Платежная система как инструмент повышения эффективности сбытовой деятельности электронного магазина

 
 Среди таковых магазинов электронные  деньги к оплате из 93-х принимают 79, что составляет 85%. Таким образом, электронные магазины, если внедряют электронные способы оплаты, то стараются внедрить и кредитные платежные системы и дебетовые.

Далее посмотрим, какова доля платежей с помощью электронных  денег в электронных платежах.

 

	_ELECTROMON
Mean	44.33750
Median	46.00000
Maximum	70.00000
Minimum	21.00000
Std. Dev.	10.55899
Skewness	-0.287170
Kurtosis	2.854399
Jarque-Bera	1.170222
Probability	0.557044
Sum	3547.000
Sum Sq. Dev.	8807.888
Observations	80

 

Итак, в среднем таким  образом оплачивается 44,34% платежей через платежные системы. Всего же, среди 116-ти магазинов, электронными деньгами оплачивается 16% покупок.

Теперь рассмотрим, каков  процент заказов музыкальных  инструментов и светового оборудования доставляется в регионы.

	_DSTREG
Mean	52.76724
Median	56.00000
Maximum	78.00000
Minimum	0.000000
Std. Dev.	13.99898
Skewness	-0.816573
Kurtosis	3.710539
Jarque-Bera	15.33150
Probability	0.000469
Sum	6121.000
Sum Sq. Dev.	22536.72
Observations	116

 

Итак, всего в регионы  доставляется 53% заказов. Если рассматривать только электронные магазины, внедрившие оплату с помощью платежных систем, то такие магазины доставляют за пределы Москвы, Санкт-Петербурга и окрестностей 57% заказов. Если исключить из рассмотрения магазины, не принимающие к оплате электронные деньги, то доля заказов доставляемых в регионы повышается до 59,25%, то есть почти достигает 60%, что целиком и полностью подтверждает выдвинутые выше тезисы.

Собственная служба доставки в регионы существует у 13-ти магазинов из 116-ти, что составляет 11% от общего числа. То есть 89% электронных магазинов предпочитают вынести процесс доставки на аутсорсинг, надеясь сэкономить на масштабах. Стоит отметить тот факт, что все 13 электронных магазинов, доставляющих товары в регионы собственными силами, внедрили как электронные способы оплаты, так и прием электронных денег.

И теперь ключевой вопрос – количество дней, которое затрачивается  электронным магазином на доставку товара.

Mean	22.58621
Median	24.00000
Maximum	40.00000
Minimum	7.000000
Std. Dev.	6.353457
Skewness	-0.189235
Kurtosis	3.238456
Jarque-Bera	0.967157
Probability	0.616573
Sum	2620.000
Sum Sq. Dev.	4642.138
Observations	116

 
  Итак, в среднем электронным магазином на рынке музыкальных инструментов на доставку товара тратится 22,5 дня, однако, интереснее посмотреть, как изменятся показатели для магазинов с учетом ограничений – внедрения платежных систем и приема электронных денег.

 

	TDSR
Mean	21.25532
Median	23.00000
Maximum	31.00000
Minimum	7.000000
Std. Dev.	5.765929
Skewness	-0.604305
Kurtosis	2.522787
Jarque-Bera	6.613183
Probability	0.036641
Sum	1998.000
Sum Sq. Dev.	3091.872
Observations	94

 
 Итак, можно обратить внимание, что  среднее время доставки снизилось  более чем на сутки из-за исключения всего одной пятой магазинов. тЕперь посмотрим, как изменится  ситуация при исключении жлектронных  магазинов, не принимающих к оплате электронные деньги.

 

Mean	20.20000
Median	21.00000
Maximum	31.00000
Minimum	7.000000
Std. Dev.	5.549319
Skewness	-0.510618
Kurtosis	2.482680
Jarque-Bera	4.368479
Probability	0.112563
Sum	1616.000
Sum Sq. Dev.	2432.800
Observations	80

 
 Как мы видим, среднее значение доставки в регионы снизилось еще примерно на одни сутки. Таким образом, суммарно при внедрении всех способов оплаты можно предварительно заключить, что  общее время доставки в регионы  России снижается на 2,3 дня.

Теперь необходимо составить  регрессионную модель для того, чтобы  можно было количественно оценить  влияние каждого из факторов и  судить о статичтической осмысленности  наших заявлений. Однако, в начале нужно убедиться в отсутствии высокой корреляции между данными, то есть, сильного взаимного влияния статистик друг на друга.

