O comercio polo miúdo é unha das principais industrias que está a transformar a tecnoloxía AI e Analytics. Os comerciantes polo miúdo deben implicar a segmentación, a separación e a creación de perfís de diversos grupos de consumidores, mantendo ao día as tendencias da moda en constante evolución. Os xestores de categorías necesitan a información para ter unha comprensión detallada dos patróns de gasto, a demanda dos consumidores, os provedores e os mercados para desafiar como se adquiren e entregan bens e servizos.
Coa evolución tecnolóxica e os millennials que impulsan o cambio de comportamento do comprador no mercado, a industria do comercio polo miúdo debe ofrecer unha experiencia de usuario cohesionada. Isto pódese conseguir a través dunha estratexia omnicanal que ofreza un físico óptimo e digital presenza para clientes en todos os puntos de contacto.
A estratexia omnicanal solicita datos fiables
Isto resulta nunha forte demanda interna de información, análises, xestión innovadora e entrega de información excelente. A combinación de BI tradicional enlatada, combinada co autoservizo ad hoc é clave. Os equipos tradicionais de BI pasan moito tempo durante a entrega de almacenamento de datos e intelixencia empresarial no desenvolvemento e probas de información para garantir a precisión e fiabilidade. Non obstante, cando se implementa o novo proceso de entrega de información de ETL, esquemas estrela, informes e paneis, os equipos de asistencia non gastan moito tempo asegurándose de que se mantén a calidade dos datos. O impacto dos malos datos inclúe malas decisións comerciais, perdidas oportunidades, perdas de ingresos e produtividade e aumento dos gastos.
Debido á complexidade dos fluxos de datos, á cantidade de datos e á velocidade de creación de información, os venda polo miúdo enfróntanse a problemas de calidade dos datos causados pola entrada de datos e os retos ETL. Cando se utilizan cálculos complexos en bases de datos ou cadros de mandos, os datos incorrectos poden levar a celas en branco, valores cero inesperados ou incluso cálculos incorrectos, o que fai que a información sexa menos útil e poida que os xestores poidan dubidar da integridade da información. Para non simplificar demasiado o problema, pero se un xestor recibe un informe sobre a utilización do orzamento antes de que os números do orzamento se procesen oportunamente, o cálculo dos ingresos fronte ao orzamento producirá un erro.
Xestión de problemas de datos de forma proactiva
Os equipos de BI queren estar por diante da curva e recibir notificacións de calquera problema de datos antes de que se entregue información aos usuarios finais. Dado que a comprobación manual non é unha opción, un dos maiores venda polo miúdo deseñou un programa de garantía de calidade de datos (DQA) que comproba automaticamente os paneis e os informes flash antes entregado á dirección.
As ferramentas de programación como Control-M ou JobScheduler son ferramentas de orquestación de fluxo de traballo que se utilizan para iniciar informes e paneis de Cognos que se entregarán aos xestores de empresas. Os informes e os paneis entréganse en función de certos disparadores, como a conclusión dun proceso ETL ou en intervalos de tempo (cada hora). Co novo programa DQA, a ferramenta de programación solicita MotioCI para probar os datos antes da entrega. MotioCI é unha ferramenta de control de versións, implantación e probas automatizadas para Cognos Analytics que pode probar informes de problemas de datos como campos en branco, cálculos incorrectos ou valores cero non desexados.
Debido a que os cálculos en paneis e informes flash poden ser bastante complexos, non é factible probar todos os datos. Para solucionar este problema, o equipo de BI decidiu engadir unha páxina de validación aos informes. Esta páxina de validación enumera os datos críticos que hai que verificar antes de que a análise se entregue ás diferentes liñas de negocio. MotioCI só precisa probar a páxina de validación. Obviamente, a páxina de validación non debe incluírse na entrega aos usuarios finais. É só para fins internos de BICC. O mecanismo para crear só esta páxina de validación para MotioCI fíxose mediante solicitude intelixente: un parámetro controlaba a creación dos informes ou a creación da páxina de validación que MotioCI usaría para probar o informe.
Integrando Control-M, MotioCI, & Cognos Analytics
Outro aspecto complexo é a interacción entre a ferramenta de programación e MotioCI. O traballo programado só pode solicitar información, non pode recibir información. Polo tanto, MotioCI escribiría o estado das actividades de proba nunha táboa especial da súa base de datos que o programador faría frecuentemente ping. Exemplos de mensaxes de estado serían:
- "Volve máis tarde, aínda estou ocupado".
- "Atopei un problema".
- Ou cando pasa a proba, "Todo ben, envía a información analítica".
A última decisión de deseño intelixente foi dividir o proceso de verificación en traballos separados. O primeiro traballo só executaría a proba DQA dos datos analíticos. O segundo traballo provocaría que Cognos envíe os informes. A programación a nivel empresarial e as ferramentas de automatización de procesos úsanse para diferentes tarefas. Diariamente executa moitos traballos, non só para Cognos e non só para BI. Un equipo de operacións supervisaría continuamente os traballos. Un problema de datos, identificado por MotioCI, podería producir unha corrección. Pero dado que o tempo é fundamental no comercio polo miúdo, o equipo pode agora decidir enviar os informes sen realizar de novo toda a proba DQA.
Entregando a solución rapidamente
Iniciar un proxecto de calidade de datos no outono sempre vén cunha presión horaria moi alta: o venres negro asoma no horizonte. Dado que se trata dun período de ingresos elevados, a maioría das empresas de venda polo miúdo non queren aplicar cambios de TI para que poidan reducir o risco de interrupción da produción. Polo tanto, o equipo necesitaba entregar os resultados na produción antes deste conxelamento de TI. Para garantir ao equipo de varias zonas horarias do cliente, Motio e o noso socio offshore, Quanam, cumpriron os seus prazos. Unha estratexia áxil con stand-up diarios deu lugar ao proxecto que deu resultados máis rápido do previsto. Todos os procesos de garantía da calidade dos datos implementáronse nun prazo de 7 semanas e empregaron só o 80% do orzamento asignado. O amplo coñecemento e un enfoque “práctico” que foron un factor impulsor do éxito deste proxecto.
A análise é clave para os xestores de venda polo miúdo durante as vacacións. Ao garantir que a información se comprobou e verificou automaticamente, o noso cliente realizou un paso máis para seguir ofrecendo aos seus clientes produtos de alta calidade e de moda a prezos accesibles.