием модифицированной матрицы можно провести в период и после проведения маркетинговой акции. Это позволит лучше понять поведение клиента, оценить его чувствительность к маркетинговым мероприятиям, а значит лучше понять своего покупателя, что позволит эффективнее формировать его лояльность к розничной сети. 

Литература 

1. Лоншаков А., Мещеряков А., Свирщевский А. «Большая аналитика для Больших данных». Открытые системы СУБД, выпуск № 5, 2012 г. 
2. Новиков В.Э. «Информационная OLAP-модель для анализа функционирования цепей поставок в сетевых розничных торговых компаниях». Логистика и управление цепями поставок, №4 (39), 2010 г., стр. 34-38. 
3. Новиков В.Э. Информационное обеспечение логистической деятельности торговых компаний : учеб. пособие для бакалавриата и магистратуры. - М.: Издательство Юрайт, 2014. - 136 с. - Серия: Бакалавр и магистр. Модуль. 
4. Новиков В.Э. «Представление в информационных моделях ключевых сущностей предметной области управления цепями поставок сетевых операторов». Логистика и управление цепями поставок, №1(66), 2015 г., стр. 60-66. 
5. Новиков В.Э. «Особенности управления запасами в цепях поставок сетевых розничных операторов». Логистика и управление цепями поставок, №4(69), 2015 г., стр. 68-75. 
6. Новиков В.Э., Карапетян Р.А. «Информационно-аналитические системы бизнес-анализа как интеграционная платформа для управления логистическими процессами в цепях поставок сетевых розничных компаний». Логистика и управление цепями поставок, № 06 (83 ), 2017 г., стр. 15 -28 . 
 7. Свирщевский А. «От осознания прошлого к оптимизации будущего». «Открытые системы. СУБД» выпуск №06, 2013. 
 8. Черняк Л. «Визуальная аналитика и обратная связь». Открытые системы. СУБД, выпуск №06, 2013. 9. www.fit.ru

Теги

DIANA

Информация о компании France Informatique & Technologie (FIT)

Компания FIT 30 лет работает на российском рынке и является одним из лидеров комплексной автоматизации сетей супер- и гипермаркетов. Компания FIT является разработчиком наиболее популярной на российском рынке системы автоматизированного управления сетевым розничным предприятием GESTORI Pro, аналитической системы DiAna: Digital Analytics Pro, кассовой системы «POS-FIT-ФР», системы лояльности и управления розничными продажами FayRetail.

Клиенты

Клиентами FIT являются более 1000 торговых компаний России и Беларуси, среди которых более 100 крупных сетей супер- и гипермаркетов, в том числе FIX PRICE, МАГНОЛИЯ, КИРОВСКИЙ, ЛИНИЯ, МАКСИДОМ, ЗОЛОТОЕ ЯБЛОКО, АВОСЬКА, АЙКРАФТ, NATURA SIBERICA, РИНГ и др.

Награды

Компания FIT – многократный обладатель премии «Золотые Весы» как лучший автоматизатор сетей супер- и гипермаркетов в сегментах food, DIY, drogerie и др. Национальная профессиональная премия «Золотые Весы» – высшая профессиональная награда РФ, присуждаемая за выдающиеся достижения в области оснащения предприятий торговли.

В 2010 году BI-система DiAna: Digital Analytics Pro стала лауреатом обзора PC Magazine/RE «Лучшие программы 2010». Редакция признала разработку компании FIT продуктом, вошедшим в число наиболее актуальных, интересных и качественных разработок 2010 года, оказавшим большое влияние на свой сегмент рынка, установив новые стандарты качества и функциональности.

Система GESTORI Pro (Back-Office)

GESTORI Pro – специализированный программный комплекс управления товародвижением в сетях супер- и гипермаркетов, включая подсистему управления логистикой склада класса WMS (Warehouse Management Systems), учитывающую и определяющую местоположение товаров на распределительных и дистрибьюторских центрах. Гибкость и богатство функционала системы GESTORI Pro, быстрота и легкость ее внедрения объясняют стабильный рост спроса на нее со стороны ритейлеров.

В рейтинге крупнейших розничных сетей России «INFOLine Retail Russia TOP-100 2015» система GESTORI Pro уверенно лидирует по числу пользователей: каждая четвертая российская сеть FMCG и DIY, входящая в число 70 ведущих компаний отрасли, использует эту разработку от компании FIT.

