Od hierarchizace dat ke zvýšení prodeje

aneb výstavba dashboardu obsahující historická prodejní data pro potřeby obchodních zástupců výrobní firmy Plastkon product s.r.o.

Něco o nás, něco o projektu

Potkaly jsme se ve výtahu v HubHubu před zahájením Datové akademie (DA) a už jsme si zůstaly. Ivona je business operation analyst, Lucka je právnička. Pro uvedené téma projektu jsme se rozhodly už ze začátku DA. Jednak jsme obě chtěly dělat spíš reálný case, na kterém bychom si vyzkoušely jak funguje obvyklý datový projekt, a také jsme měli přístup do firmy Plastkon product s.r.o., kde přesně s takovým casem potřebovali pomoci. Zadání tedy bylo jasné — dát do kupy data, která jsou sice využívaná denně, ale není v nich příliš moc hierarchie, ani nejsou moc user-friendly.

# Na tomto místě bychom chtěly poděkovat našim mentorům z Accenture — Romaně, Janě a Láďovi za jejich pomoc a rady (nejen) u ranního kafe. Poděkování sice obvykle přichází až nakonec, ale kdo ví, kolik čtenářů vydrží až do konce. A my nechceme, aby zrovna tohle poděkování zapadlo:)

Start

Plastkon je společnost vyrábějící všechny možné produkty z plastu, které si jen dovedete představit, od truhlíků na kytky, přes lopaty na sníh až po dětské sáňky. Nejvíc je trápilo, že historická data o prodejích těchto truhlíků, lopat a všeho ostatního jsou bez ladu a skladu nalitá do systému SAP, bez větší hierarchizace a třídění. Pokud tedy obchodní zástupce Plastkonu chtěl zjistit, kolik se do určitého obchodu prodalo truhlíků, bez ohledu na řadu výrobku, typ, velikost a barvu, měl smůlu. Ze SAPu dostal jen hrozivou tabulku s mnoha řádky. Hodnoty v jednotlivých řádcích byly “slepené” v jednom, a každý řádek se tak tvářil jako odlišný produkt.

ukázka původního stavu zápisu dat v systému SAP

Cílem tedy bylo “rozsekat” data ze SAPu a vytvořit hierarchii produktů tak, aby se obchodní zástupce dostal k počtu truhlíků bez ohledu na typ, řadu nebo barvu. Nebo aby si tyto hodnoty mohl vyfiltrovat:

ukázka nové hierarchizace a počty položek v jednotlivých stupních

Celková hierarchizace produktů pak měla vypadat následovně (níže je ukázka mind mapy pro hierarchizaci jedné základní skupiny produktů):

Pokud chtěl obchodní zástupce získat přesnější prodejní data, musel se domluvit s business analytikem, který se ponořil do dalších excelovských tabulek a strávil mnoho hodin s tím, aby obchodníkovi připravil report o prodaných produktech. Oba na tom tedy dohromady strávili klidně i jeden pracovní den.

Příprava obchodního zástupce na schůzku se zákazníkem (současný stav)
Příprava obchodního zástupce na schůzku se zákazníkem (Ideální stav po dokončení projektu)

Cíl

Abychom obchodním zástupcům pomohly zefektivnit jejich práci, rozhodly jsme se po vytvoření hierarchie dat pro ně vytvořit dashboard obsahující historická data o prodejích, kde si budou moci rychle vyfiltrovat zboží v různém stupni detailu, které bylo prodáno určitému zákazníkovi za určité období. Cílem tedy je zkrátit původní proces přípravy obchodního zástupce z cca 5 hodin (+ 6 hodin business analytika) na 15–30 minut a ještě k tomu ho zpřesnit.

Jak na to?

Na hackatonu jsem se do toho s pomocí mentorů opřely. Po tom, co jsme si v předcházejících týdnech prošly data, která jsme měly k dispozici, zjistily, kde všude jsou uložená a v jakém jsou stavu (#místo pro fancy data word: exploratorní analýza), a prošly si různé use cases, bylo na čase stvořit datový model. Ten vypadal takto:

Na jeho základě už jsme mohly stavět samotný projekt, nahrát data do Kebooly a začíst čistit, třídit a hierarchizovat (#místo pro fancy data word: ELT). Z ošklivých a nejednotných názvů položek v SAPu (viz výše) jsme potřebovaly “vysekat” názvy produktů, zařadit je do správných modelových řad, vyjmout a vytřídit barvy produktů a -long story short- prostě zařídit, aby obchodní zástupce místo obrovitého seznamu položek dostal prostý seznam názvů jednotlivých prodaných produktů (boby, truhlíky, lopaty, misky pod květináče..) a sám si pak zvolil, jaká míra detailu ho zajímá, tj. jestli potřebuje znát i barvy a další vlastnosti těchto produktů (bobů, truhlíků, lopat, misek pod květináče..). Pro toto čištění jsme nejdřív začaly používat Python.

Ukázka kódu z Pythonu. Cool, že? (#místo pro poděkování Martinu Podlouckému)

Pozor, teď nastává zápletka! Vzhledem k tomu, že slova, která jsme z názvů potřebovaly dostat, byla oddělená jenom mezerou a po tom, co jsme musely celkem detailně položky produktů procházet a jen pro identifikaci barev produktů vytvořit slovník cca 300 barev, došly jsme k tomu, že pohodlněji se dá tahle černá práce dělat v SQL s pomocí Excelu.

ukázka kódu SQL
i takhle se dají oddělovat správná data od těch chybných

Po skončení hrátek s SQL a propojení dat podle datového modelu v Keboole jsme se konečně mohly vrhnout na vizualizaci, pomazlit se s Tableau a získat tak finální produkt našeho projektu — dashboard pro obchodní zástupce.

Seznam použitých nástrojů:

  • Excel pro tvorbu a čištění dat
  • Keboola pro storage dat a transformace
  • SQL pro čištění dat
  • Python pro čištění dat
  • Tableau pro vizualizaci a tvorbu dashobardu

Happy end

Vytoužený dashboard je na světě! Od teď nebude muset trávit obchodní zástupce hodiny procházením nekonečné tabulky ze SAPu a přibližným odhadováním, co kdy zákazníkovi prodal. Od teď si za pár minut během pár kliků v dashboardu vybere zákazníka, vybere časové období prodejů nebo segment produktů, které ho zajímají, a dostane před schůzkou se zákazníkem rychlé a přesné info dvacetkrát rychleji než předtím. A prodeje porostou do nebes.

Doporučení

My doufáme, že dashboard v Plastkonu ještě vylepší a budou na nás s láskou vzpomínat. Na závěr pro ně máme také pár tipů a doporučení na využitelnost našeho projektu do budoucna:

  • Tím, že se námi roztříděná a hierarchizovaná data “nalijou” zpět do systému SAP, vytvořily jsme základ pro data governance a zadávání nových dat do systému už by nemělo být dílem náhody, ale snadným a přesnějším procesem;
  • V dashboardu se ještě skrývá potenciál vytvoření gap analýzy, tedy, že by obchodní zástupce viděl nejen to, co se zákazníkovi prodalo a “frčí”, ale také to, co se mu zatím neprodalo a má velkou šanci, že to bude “frčet” taky;
  • Vzhledem k tomu, že dashboard poskytuje přesné informace o tom, který obchodní zástupce kolik čeho prodal, bude možné zavést a nastavit KPIs (Key Performance Indicators) obchodních procesů i celé firmy.
  • Stejně tak bude snadno možné nastavit obchodním zástupcům prodejní cíle.