Digital Transformation Tour

Transcript

1 Digital Transformation Tour Padova, 30 maggio 2017

2 Agenda Il Gruppo Poli Le differenze inventariali Loss prevention Il datawarehouse clienti 2

3 IL GRUPPO POLI La nostra storia

4 Un Azienda di famiglia fondata nel 1938 da Beniamino e Giuseppe Poli che iniziarono come mezzadri nel settore agricolo da sempre orientata allo sviluppo e al miglioramento 4

5 La nostra missione Perseguire la completa soddisfazione del nostro Cliente offrendo prodotti e servizi di qualità a prezzi convenienti, attraverso punti vendita di dimensioni medio-grandi Creare un servizio per la comunità raggiungendo anche i clienti più lontani sviluppando efficacemente i nostri negozi e la loro diffusione sul territorio 5

6 IL GRUPPO POLI Come siamo oggi

7 Una crescita consolidata nel tempo 8 società di cui 4 controllate 69 punti vendita 86 mila mq di superficie di vendita 66 mila articoli sui nostri scaffali 20,5 milioni di scontrini emessi all anno 300 mila Clienti serviti ogni settimana Oltre 515 milioni di euro di vendite lorde Dati aggiornati al 2016 Fonte: Controllo di Gestione Seven 7

8 La nostra attività nel mondo della GDO è focalizzata sul dettaglio alimentare, bazar, e ingrosso rivolto alla Clientela professionale Supermercati medio-grandi, dal format moderno, con assortimenti completi ed alto livello di servizio Formato dei negozi di ridotte dimensioni che sviluppano un servizio di vicinato; più concentrati attorno al concetto della spesa piccola Maxi-formato dei negozi oltre i 2,5mila mq che accolgono assortimenti molto vasti, linee prezzi differenziate e importanti spazi promozionali; prezzi orientati alla politica EDLP Supermercati di convenienza; assortimenti orientati alle esigenze locali, presenza di multi-pack e posizionamento prezzi più basso rispetto al mercato Magazzini medio-grandi focalizzati sui principali settori del non alimentare Cash&Carry per la vendita nel settore ingrosso in provincia di Trento 8

9 La rete di vendita Poli 18 PUNTI VENDITA IN ALTO ADIGE Bolzano (7) Appiano Egna Merano (3) Rio Pusteria Bressanone Laives San Giacomo Lana Vipiteno 33 PUNTI VENDITA IN TRENTINO Trento (7 di cui 1 iper)gardolo (2) Lavis Mattarello Pergine Valsugana (2) Caldonazzo Levico Terme Borgo Valsugana Predazzo Ziano di Fiemme Dimaro Cles (2) Malè Rovereto (3) Mori Villa Lagarina Ala Arco Riva Storo Ponte Arche Spiazzo 9

10 La rete di vendita Regina 2 PUNTI VENDITA in ALTO ADIGE Bressanone Bolzano 8 PUNTI VENDITA in TRENTINO Trento Gardolo Pergine Valsugana Ziano di Fiemme Cles Mori Arco Rovereto 1 PUNTO VENDITA FUORI REGIONE Sona (VR) 10

11 La rete di vendita Orvea 6 PUNTI VENDITA in TRENTINO Mezzolombardo Trento, San Pio X Civezzano Rovereto Sarche Arco 2 PUNTI VENDITA FUORI REGIONE Orvea di Affi, via Pascoli IperOrvea di Affi, località Canove 11

12 Le quote di mercato provinciali Siamo il primo attore in Trentino ed il secondo attore in Alto Adige Provincia di Trento Fonte: Nielsen potenziale IS LCC Servizio GNLC edizione 01/07/2016 ALTRI 2,46 CONAD 9,54 DESPAR 9,11 GRUPPO POLI 45,41 COOP 33,48 CONAD 19,98 Provincia di Bolzano Fonte: Nielsen potenziale IS LCC Servizio GNLC edizione 01/07/2016 POLI 20,45 ALTRI 0,45 COOP 1,16 DESPAR 57,96 12

13 Le quote di mercato regionali Il nostro obiettivo è consolidare le quote di mercato mediante una politica di sviluppo ragionata Quote regionali secondo Nielsen Fonte: Nielsen potenziale IS LCC Servizio GNLC edizione 01/07/2016 ALTRI 1,52 GRUPPO POLI 33,70 CONAD 14,44 COOP 18,32 DESPAR 32,02 In Veneto con i 2 pdv Orvea abbiamo il 2,12% della quota regionale 13

14 Le nostre alleanze: Agorà Network Medie aziende italiane, forti sul proprio territorio di origine, che vogliono continuare ad essere protagoniste del mercato, durare nel tempo, sviluppando un prodotto distributivo di qualità 14

15 Il contesto di riferimento Deflazione Impossibilità di trasferire gli aumenti di listino dei fornitori ai clienti Aumenta il peso delle vendite in offerta Contrazione dei margini 15

