Big Data i detaljhandelns tjänst

Hur återförsäljare använder big data för att förbättra personaliseringen i tre nyckelaspekter för köparen – sortiment, erbjudande och leverans, berättat i Umbrella IT

I slutet av 1990-talet insåg entreprenörer från alla samhällsskikt att data är en värdefull resurs som, om den används på rätt sätt, kan bli ett kraftfullt verktyg för påverkan. Problemet var att datamängden ökade exponentiellt, och metoderna för att bearbeta och analysera information som fanns på den tiden var inte tillräckligt effektiva.

På 2000-talet tog tekniken ett kvantsprång. Det har dykt upp skalbara lösningar på marknaden som kan bearbeta ostrukturerad information, klara av hög arbetsbelastning, bygga logiska kopplingar och översätta kaotisk data till ett tolkbart format som kan förstås av en person.

Idag ingår big data i ett av de nio områdena i programmet Digital Economy of the Russian Federation, som upptar de översta linjerna i företagens betyg och kostnadsposter. De största investeringarna i big data-teknik görs av företag från handels-, finans- och telekommunikationssektorerna.

Om 10-20 år kommer big data att bli det huvudsakliga kapitaliseringsmedlet och kommer att spela en roll i samhället som är jämförbar i betydelse för kraftindustrin, säger analytiker.

Dagens shoppare är inte längre en ansiktslös mängd statistik, utan väldefinierade individer med unika egenskaper och behov. De är selektiva och kommer att byta till en konkurrents varumärke utan att ångra sig om deras erbjudande verkar mer attraktivt. Det är därför återförsäljare använder big data, vilket gör att de kan interagera med kunder på ett målinriktat och korrekt sätt, med fokus på principen om "en unik konsument - en unik tjänst."

1. Personligt sortiment och effektiv användning av utrymmet

I de flesta fall sker det slutliga beslutet "att köpa eller inte köpa" redan i butiken nära hyllan med varor. Enligt Nielsens statistik lägger köparen bara 15 sekunder på att leta efter rätt produkt på hyllan. Det betyder att det är mycket viktigt för en verksamhet att leverera det optimala sortimentet till en viss butik och presentera det korrekt. För att sortimentet ska möta efterfrågan, och displayen ska främja försäljningen, är det nödvändigt att studera olika kategorier av big data:

• lokal demografi,
• soliditet,
• köpuppfattning,
• köp av lojalitetsprogram och mycket mer.

Att till exempel bedöma frekvensen av köp av en viss kategori av varor och mäta en köpares "växlingsbarhet" från en produkt till en annan kommer att hjälpa till att omedelbart förstå vilken artikel som säljer bättre, vilket är överflödigt, och därför mer rationellt omfördela kontanter resurser och planera butiksyta.

En separat riktning i utvecklingen av lösningar baserade på big data är effektiv användning av utrymmet. Det är data, och inte intuition, som merchandisers nu förlitar sig på när de lägger ut varor.

I X5 Retail Groups stormarknader genereras produktlayouter automatiskt, med hänsyn till egenskaperna hos detaljhandelsutrustning, kundpreferenser, data om historiken för försäljning av vissa kategorier av varor och andra faktorer.

Samtidigt övervakas korrektheten av layouten och antalet varor på hyllan i realtid: videoanalys och datorseendeteknik analyserar videoströmmen som kommer från kamerorna och markerar händelser enligt de angivna parametrarna. Till exempel kommer butiksanställda att få en signal om att burkar med konserverade ärter ligger på fel ställe eller att kondenserad mjölk har tagit slut på hyllorna.

2. Personligt erbjudande

Personalisering för konsumenter är en prioritet: enligt forskning av Edelman och Accenture är 80 % av köparna mer benägna att köpa en produkt om en återförsäljare ger ett personligt erbjudande eller ger rabatt; dessutom tvekar 48 % av de tillfrågade inte att gå till konkurrenter om produktrekommendationerna inte är korrekta och inte uppfyller behoven.

För att möta kundernas förväntningar implementerar återförsäljare aktivt IT-lösningar och analysverktyg som samlar in, strukturerar och analyserar kunddata för att hjälpa till att förstå konsumenten och föra interaktion till en personlig nivå. Ett av de populära formaten bland köpare - avsnittet med produktrekommendationer "du kanske är intresserad" och "köp med den här produkten" - bildas också baserat på analys av tidigare köp och preferenser.

Amazon genererar dessa rekommendationer med hjälp av kollaborativa filtreringsalgoritmer (en rekommendationsmetod som använder de kända inställningarna för en grupp användare för att förutsäga en annan användares okända inställningar). Enligt företagsrepresentanter beror 30 % av all försäljning på Amazons rekommendatorsystem.

3. Personlig leverans

Det är viktigt för en modern köpare att få den önskade produkten snabbt, oavsett om det är leveransen av en beställning från en onlinebutik eller ankomsten av de önskade produkterna på stormarknadens hyllor. Men enbart hastighet räcker inte: idag levereras allt snabbt. Det individuella förhållningssättet är också värdefullt.

De flesta stora återförsäljare och transportörer har fordon utrustade med många sensorer och RFID-taggar (används för att identifiera och spåra varor), från vilka enorma mängder information tas emot: data om den aktuella platsen, lastens storlek och vikt, trafikstockningar, väderförhållanden och även förarens beteende.

Analysen av dessa data hjälper inte bara till att skapa det mest ekonomiska och snabbaste spåret av rutten i realtid, utan säkerställer också transparensen i leveransprocessen för köpare, som har möjlighet att spåra framstegen för sin beställning.

Leveransanpassning är en nyckelfaktor för köparen i "sista milen". En återförsäljare som kombinerar kund- och logistikdata i det strategiska beslutsstadiet kommer att snabbt kunna erbjuda kunden att hämta varorna från utfärdandet, där det blir snabbast och billigast att leverera det. Erbjudandet att ta emot varorna samma dag eller nästa, tillsammans med en rabatt på leverans, kommer att uppmuntra kunden att åka även till andra änden av staden.

Amazon gick som vanligt före konkurrenterna genom att patentera prediktiv logistikteknik som drivs av prediktiv analys. Summan av kardemumman är att återförsäljaren samlar in data:

• om användarens tidigare köp,
• om produkterna som lagts till i kundvagnen,
• om produkter som lagts till på önskelistan,
• om markörrörelser.

Maskininlärningsalgoritmer analyserar denna information och förutsäger vilken produkt kunden med största sannolikhet kommer att köpa. Varan skickas sedan via billigare standardfrakt till fraktnav närmast användaren.

Den moderna köparen är redo att betala för ett individuellt tillvägagångssätt och en unik upplevelse två gånger – med pengar och information. Att tillhandahålla rätt servicenivå, med hänsyn till kundernas personliga preferenser, är endast möjligt med hjälp av big data. Medan branschledare skapar hela strukturella enheter för att arbeta med projekt inom området big data, satsar små och medelstora företag på boxade lösningar. Men det gemensamma målet är att bygga en korrekt konsumentprofil, förstå konsumenternas smärtor och fastställa vilka triggers som påverkar köpbeslutet, lyfta fram köplistorna och skapa en heltäckande personlig service som kommer att uppmuntra köp mer och mer.