Отличительные особенности: надежность, масштабируемость, использование платформ разработки промышленного класса, эффективный удаленный доступ к базе данных с использованием низкоскоростных каналов. Логично дополняет GESTORI Pro аналитическая система DiAna: Digital Analytics Pro, относящаяся к системам класса BI (Business Intelligence).

Система DiAna: Digital Analytics Pro – аналитическая система класса BI (Visual Data Discovery) на передовой технологии In-Memory

Специализированная на решении задач ритейла, программа помогает принимать обоснованные управленческие решения на основе анализа продаж и динамики складских запасов: помочь оптимизировать ассортимент и товарные запасы, правильно определить предпочтения типовых покупателей магазина, определить наиболее адекватные цены, которые позволят добиться максимальной прибыли от продаж данного товара. Причем система работает максимально быстро и наглядно. Такие возможности особенно востребованы при обработке больших массивов данных, когда очень важно не упустить логическую нить размышления менеджера из-за ожидания отклика системы. Так, формирование графика динамики продаж или складских запасов крупного торгового предприятия за год занимает всего несколько секунд.

Систему DiAna: Digital Analytics Pro делает уникальной на рынке использование адаптированных математических моделей для решения прикладных ритейловых задач бизнес-анализа. В их числе модифицированные для ассортиментного анализа и планирования методики Бостонской матрицы, Дибб-Симкина, эконометрические модели и др.

DiAna: Digital Analytics Pro – лауреат обзора «BEST SOFT 2010», одна из лучших программ года по мнению редакции журнала PC Magazine/RE.

DiAna: Digital Analytics Pro – одна из немногих систем, разработанная специально для анализа информации каждого отдельного чека, продаж на каждой отдельной кассе вплоть до анализа загруженности той или иной смены кассиров на ней. Такой подход дает возможность составить полноценный портрет покупателя, выработать позиционирование с учетом его потребностей, вплоть до учета времени года, времени суток и географического положения торговой точки и на основе этого сформировать продуманную ассортиментную и ценовую политики.

Немаловажная особенность системы – ее универсальность в стыковке. DiAna: Digital Analytics Pro работает не только с системой GESTORI Pro от компании FIT, но и может быть интегрирована с любой другой розничной системой управления товародвижением, уже используемой в торговой сети.

Front-end оборудование и кассовые системы (Front-Office)

Компания FIT является разработчиком и поставщиком кассовых систем оn-line FIT-ONLINE-Ф и FIT-NEWLINE-F в соответствии с требованиями 54-ФЗ. Обе кассовые системы внесены компанией FIT в Государственный реестр ККТ.

Являясь уполномоченным поставщиком решений корпорации NCR уровня PREMIER на российском рынке, компания FIT осуществляет продажи и внедрение полного спектра решений корпорации NCR для розничной торговли, куда входят:

  • системы кассового самообслуживания Self-Checkouts (FastLane SelfServ Checkout),
  • POS-терминалы (RealPOS),
  • сканеры, биоптические сканеры и сканер-весы (RealScan),
  • принтеры и иное периферийное оборудование (RealPOS Printers, RealPOS Peripherals),
  • онлайн ККТ,
  • соответствующие программные комплексы (SelfServ Checkout Software, Advanced Checkout Software, «POS-FIT-ФР»).

Компания FIT провела интеграцию кассовой системы «POS-FIT-ФР» c программными комплексами кассовых систем самообслуживания NCR FastLane SelfServ Checkout (SSCO) и Fujitsu U-Scan Genesis, первой на российском рынке внедрив технологию самообслуживания у российского клиента — в сети супермаркетов «Магнолия» и одной из первых среди партнеров NCR — в сети продуктовых супермаркетов SEVEN.

Оборудование и программное обеспечение компании NCR используют ведущие розничные сети: Wal-Mart, Carrefour, Metro, Ahold, Target, Home Depot, Tesco и другие участники списка TOP-100 мирового ритейла.

Среди российских клиентов NCR – крупнейшие розничные операторы: «Магнит», X5 Retail Group, «Ашан», «Магнолия», «Глобус», «Максидом», SPAR и другие.

Эффективная сервисная поддержка всего поставляемого оборудования осуществляется сетью центров технического обслуживания (ЦТО), которую FIT активно развивает по всей стране, являясь заявителем в реестр ККТ целого спектра моделей онлайн касс.

Наверх