Big Data на службі роздрібної торгівлі

Як рітейлери використовують великі дані для покращення персоналізації в трьох ключових для покупця аспектах – асортимент, пропозиція та доставка, розповіли в Umbrella IT

Наприкінці 1990-х років підприємці з усіх верств суспільства усвідомили, що дані є цінним ресурсом, який за належного використання може стати потужним інструментом впливу. Проблема полягала в тому, що обсяг даних зростав експоненціально, а методи обробки та аналізу інформації, які існували на той час, були недостатньо ефективними.

У 2000-х роках технології зробили значний стрибок. На ринку з'явилися масштабовані рішення, які можуть обробляти неструктуровану інформацію, справлятися з великими робочими навантаженнями, будувати логічні зв'язки і переводити хаотичні дані в інтерпретований формат, зрозумілий людині.

Сьогодні великі дані входять в один з дев'яти напрямків програми «Цифрова економіка РФ», займаючи верхні рядки в рейтингах і статтях витрат компаній. Найбільші інвестиції в технології великих даних роблять компанії торгового, фінансового та телекомунікаційного секторів.

Через 10-20 років великі дані стануть основним засобом капіталізації та відіграватимуть роль у суспільстві, порівнянну за важливістю з енергетикою, вважають аналітики.

Сучасні покупці – це вже не безлика маса статистики, а чітко визначені особи з унікальними характеристиками та потребами. Вони вибіркові і без жалю перейдуть на бренд конкурента, якщо їх пропозиція здасться більш привабливою. Саме тому рітейлери використовують великі дані, що дозволяє їм цілеспрямовано та точно взаємодіяти з клієнтами, орієнтуючись на принцип «унікальний споживач – унікальна послуга».

1. Індивідуальний асортимент та ефективне використання простору

У більшості випадків остаточне рішення «купувати чи не купувати» приймається вже в магазині біля полиці з товарами. За статистикою Nielsen, покупець витрачає лише 15 секунд на пошук потрібного товару на полиці. Це означає, що для бізнесу дуже важливо поставити в той чи інший магазин оптимальний асортимент і правильно його представити. Щоб асортимент відповідав попиту, а викладка сприяла продажам, необхідно вивчати різні категорії великих даних:

• місцева демографія,
• платоспроможність,
• купівельне сприйняття,
• покупки за програмою лояльності та багато іншого.

Наприклад, оцінка частоти покупок певної категорії товарів і вимірювання «переключаемости» покупця з одного товару на інший допоможе відразу зрозуміти, який товар краще продається, який зайвий, а отже, раціональніше перерозподілити готівку. ресурси та спланувати простір магазину.

Окремим напрямком розвитку рішень на основі великих даних є ефективне використання простору. Саме на дані, а не на інтуїцію, тепер покладаються мерчендайзери, викладаючи товари.

У гіпермаркетах X5 Retail Group товарні викладки формуються автоматично з урахуванням властивостей торгового обладнання, побажань клієнтів, даних про історію продажів окремих категорій товарів та інших факторів.

При цьому правильність викладки і кількість товару на полиці контролюється в режимі реального часу: відеоаналітика і технології комп'ютерного зору аналізують відеопотік, що йде з камер, і виділяють події за заданими параметрами. Наприклад, працівники магазину отримають сигнал про те, що банки з консервованим горошком знаходяться не в тому місці або що на полицях закінчилося згущене молоко.

2. Персональна пропозиція

Персоналізація для споживачів є пріоритетом: згідно з дослідженнями Edelman і Accenture, 80% покупців з більшою ймовірністю придбають продукт, якщо роздрібний продавець зробить персоналізовану пропозицію або надасть знижку; більше того, 48% респондентів без вагань звертаються до конкурентів, якщо рекомендації щодо продукту не точні та не відповідають потребам.

Щоб відповідати очікуванням клієнтів, роздрібні торговці активно впроваджують ІТ-рішення та інструменти аналітики, які збирають, структурують і аналізують дані клієнтів, щоб допомогти зрозуміти споживача та вивести взаємодію на особистий рівень. Один із популярних серед покупців форматів – розділ рекомендацій щодо товару «може вас зацікавити» та «купуйте з цим товаром» – також формується на основі аналізу минулих покупок та переваг.

Amazon генерує ці рекомендації за допомогою алгоритмів спільної фільтрації (метод рекомендацій, який використовує відомі переваги групи користувачів, щоб передбачити невідомі переваги іншого користувача). За словами представників компанії, 30% усіх продажів припадає на систему рекомендацій Amazon.

3. Індивідуальна доставка

Сучасному покупцеві важливо швидко отримати бажаний товар, незалежно від того, чи це доставка замовлення з інтернет-магазину, чи надходження потрібного товару на полиці супермаркету. Але однієї швидкості недостатньо: сьогодні все доставляється швидко. Також цінний індивідуальний підхід.

Більшість великих роздрібних торговців і перевізників мають транспортні засоби, оснащені безліччю датчиків і RFID-міток (використовуються для ідентифікації та відстеження товарів), з яких надходять величезні обсяги інформації: дані про поточне місцезнаходження, розмір і вагу вантажу, затори на дорогах, погодні умови. і навіть поведінку водія.

Аналіз цих даних не тільки допомагає створити найбільш економічний і швидкий маршрут маршруту в режимі реального часу, але й забезпечує прозорість процесу доставки для покупців, які мають можливість відстежувати хід виконання свого замовлення.

Персоналізація доставки є ключовим фактором для покупця на етапі «останньої милі». Ритейлер, який на етапі прийняття стратегічного рішення об’єднує клієнтські та логістичні дані, зможе оперативно запропонувати клієнту забрати товар з точки видачі, куди його доставити найшвидше та найдешевше. Пропозиція отримати товар в той же або наступного дня разом зі знижкою на доставку спонукає клієнта поїхати навіть на інший кінець міста.

Amazon, як завжди, випередив конкурентів, запатентувавши технологію прогнозної логістики на основі прогнозної аналітики. Суть полягає в тому, що роздрібний продавець збирає дані:

• про минулі покупки користувача,
• про товари, додані в кошик,
• про товари, додані в список бажань,
• про рухи курсору.

Алгоритми машинного навчання аналізують цю інформацію та передбачають, який продукт найімовірніше придбає клієнт. Потім товар доставляється за допомогою дешевшої стандартної доставки до найближчого до користувача центру доставки.

Сучасний покупець готовий платити за індивідуальний підхід і унікальний досвід двічі – грошима та інформацією. Забезпечення належного рівня обслуговування з урахуванням особистих уподобань клієнтів можливо лише за допомогою великих даних. Поки лідери галузі створюють цілі структурні підрозділи для роботи з проектами у сфері великих даних, малий і середній бізнес робить ставку на коробкові рішення. Але спільна мета полягає в тому, щоб побудувати точний профіль споживача, зрозуміти проблеми споживачів і визначити тригери, які впливають на рішення про покупку, висвітлити списки покупок і створити комплексну персоналізовану послугу, яка заохочуватиме купувати все більше і більше.