Veľké dáta v službách maloobchodu

Ako maloobchodníci používajú veľké dáta na zlepšenie personalizácie v troch kľúčových aspektoch pre kupujúceho – sortiment, ponuka a dodávka, povedal Umbrella IT

Koncom 1990. rokov si podnikatelia zo všetkých oblastí života uvedomili, že údaje sú cenným zdrojom, ktorý sa pri správnom používaní môže stať silným nástrojom ovplyvňovania. Problém bol v tom, že objem údajov sa exponenciálne zvyšoval a metódy spracovania a analýzy informácií, ktoré v tom čase existovali, neboli dostatočne efektívne.

V roku 2000 technológia urobila kvantový skok. Na trhu sa objavili škálovateľné riešenia, ktoré dokážu spracovať neštruktúrované informácie, poradiť si s vysokým pracovným zaťažením, vybudovať logické prepojenia a preložiť chaotické dáta do interpretovateľného formátu, ktorému človek rozumie.

Dnes sú veľké dáta zahrnuté v jednej z deviatich oblastí programu Digitálna ekonomika Ruskej federácie a obsadzujú popredné priečky v hodnotení a nákladových položkách spoločností. Najväčšie investície do veľkých dátových technológií majú spoločnosti z obchodného, ​​finančného a telekomunikačného sektora.

O 10 až 20 rokov sa veľké dáta stanú hlavným prostriedkom kapitalizácie a budú hrať v spoločnosti úlohu porovnateľnú s významom energetiky, tvrdia analytici.

Dnešní nakupujúci už nie sú anonymnou masou štatistík, ale presne definovanými jednotlivcami s jedinečnými vlastnosťami a potrebami. Sú selektívni a bez ľútosti prejdú ku konkurenčnej značke, ak sa im ich ponuka zdá atraktívnejšia. To je dôvod, prečo maloobchodníci používajú veľké dáta, ktoré im umožňujú komunikovať so zákazníkmi cieleným a presným spôsobom so zameraním na princíp „jedinečný spotrebiteľ – jedinečná služba“.

1. Personalizovaný sortiment a efektívne využitie priestoru

Vo väčšine prípadov sa konečné rozhodnutie „kúpiť alebo nekúpiť“ uskutoční už v predajni pri regáli s tovarom. Podľa štatistík Nielsen strávi kupujúci hľadaním správneho produktu v regáli iba 15 sekúnd. To znamená, že pre podnik je veľmi dôležité dodávať optimálny sortiment do konkrétnej predajne a správne ho prezentovať. Aby sortiment vyhovoval dopytu a zobrazovanie podporovalo predaj, je potrebné študovať rôzne kategórie veľkých dát:

• miestna demografia,
• solventnosť,
• nákupné vnímanie,
• nákupy vo vernostnom programe a oveľa viac.

Napríklad posúdenie frekvencie nákupov určitej kategórie tovaru a meranie „prepínateľnosti“ kupujúceho z jedného produktu na druhý pomôže okamžite pochopiť, ktorá položka sa predáva lepšie, ktorá je nadbytočná, a preto racionálnejšie prerozdeľovať hotovosť. zdroje a plán skladových priestorov.

Samostatným smerom vo vývoji riešení založených na veľkých dátach je efektívne využitie priestoru. Sú to údaje, a nie intuícia, na ktoré sa teraz obchodníci spoliehajú pri skladaní tovaru.

V hypermarketoch X5 Retail Group sa produktové rozloženia generujú automaticky s prihliadnutím na vlastnosti maloobchodných zariadení, preferencie zákazníkov, údaje o histórii predaja určitých kategórií tovaru a ďalšie faktory.

Zároveň sa v reálnom čase monitoruje správnosť rozloženia a počet tovarov na polici: video analytika a technológie počítačového videnia analyzujú video stream prichádzajúci z kamier a zvýrazňujú udalosti podľa zadaných parametrov. Zamestnanci predajne dostanú napríklad signál, že tégliky s hrachovou konzervou sú na nesprávnom mieste alebo že v regáloch došlo kondenzované mlieko.

