Dideli duomenys yra karšta tema. Ir ji gali stebuklų teisingai rūšies kompanijai.
Tačiau, kaip maža įmonė, jūs nesate „tinkama įmonė“.
REALINIS auksas yra jūsų mažuose duomenyse.
Mažų duomenų analizės privalumai
Mažų duomenų panaudojimas gali suteikti didžiulio pelningumo ir pinigų srautų (kai kurie tyrimai parodė, kad padidėjimas gali siekti net 50–60 proc.). Ir tai leidžia jums tai padaryti nedidelės rizikos būdu, per labai trumpą laiką (kaip jūs kitą savaitę, kitą mėnesį ar kitą ketvirtį patraukiate?)
$config[code] not found„Small Data“ yra sandorio duomenys, užfiksuoti jūsų sąveikos su klientais, tiekėjais, komandos nariais ir jūsų produktais bei paslaugomis. Tai duomenys, kurie yra tokie dalykai kaip jūsų apskaitos sistema, jūsų CRM, jūsų ERP, „Excel“ skaičiuoklės ir panašūs smulkūs duomenų rinkiniai.
Visapusiškas įsipareigojimas panaudoti smulkius duomenis reikalauja vienodų duomenų duomenų, programavimo, teismo ekspertizės ir kūrybiškumo.
Smulkūs duomenys
Tačiau, norėdami pradėti naudoti „Small Data analytics“ kelionę, norėčiau pateikti jums du labai efektyvius „mažų duomenų hacks“, kuriuos galite naudoti norint pradėti taikyti „Small Data“ galią.
Išbandykite šiuos dalykus savo įmonėje. Manau, būsite maloniai nustebinti tuo, ką atrandate.
Smulkių duomenų rinkinys # 1 - CVPM analizė
CVPM analizė - tai būdas atskleisti jūsų verslo išvaizdą iš granuliuoto ar sandorio lygio. Jei norite atlikti savo CVPM analizę, turite analizuoti savo pajamas, bendrąjį pelną ir pridėtinę sumą „už sandorį“.
Tai, ko ieškote, yra šių granulių kiekio pokyčiai laikui bėgant. Pavyzdžiui, per pastaruosius tris finansinius metus. Arba, jei svarbiau, per pastaruosius keturis paskutinius ketvirčius. Apskritai, geresnės įžvalgos gaunamos peržiūrint jūsų CVPM analizę per tris pilnus fiskalinius metus.
Pažvelkime dviejų skirtingų įmonių pavyzdį, kad išsiaiškintume šią koncepciją. Kai kurie svarbūs kiekvienos įmonės duomenys yra tokie:
| Verslo Alpha | Verslo beta versija | |
| (A) Klientų skaičius | 1,000 | 370 |
| (B) dažnumas per metus | 0.5 | 6.0 |
| (C) Vidutinis bendrasis pelnas | $ 350 | $79 |
| Bendrasis pelnas (A x B x C) | $175,000 | $175,380 |
Ši informacija rodo, kad mes ieškome dviejų įmonių, turinčių visiškai skirtingus požiūrius ir struktūras (du skirtingi verslo modeliai).
„Business Alpha“ išlaiko daug klientų, kurie kažką perka tik kas dvejus metus (dažnumas 0,5 per metus), tačiau tai yra didesnis bilietų elementas nei „Business Beta“.
Verslo Beta turi daug mažiau klientų (apie trečdalį tiek daug), tačiau jie dažniau perka mažesnį bilietą (apie kas du mėnesius).
Tačiau pažvelkite į galutinį rezultatą. Abi įmonės grąžina gana daug identiškų bendrųjų pelno rezultatų. Kiekviena įmonė turi apie 175 000 dolerių, kad padengtų pridėtines išlaidas, grąžintų skolas, vėl investuotų į augimą ir grąžintų savininkams.
„Small Data Hack # 2“ - produkto matricos analizė
Produkto matricos analizė - tai būdas ieškoti konkrečių klientų arba klientų segmentų ir palyginti kiekvieno produkto pardavimus pagal produktus (arba produktų kategorijas). Jame pateikiamas kiekvieno kliento pajamų, gautų iš skirtingų produktų ir paslaugų, plotis.
Paprastai tai yra efektyviausia pradėti daugiau apibendrintų lygių ir išsamiau išnagrinėti, kaip rodo duomenys ir analizės.
Produkto matricos analizė yra galingiausia, kai ji atliekama naudojant šiuos matmenis:
- Klientas - pardavimas
- Kliento pajamos
- Klientas - bendrasis pelnas
- Rinkos ar verslo segmentas
- Geografija
- Industrija
Toliau pateiktose lentelėse pateikiamas pavyzdys, kaip jums padėti:
| Pardavimų pajamos klientams | |
| Klientas | Pajamos |
| Acme | $ 35,000 |
| ACX | $ 23,600 |
| Bergstromas | $ 74,835 |
| Manilo SP | $ 126,959 |
| IŠ VISO | $ 260,394 |
Šioje pirmoje lentelėje pateikta informacija yra įdomi. Tačiau ji nesuteikia daug informacijos apie kiekvieno kliento pajamų sumą. Geriausia, jei tikėtina, kad jūs ir jūsų pardavimų komanda bus patenkinti „Manilo SP“ pajamų apimtimi ir tiesiog „pabandykite parduoti daugiau“ „Acme“ ir „ACX“.
Toliau pateiktoje lentelėje pateikiama išsamesnė ir naudingesnė tų pačių klientų nuomonė, naudojant produktų matricos analizės sąvokas.
| Produkto įsiskverbimo matrica (pagal pajamas) | |||||
| Klientas | A produktas | B produktas | C produktas | D produktas | IŠ VISO |
| Acme | $ 35,000 | $ nulinis | $ nulinis | $ nulinis | $ 35,000 |
| ACX | $ nulinis | $ nulinis | $ nulinis | $ 23,600 | $ 23,600 |
| Bergstromas | $ 12,500 | $ 19,325 | $ 1,350 | $ 41,660 | $ 74,835 |
| Manilo SP | $ 103,000 | $ 23, 009 | $ 950 | $ nulinis | $ 126,959 |
| IŠ VISO | $ 150,500 | $ 42,334 | $ 2,300 | $ 65,260 | $ 260,394 |
Šio produkto matricos analizės informacija tikriausiai lemtų skirtingas išvadas.
Pavyzdžiui, nors Manilo SP atrodė, kad turėtume būti patenkinti savo pajamomis (kai buvo naudojamos tik pardavimo pajamos iš pirmos lentelės), mes iš tikrųjų neturėtume patenkinti. Jie perka iš mūsų nedidelį kiekį C ir D produktų.
Taigi gaukite įsilaužimą
Dabar perskaitę apie šiuos du hack'us, iš karto gaukite mažų duomenų analizės.
Paimkite kitą valandą ar dvi, surinkite savo komandą ir nuspręskite savo įmonėje taikyti CVPM analizę ir produktų matricos analizę.
Jūs gausite pelną ir gausite pinigų srautus.
„Data Concept“ nuotrauka per „Shutterstock“
3 Pastabos ▼
