Как неверно истолкованные цифры могут привести к ошибкам в бизнесе.

Ошибки анализа данных в ресторанном бизнесе могут стать причиной серьезных убытков и упущенных возможностей. Неверные прогнозы спроса, неэффективное управление запасами, ошибочные маркетинговые стратегии и неправильное распределение ресурсов — всё это напрямую влияет на прибыль и репутацию заведения. Избегать таких ошибок крайне важно, чтобы повысить эффективность операций, удовлетворить потребности клиентов и обеспечить устойчивое развитие бизнеса в условиях высокой конкуренции.

Работая в проектах по всей стране, мы видим различные подходы к аналитике данных и формированию решений по ним. Часто встречаемся с кейсами, когда система аналитики построена неэффективно и получаемые результаты не отражают реальной ситуации. 

В этой статье рассмотрим основные ошибки анализа данных и как их избежать.

Ошибки анализа данных можно разделить на три основных типа:

1. Ошибки подготовки данных

2. Ошибки проведения анализа

3. Ошибки формирования выводов

1. Ошибки подготовки данных

При проведении аналитики первостепенное значение имеет корректность данных. Важно на этапе подготовки убедиться, что изучаемые данные достоверны, иначе весь анализ будет лишен смысла и может привести к некорректным выводам.

Так, например, если мы анализируем показатели выручки и гостепотока по залу, важно проверить, что в нашу аналитику не попадают подразделения доставки и выноса, которые исказят показатели.

Пример № 1. Пример некорректной настройки столов

Рассмотрим пример. В таблице приведен пример отчета “Поток чеков” из аналитической платформы Mozg с группировками подразделение, зал, стол. В этом отчете очень удобно отследить, если стол относится к некорректному подразделению. В этом примере столы выноса попадают в доставку, т.е. при аналитики выручки по доставке мы увидим также величину выручки выноса, что естественно будет неверно. Таким образом, очень важно убедиться, что данные, которые подвергаются  анализу являются достоверными и аналитичными.

Рассмотрим другой пример ошибки подготовки данных.

Пример № 1. Пример некорректной настройки порционного коэффициента

В таблице можно увидеть отчет “АВС-анализ”, для примера рассмотрим только две позиции из ассортимента. Можно обратить внимание, что обеим позициям присвоен одинаковый порционный коэффициент (ПК) – 1, несмотря на то, что объем напитка сильно различается. Это исказит аналитику наполняемости заказа напитками и станет невозможным корректно оценить реальное количество порций на гостя.

При аналитике наполняемости очень важно уделить время настройке корректных ПК, со стандартными значениями можно ознакомиться по ссылке.

2. Ошибки проведения анализа

Верно подготовленные данные еще не гарантируют, что анализ данных будет корректным. Важно использовать подходящие методы анализа, которые соответствуют его целям.
Рассмотрим кейс сравнения выручки и количества заказов по итогам февраля в 2024 и 2023 году.

При работе с аналитикой важно понимать, какие данные мы сравниваем. В приведенном примера анализа учтена сезонность, т.е. данные одного года сравниваются с сопоставимым месяцем другого и казалось бы все корректно. Однако, в кейсе не учтен неочевидный момент – в феврале 2024 года 29 дней, так как год високосный. Соответственно мы сравниваем выручку за 28 и 29 дней, что некорректно. На самом деле реальный рост выручки составил не 13%, как мы видим в отчете “Поток чеков”, а 10%. Поэтому очень важно выбирать верный период для сравнения.

3. Ошибки формирования выводов

Для формирования ошибок в выводах есть бесконечных простор для творчества. Чтобы их избежать необходимо использовать критическое мышление и причинно-следственные связи.

Рассмотрим кейс с аналитикой по показателю выручки.

Если глубоко не погружаться в данные, то можно увидеть, что выручка приросла к прошлому году на 3,5% и сделать вывод, что в целом это неплохой результат. Однако, важно разобраться, что стало причиной роста – в отчете видно, что рост выручки связан с ростом среднего чека на 10%, а гостепоток снизился на 7,5%. Если учесть эти показатели, то наши выводы и решения будут совсем другими.
Не всегда можно четко отнести ошибку аналитике в определенную категорию, они бывают комплексные.

Рассмотрим кейс:

Пример № 5. Пример некорректного анализа гостепотока

На графике приведен отчет “Динамики” по количеству гостей за 4 месяца. Мы видим, что тренд положительный, показатели LFL начиная с июня выше 26%. Казалось бы можно сделать вывод, что гостепоток стабильно растет. Однако, в этом кейсе не учтено, что в 23 года не была налажена система контроля корректного внесения количества гостей в заказ. Таким образом, в этом кейсе объединяются все рассмотренные нами типы ошибок: изначально используются некорректные данные, с учетом некорректности данных выбран неправильный метод анализа, формируются некорректные выводы.

Безусловно, это только часть возможных ошибок. Можно выделить большое количество других примеров. Для того, чтобы максимально оградить себя от ошибок аналитики рекомендуем составить чек-листа проверки аналитики для всех типов ошибок. Его можно регулярно пополнять, исходя из возможных ошибок, которые вы отметили в своем проекте. Для начала можно внести в него пункты, рассмотренные в статье и совершенствовать в дальнейшем.