Big Data (большие данные) в ритейле. Как торговые сети могут поднимать свою прибыльность?

Описание

Руководитель компании "АйтиБутик" Дмитрий Прокопов и социолог Сергей Задумов поднимают тему больших данных в ритейле.

Простым языком о сложных технологиях бизнеса.

Имеет смысл начать с самого общего обзора для тех из наших зрителей, которые пока не знают, что такое Большие Данные.



Розничная торговля является, пожалуй, одной из наиболее востребованных областей в части анализа данных.



Актуальность определяется:

- огромным количеством покупателей с совершенно разными характеристиками. Массовой гетерогенной средой, в которой всегда нужно фиксировать сигналы и выявлять тренды;

- разнообразием представленных продуктовых предложений. Необходимо выбрать, оценить и расположить товары на прилавке. Виртуальном или реальном.

- принципиальной открытостью розничного рынка. Покупателей и продукты можно искусственно ограничить, но в этом случае вы идете вглубь анализа.

Именно тут проявляется взрывной характер использования "Big Data" в рознице.

Давайте вспомним, что именно с розничных банков, организаций по определению обладающих средствами и возможностями для развития ИТ был проложен путь к огромных массивов клиентских данных.

Розничная индустрия растет во всем мире, минимум на 3.5% в год. С учетом объема продаж это гигантские цифры.

А eCommerce растет аж на 15% в год.

В России, где все остальные индустрии в лучшем случае сохраняют экономический гомеостаз, розница чувствует себя очень хорошо.

До 2018 года рост был на уровне 10% и всё еще после почти трех десятков лет развития есть незаполненные ниши, как в части потребительских товаров, так и любых массовых услуг.

Розница – это в первую очередь количество транзакций и интерфейс массового обслуживания.

Соответственно, ключевую роль играет сохраненная транзакционная информация, профили клиентов, время, география и содержание покупок.

Правильная работа с данными позволяет:

1.Поднимать продажи, и чем больше разнообразных заявок, чем больше.


2.Сокращать операционные издержки.


3.Повышать лояльность покупателей.


4.Снижать репутационные риски.


Рассмотрим некоторые наиболее распространенные задачи Больших Данных в рознице.

1.Прогнозирование потребительского поведения покупателей.



Глядя на массив данных всегда можно выделить:

- покупателей с наибольшим оборотом и их половозрастные характеристики,

- проблемных потребителей с большим количеством претензионной работы,

- сезонные покупки неочевидных продуктов,

- географические предпочтения и многое другое.


2. Персонализация опыта покупателя.

Все точки продаж могут подстраиваться под потребителя в самом непосредственном смысле слова:

- выкладкой товара на витрине для каждого сегмента потребителя (компания BIC уже очень давно предлагает разные витрины web-портала для разных пользователей. Если вы из провинции, то у вас будут низкие цены. Если вы из крупного населенного пункта – более высокие. Но и другие продукты).

- демонстрация спецпредложений по рекомендациям (лучше всего это подходит для таких бизнесов, кстати растущих в России, как магазины инструментов. Непрофессионал должен расходовать время продавца-консультанта, но ему можно сразу порекомендовать, что ему подойдет сходу. Зная его профиль или предыдущие покупки).

- отслеживание интересов в торговом зале или на web-сайте (если пользователь долго читает новости или изучает сложную товарную спецификацию можно повлиять на его желание покупки в реальном времени. Выскакивающие предложения о скидках – очень топорный метод, гораздо лучше действовать мягко, рекомендуя бесплатные консультации).

- различные ценовые предложения для разных потребителей (это очень любят делать банки с кредитами. Их большой недостаток именно в неумении продать эту информацию – кредит хорош для покупок. а не в абстрактные моменты времени)

3. «Путешествие пользователя»

Пользователь контактирует с вами разными путями: он пишет письма, делает заказ на портале, звонит по телефону в сервисный центр и так далее.

С помощью больших данных вы видите все эти пути в определенном смысле можете побуждать покупателя пользоваться каким-то определенным каналом в зависимости от нескольких обстоятельств, включая сегмент, к которому он относится.

Кроме того вы можете направить покупателя по следам вашего продукта или услуги в нужный момент времени.

4. Операционное управление и цепочка поставок.

Те же методы, что и в пользовательской аналитике относятся к продуктам и сервисам. Вы просто задаете нужные вопросы: сколько и когда определенный продукт лучше всего продается, когда должны быть поставки, сколько и где это купит, как его собрать и использовать.

На выходе мы имеем значительную экономию товарных запасов на складах, контроль поставок, уменьшение кассовых разрывов встроенных производств.

Все перечисленное применимо к очень широкому спектру товаров и сервисов.