Big Data vähittäiskaupan palveluksessa

Umbrella IT:ssä kerrotaan, kuinka vähittäiskauppiaat käyttävät big dataa parantaakseen personointia kolmessa ostajan kannalta keskeisessä asiassa – valikoimassa, tarjouksessa ja toimituksessa

1990-luvun lopulla yrittäjät kaikilta elämänaloilta ymmärsivät, että data on arvokas resurssi, josta voi oikein käytettynä tulla tehokas vaikutusväline. Ongelmana oli se, että tiedon määrä kasvoi eksponentiaalisesti ja siihen aikaan olemassa olleet tiedon käsittely- ja analysointimenetelmät eivät olleet riittävän tehokkaita.

2000-luvulla teknologia otti suuren harppauksen. Markkinoille on ilmestynyt skaalautuvia ratkaisuja, jotka pystyvät käsittelemään jäsentämätöntä tietoa, selviytymään suurista työkuormista, rakentamaan loogisia yhteyksiä ja muuttamaan kaoottista dataa tulkittavaan, ihmisen ymmärrettävään muotoon.

Nykyään big data sisältyy yhteen Venäjän federaation digitaalitalousohjelman yhdeksästä osa-alueesta, ja se on yritysten luokituksen ja kuluerien kärkirivejä. Suurimmat investoinnit big data -teknologioihin tekevät kaupan, rahoitusalan ja telekommunikaatioalan yritykset.

10-20 vuoden kuluttua big datasta tulee pääkapitalisointikeino ja se tulee olemaan yhteiskunnassa merkitykseltään verrattavissa energiateollisuuteen, arvioivat analyytikot.

Tämän päivän ostajat eivät ole enää kasvoton tilastojoukko, vaan selkeästi määriteltyjä yksilöitä, joilla on ainutlaatuisia ominaisuuksia ja tarpeita. He ovat valikoivia ja vaihtavat valittamatta kilpailijan tuotemerkkiin, jos heidän tarjouksensa näyttää houkuttelevammalta. Tästä syystä jälleenmyyjät käyttävät big dataa, jonka avulla he voivat olla vuorovaikutuksessa asiakkaiden kanssa kohdistetulla ja täsmällisellä tavalla keskittyen periaatteeseen "ainutlaatuinen kuluttaja – ainutlaatuinen palvelu".

1. Henkilökohtainen valikoima ja tehokas tilankäyttö

Useimmissa tapauksissa lopullinen päätös "ostaako vai olla ostamatta" tapahtuu jo kaupassa lähellä tavaraa olevaa hyllyä. Nielsenin tilastojen mukaan ostaja käyttää vain 15 sekuntia oikean tuotteen etsimiseen hyllystä. Tämä tarkoittaa, että yrityksen on erittäin tärkeää toimittaa optimaalinen valikoima tiettyyn myymälään ja esittää se oikein. Jotta valikoima vastaisi kysyntää ja näyttö edistäisi myyntiä, on tarpeen tutkia erilaisia ​​big datan luokkia:

• paikalliset väestötiedot,
• vakavaraisuus,
• ostokäsitys,
• kanta-asiakasohjelman ostot ja paljon muuta.

Esimerkiksi tietyn tavaraluokan ostotiheyden arvioiminen ja ostajan "vaihdettavuuden" mittaaminen tuotteesta toiseen auttaa ymmärtämään heti, mikä tuote myy paremmin, mikä on tarpeeton, ja jakaa siten käteistä järkevämmin. resursseja ja suunnitella myymälätilaa.

Erillinen suunta big dataan perustuvien ratkaisujen kehittämisessä on tilan tehokas käyttö. Kauppiaat luottavat nyt dataan, eivät intuitioon, kun he asettelevat tavaroita.

X5 Retail Groupin hypermarketeissa tuoteasettelut luodaan automaattisesti ottaen huomioon vähittäiskaupan laitteiden ominaisuudet, asiakkaiden mieltymykset, tiedot tiettyjen tavaraluokkien myyntihistoriasta ja muut tekijät.

Samalla layoutin oikeellisuutta ja hyllyssä olevien tavaroiden määrää seurataan reaaliajassa: videoanalytiikka ja tietokonenäköteknologiat analysoivat kameroista tulevaa videovirtaa ja korostavat tapahtumia määritettyjen parametrien mukaan. Esimerkiksi kaupan työntekijät saavat signaalin, että purkitettu hernepurkki ovat väärässä paikassa tai kondensoitu maito on loppunut hyllyiltä.