16 Le differenze inventariali 16

17 Le differenze inventariali Gli obiettivi Conoscere il fenomeno Misurare il valore Coinvolgere le funzioni aziendali interessate Recuperare la parte eccedente di costi Dotarsi di uno strumento efficace 17

18 Le differenze inventariali Il progetto E stata avviata una collaborazione con DGM Consulting per identificare le variabili previsionali che possono aver impatto sul gettato e la creazione di cluster omogenei di pdv Tramite lo strumento statistico SPSS è stato creato un prototipo su di un pdv e su di una categoria per il calcolo del gettato standard Con ITReview utilizzando lo strumento R (open) e QlikView, abbiamo implementato il modello per tutti i pdv e per tutte le categorie del fresco self 18

19 Le differenze inventariali 1 Quali sono le VARIABILI PREVISIONALI che possono avere IMPATTO sul livello di GETTATO PREVISTO, e che sono state utilizzate per la definizione del livello di gettato obiettivo LEGATE AL FENOMENO DEL GETTATO LEGATE AD ALTRI PROCESSI OPERATIVI LEGATE A SCELTE STRUTTURALI DEL PDV Nr. bolloni Differenza inventariale (gettato non noto) Venduto % scontrini reparto vs pdv Nr. referenze per segmento Nr. medio pezzi/collo Giorni di apertura Ore lavorate nel reparto Cooperativa rifornimento Numero dipendenti Anzianità anagrafica > media Anzianità aziendale > media Capacità scaffale Stagionalità Metri quadri Provincia Presenza in centro commerciale 19

20 Le differenze inventariali 2 Quali sono le MODALITÀ di DEFINIZIONE dei CLUSTER che permettono di ISOLARE DINAMICHE OMOGENEE dimensione territoriale insegna dimensione prodotto dimensione temporale sotto-categoria trimestre CONFRONTO e DEFINIZIONE del grado di GETTATO STANDARD tra punti vendita appartenenti alla STESSA INSEGNA, tra prodotti appartenenti alla MEDESIMA SOTTO-CATEGORIA e nello STESSO TRIMESTRE. 20

21 Le differenze inventariali I risultati ottenuti Disponibilità del gettato previsionale per tutti i pdv e per tutte le categorie del fresco self con la possibilità di aggregare per insegna e dettagliare per segmento le informazioni Visione delle informazioni sia da sede che da punto di vendita con lo scostamento tra il dato previsionale e il dato consuntivo Totale autonomia nell utilizzo dello strumento con possibilità di lanciare più volte il calcolo. 21

22 La vista di sede 22

23 La vista di punto vendita 23

24 Loss prevention 24

25 Loss prevention Gli obiettivi Contrastare le possibili frodi nel mondo barriera casse Demandare al sistema il compito di far emergere possibili comportamenti fraudolenti dei nostri collaboratori Ridurre al minimo i tempi di analisi 25

26 Loss prevention Il progetto E stata avviata una collaborazione con Retex (fornitore applicativo sistema di casse) per identificare i kpi da analizzare ITReview ha sviluppato gli algoritmi di calcolo per far emergere eventuali comportamenti fraudolenti dei nostri collaboratori E stato creato un cruscotto di sintesi in Qlik dei maggiori indicatori con l obiettivo di avere un quadro generale per punto di vendita e per singolo operatore 26

27 Loss prevention I risultati ottenuti Visione generale di tutti i kpi potendoli valutare congiuntamente per differenti punti di vendita/operatori Evidenziazioni dei pdv/operatori che sono fuori soglia Massima autonomia nel modificare l intervallo di confidenza per singolo contatore Possibilità di visionare lo scontrino incriminato Disponibilità dell informazione il giorno seguente 27

28 Alcuni esempi di dashboard 28

29 Datawarehouse clienti 29

30 Datawarehouse clienti Gli obiettivi Creare un datawarehouse clienti interno, che ci permetta di avere la disponibilità del dato al giorno precedente Migliorare le performance di consultazione ed elaborazione delle informazioni Sfruttare le potenzialità del software QlikView anche per l area Marketing Ridurre i costi di gestione 30

31 Datawarehouse clienti Il progetto E stata avviata una collaborazione con Retex per identificare le informazioni da recuperare Aperto un vero e proprio tavolo di lavoro con ITReview per analizzare insieme le informazione, cercando di ottenere il massimo risultato nelle prestazioni con il minor investimento in termini di hardware e software 31

32 Datawarehouse clienti Alcuni Numeri righe, colonne 512 GB di RAM a disposizione, ¼ dell intera infrastruttura Seven. 4 ore di elaborazione notturna 30 mesi sempre in linea 32

33 Datawarehouse clienti I risultati Informazione disponibile alle ore 7 del mattino Possibilità di avere sempre in linea 30 mesi Analisi di geomarketing Totale autonomia nella gestione delle informazioni per soddisfare le esigenze di tutte le funzioni aziendali 33

34 «Non sempre cambiare equivale a migliorare, ma per migliorare bisogna cambiare» Winston Churchill ( ; storico e statista britannico)