2. Personalizovaná ponuka

Personalizácia pre spotrebiteľov je prioritou: podľa výskumu spoločností Edelman a Accenture si 80 % kupujúcich s väčšou pravdepodobnosťou kúpi produkt, ak predajca predloží personalizovanú ponuku alebo poskytne zľavu; navyše 48 % respondentov neváha prejsť ku konkurencii, ak odporúčania produktov nie sú presné a nezodpovedajú potrebám.

Aby maloobchodníci splnili očakávania zákazníkov, aktívne implementujú IT riešenia a analytické nástroje, ktoré zhromažďujú, štruktúrujú a analyzujú údaje o zákazníkoch, aby pomohli porozumieť spotrebiteľovi a preniesli interakciu na osobnú úroveň. Jeden z obľúbených formátov medzi kupujúcimi – sekcia odporúčaní produktov „môžete mať záujem“ a „kúpte s týmto produktom“ – je tiež vytvorená na základe analýzy minulých nákupov a preferencií.

Amazon generuje tieto odporúčania pomocou kolaboratívnych filtrovacích algoritmov (metóda odporúčaní, ktorá využíva známe preferencie skupiny používateľov na predpovedanie neznámych preferencií iného používateľa). Podľa predstaviteľov spoločnosti 30 % všetkých predajov pripadá na systém odporúčaní Amazonu.

3. Personalizované doručenie

Pre moderného kupujúceho je dôležité, aby rýchlo dostal požadovaný produkt, bez ohľadu na to, či ide o doručenie objednávky z internetového obchodu alebo príchod požadovaných produktov na regály supermarketov. Samotná rýchlosť však nestačí: dnes sa všetko dodáva rýchlo. Cenný je aj individuálny prístup.

Väčšina veľkých predajcov a prepravcov má vozidlá vybavené mnohými senzormi a RFID štítkami (používanými na identifikáciu a sledovanie tovaru), z ktorých sa získavajú obrovské množstvá informácií: údaje o aktuálnej polohe, veľkosti a hmotnosti nákladu, dopravných zápchach, poveternostných podmienkach. a dokonca aj správanie vodiča.

Analýza týchto údajov pomáha nielen vytvárať najhospodárnejšie a najrýchlejšie sledovanie trasy v reálnom čase, ale zabezpečuje aj transparentnosť doručovacieho procesu pre kupujúcich, ktorí majú možnosť sledovať priebeh svojej objednávky.

Personalizácia dodávky je kľúčovým faktorom pre kupujúceho vo fáze „poslednej míle“. Maloobchodník, ktorý vo fáze strategického rozhodovania kombinuje zákaznícke a logistické dáta, bude schopný klientovi promptne ponúknuť vyzdvihnutie tovaru na výdajnom mieste, kde ho najrýchlejšie a najlacnejšie doručí. Ponuka odberu tovaru v ten istý alebo nasledujúci deň spolu so zľavou na dobierku povzbudí klienta ísť hoci aj na druhý koniec mesta.

Amazon, ako obvykle, predbehol konkurenciu patentovaním technológie prediktívnej logistiky založenej na prediktívnej analýze. Pointa je, že maloobchodník zhromažďuje údaje:

• o minulých nákupoch používateľa,
• o produktoch pridaných do košíka,
• o produktoch pridaných do zoznamu želaní,
• o pohyboch kurzora.

Algoritmy strojového učenia analyzujú tieto informácie a predpovedajú, ktorý produkt si zákazník s najväčšou pravdepodobnosťou kúpi. Položka je potom odoslaná lacnejšou štandardnou dopravou do prepravného centra najbližšieho k používateľovi.

Moderný kupujúci je pripravený zaplatiť za individuálny prístup a jedinečný zážitok dvakrát – peniazmi a informáciami. Poskytovanie správnej úrovne služieb s prihliadnutím na osobné preferencie zákazníkov je možné len s pomocou veľkých dát. Kým priemyselní lídri vytvárajú celé štrukturálne celky na prácu s projektmi v oblasti veľkých dát, malé a stredné podniky vsádzajú na krabicové riešenia. Spoločným cieľom je však vytvoriť presný profil spotrebiteľa, porozumieť bolestiam spotrebiteľov a určiť spúšťače, ktoré ovplyvňujú nákupné rozhodnutie, zvýrazniť nákupné zoznamy a vytvoriť komplexnú personalizovanú službu, ktorá bude stále viac podporovať nákup.