2. Henkilökohtainen tarjous

Kuluttajille räätälöiminen on etusijalla: Edelmanin ja Accenturen tutkimuksen mukaan 80 % ostajista ostaa tuotteen todennäköisemmin, jos jälleenmyyjä tekee henkilökohtaisen tarjouksen tai antaa alennuksen; Lisäksi 48 % vastaajista ei epäröi kääntyä kilpailijoiden puoleen, jos tuotesuositukset eivät ole tarkkoja eivätkä vastaa tarpeita.

Vastatakseen asiakkaiden odotuksiin jälleenmyyjät ottavat aktiivisesti käyttöön IT-ratkaisuja ja analytiikkatyökaluja, jotka keräävät, jäsentävät ja analysoivat asiakasdataa auttaakseen ymmärtämään kuluttajaa ja tuomaan vuorovaikutuksen henkilökohtaiselle tasolle. Yksi ostajien keskuudessa suosituista muodoista – tuotesuositusten osio "saatat olla kiinnostunut" ja "osta tällä tuotteella" - muodostuu myös aiempien ostosten ja mieltymysten analysoinnin perusteella.

Amazon luo nämä suositukset yhteiskäyttöisten suodatusalgoritmien avulla (suositusmenetelmä, joka käyttää ryhmän tunnettuja asetuksia toisen käyttäjän tuntemattomien mieltymysten ennustamiseen). Yrityksen edustajien mukaan 30 % kaikesta myynnistä johtuu Amazonin suositusjärjestelmästä.

3. Henkilökohtainen toimitus

Nykyajan ostajalle on tärkeää saada haluttu tuote nopeasti, olipa kyseessä tilauksen toimittaminen verkkokaupasta vai haluttujen tuotteiden saapuminen markettien hyllyille. Mutta nopeus ei yksin riitä: nykyään kaikki toimitetaan nopeasti. Myös yksilöllinen lähestymistapa on arvokasta.

Useimmilla suurilla jälleenmyyjillä ja kuljetusliikkeillä on ajoneuvoja, jotka on varustettu monilla antureilla ja RFID-tunnisteilla (käytetään tavaroiden tunnistamiseen ja jäljittämiseen), joista saadaan valtavia määriä tietoa: tiedot nykyisestä sijainnista, lastin koosta ja painosta, liikenneruuhkista, sääolosuhteista. ja jopa kuljettajan käyttäytymistä.

Näiden tietojen analysointi auttaa luomaan reitin edullisimman ja nopeimman jäljen reaaliajassa, mutta myös varmistaa toimitusprosessin läpinäkyvyyden ostajille, joilla on mahdollisuus seurata tilauksensa etenemistä.

Toimituksen personointi on avaintekijä ostajalle "viimeisen mailin" vaiheessa. Strategisessa päätöksentekovaiheessa asiakas- ja logistiikkatiedot yhdistävä jälleenmyyjä pystyy viipymättä tarjoamaan asiakkaalle tavaran noudon luovutuspisteestä, josta se on nopein ja edullisin toimittaa. Tarjous saada tavarat samana tai seuraavana päivänä toimitusalennuksella rohkaisee asiakasta menemään jopa kaupungin toiseen päähän.

Amazon meni tuttuun tapaan kilpailun edelle patentoimalla ennakoivan logistiikan teknologian, joka perustuu ennakoivaan analytiikkaan. Tärkeintä on, että jälleenmyyjä kerää tietoja:

• käyttäjän aiemmista ostoksista,
• ostoskoriin lisätyistä tuotteista,
• toivelistalle lisätyistä tuotteista,
• kohdistimen liikkeistä.

Koneoppimisalgoritmit analysoivat nämä tiedot ja ennustavat, minkä tuotteen asiakas todennäköisimmin ostaa. Tuote toimitetaan sitten halvemmalla vakiotoimituksella käyttäjää lähinnä olevaan toimituskeskukseen.

Nykyaikainen ostaja on valmis maksamaan yksilöllisestä lähestymistavasta ja ainutlaatuisesta kokemuksesta kahdesti – rahalla ja tiedolla. Asiakkaiden henkilökohtaiset mieltymykset huomioiden oikean tason tarjoaminen on mahdollista vain big datan avulla. Samalla kun alan johtajat luovat kokonaisia ​​rakenneyksiköitä työskentelemään big data -alan projekteissa, pienet ja keskisuuret yritykset panostavat laatikkoratkaisuihin. Yhteisenä tavoitteena on kuitenkin rakentaa tarkka kuluttajaprofiili, ymmärtää kuluttajien kivut ja selvittää ostopäätökseen vaikuttavat triggerit, korostaa ostoslistoja ja luoda kokonaisvaltainen yksilöllinen palvelu, joka kannustaa ostamaan entistä enemmän.