 

	TDSR	OWNDST	ELECTROMONEY	ELECTROMETHODS	_PAYELECTRO	_ELECTROMON	_DSTREG
TDSR	1	0.03187832260627736	-0.5623048301398011	-0.4348745453153453	-0.3581654472217081	-0.4673641144070976	-0.4177784983587169
OWNDST	0.03187832260627736	1	0.2383193582251646	0.1718701584734334	0.275699572079524	0.2556593363733517	0.2353250874350451
ELECTROMONEY	-0.5623048301398011	0.2383193582251646	1	0.7211758195112716	0.7592049316557963	0.920392983899893	0.6933256664618635
ELECTROMETHODS	-0.4348745453153453	0.1718701584734334	0.7211758195112716	1	0.8408952110646167	0.6637651644364302	0.5930029276200573
_PAYELECTRO	-0.3581654472217081	0.275699572079524	0.7592049316557963	0.8408952110646167	1	0.7043228184530839	0.5542298357971652
_ELECTROMON	-0.4673641144070976	0.2556593363733517	0.920392983899893	0.6637651644364302	0.7043228184530839	1	0.7351589478721966
_DSTREG	-0.4177784983587169	0.2353250874350451	0.6933256664618635	0.5930029276200573	0.5542298357971652	0.7351589478721966	1

 
 Рассмотрим коррелограмму. Итак, можно  заметить, что высокие значения корреляции наблюдаются между двумя переменными  – между переменной внедрения  электронных способов оплаты и процентом  оплаты ими и переменной внедрения  оплаты с помощью электронных денег и процентом оплаты ими. В обоих случаях высокое значение корреляции логично, было бы странно отсутствие корреляции между этими переменными. Включать эти пары в регрессию единовременно не следует, однако, одновременное их включение не имеет смысловой оправданности.

Затем были опробованы несколько регрессионных  моделей. Сам процесс выбора из нескольких моделей не несет особенного интереса, поскольку была выбрана лучшая модель из рассмотренных. Обратимся к ней:

 

Dependent Variable: TDSR
Method: Least Squares
Date: 05/17/12   Time: 00:22
Sample: 1 116
Included observations: 116
Variable	Coefficient	Std. Error	t-Statistic	Prob.
OWNDST	3.526980	1.576486	2.237242	0.0272
ELECTROMETHODS	-0.987013	1.778403	-0.555000	0.5800
ELECTROMONEY	-7.658849	1.528605	-5.010351	0.0000
C	28.27273	1.109029	25.49323	0.0000
R-squared	0.347158	Mean dependent var		22.58621
Adjusted R-squared	0.329671	S.D. dependent var		6.353457
S.E. of regression	5.201807	Akaike info criterion		6.169763
Sum squared resid	3030.585	Schwarz criterion		6.264715
Log likelihood	-353.8463	Hannan-Quinn criter.		6.208308
F-statistic	19.85249	Durbin-Watson stat		1.878039
Prob(F-statistic)	0.000000

 
 Итак, в данной модели три регрессора, не включая константу. Следует отметить значимость каждого регрессора и  обоснованность включения его в  модель. Сама модель также является значимой. График распределения остатков подтверждает отсутствие в модели гетероскедастичности, что говорит о верно выбранной спецификации. Верная спецификация также была подтверждена соответствующими тестами.

Таким образом, можно сделать вывод, что внедрение электронных методов оплаты, судя по соответствующему коффициенту регрессионной модели, отрицательно влияет на среднее время доставки. То есть, при подключении соответствующих интерфейсов среднее время доставки товара в регионы снижается почти на один день. Подключение систем оплаты электронными деньгами влияет на эффективность сбытовой деятельности еще более явно: уменьшение среднего времени доставки в среднем на 7,6 дня.

Соответственно из регрессионной  модели можно сделать достаточно широкий спектр выводов. Во-первых, внедрение электронных способов оплаты позволяет значительно снизить издержки документооборота, поскольку компания получает необходимые отчеты автоматически, во-вторых, таким образом, снижаются затраты на персонал, в первую очередь административный. Два этих фактора при внедрении электронных методов оплаты позволяют направить высвободившиеся денежные средства в другом направлении – от предпродажных усовершенствований к постпродажным, в частности, к улучшению работы сбытовых отделений. В-третьих, выше неоднократно отмечалась очень значимая тенденция роста сектора электронной торговли за счет регионов. Данное исследование показало, что при отсутствии возможности самовывоза из московских и петербуржских отделений компаний, подключение платежных систем Интернета необходимо. Особенно необходжимо подключение дебетовых платежных систем, в частности, прием электронных денег, поскольку покупатель в регионах зачастую не обладает кредитной картой.

Также из данной регрессионной  модели следует еще один вывод: что  в целом передача систем сбыта на аутсорсинг в среднем сокращает время доставки на 3 дня, что говорит о том, что службы доставки, принадлежащие самим электронным магазинам еще крайне неэффективны. Следует признать также то, что передача данных функций специализированным логистическим компаниям является нормальной общемировой практикой и в России она также находит отражение. Однако, следует, конечно, отметить, что в развитых странах сроки доставки товара с помощью служб экспресс-доставки воздушным транспортом зачастую не превышают 48 часов. Конечно, необходимо обращать внимание на физико-географические особенности нашей страны, однако, отчественным службам доставки также необходимо совершенствовать свою деятельность