Использование технологий Big Data для развития розничной торговли

Что такое Big Data (Биг Дата) и как она применима в торговле

Big Data (большие данные) — это объёмный информационный массив из сведений в разных форматах, которые обрабатываются очень быстро. Он бывает:

• Структурированным. Сведения имеют определённый формат, например, представляют собой показатели из касс, терминалов оплаты, отчётов из CRM, легко собираются в таблицы.
• Неструктурированными. Это, например, видео из торговых залов, записи обращений пользователей в службу поддержки магазина, отзывы из соцсетей.

Сервисы аналитики, объединённые с технологиями компьютерного зрения и искусственным интеллектом (ИИ), могут использовать все типы информации. Это статистика и анализ, которые помогают оценить работу с пользователями услуг или покупателями товаров, устранить ошибки, выйти на более высокий уровень. Для достижения целей Биг Дата должна иметь характеристики:

• Volume (объём). Это минимум 150 Гб в сутки.
• Velocity (скорость). Речь о быстрой обработке данных, которые регулярно меняются.
• Variety (разнообразие). Включает разные типы информации — структурированную, неструктурированную.
• Veracity (достоверность). Сведения отражают реальную картину и верную интерпретацию показателей.
• Variability (изменчивость). Сведения постоянно обновляются по непредсказуемым алгоритмам, что усложняет их анализ.
• Value (ценность). Big Data имеют разное значение для компании, но всегда несут практическую пользу.

Характеристики Big Data делают её полезной для торговли. Большие данные используют для решений по разным направлениям работы. Можно эффективнее управлять ассортиментом, выстраивать маркетинг, рекламу, ценообразование. Биг Дата помогает компании оптимизировать бизнес-операции, логистику. Меры, принятые на основании больших данных, приводят к сокращению расходов, приближению торговли к интересам покупателей. Значит, вырастет средний чек, общая выручка, появятся условия для расширения бизнеса.

В качестве источников Бига Дата используют кассы, CRM-системы, сайты, приложения.

Задачи, которые решает анализ больших данных в ритейле

В розничной торговле инструмент используют как средство конкурентной борьбы. Анализ Биг Дата необходим для следующих целей:

• контроля товаров, товарных остатков;
• установления цен;
• настройки торговых предложений под клиента, эффективной рекламы;
• анализа и моделирования покупательского спроса, действий потребителей.

Это нужно для выстраивания работы торговой компании: планирования, маркетинга, увеличения спроса, потока пользователей и выручки. Благодаря обработке информации сервисом аналитики, упрощается управление бизнесом.

Управление запасами и оптимизация ценообразования

Для планирования запасов и установления цен Big Data необходим по следующим причинам:

• Собирает информацию о продажах, поставках, ситуации на рынке. С помощью автоматизированных технологий проводится анализ данных. Он показывает уровень сбалансированного запаса, адекватных цен для ритейлера.
• При эффективном управлении запасами ассортимент создаётся с учётом спроса. Товар не залёживается на складе, продажи стабильны или растут. Снижаются расходы на хранение, проще избегать дефицита и избытка.
• Для ценообразования важен анализ по рынку цен и спроса аудитории на каждый вид товаров. Адекватность стоимости также позволяет получать максимальную прибыль, привлекать новых клиентов.

Персонализация предложений и Big Data в маркетинге

Большие данные помогают персонализировать маркетинг по нескольким направлениям работы:

• Понимать клиентов. Маркетологи используют технологии для анализа интересов пользователей. Можно разделить аудиторию на сегменты по возрасту, образованию, семейному положению, другим признакам. Составление портрета ЦА позволяет выбрать инструменты маркетинга для каждого сегмента.
• Делать рекламу адресной. Это позволяет донести информацию до каждого клиента, который может заинтересоваться товаром. Лояльность аудитории повышается.
• Составлять прогнозы интересов клиентов. Аналитика данных рынка позволяет предвидеть изменения спроса, чтобы подготовиться к этому. Например, компания может обновить стратегию маркетинга с учётом запросов пользователей или сезонных трендов.
• Улучшать опыт клиентов во взаимодействии с компанией. Аналитика применима на всех этапах — от привлечения до покупок. Важно учитывать персональные интересы, например, можно предложить клиентам магазина косметики подбор оттенков продуктов.
• Создавать выгодные возможности для пользователей. Аналитика их поведения и потребностей помогает устраивать акции, делать специальные предложения. Это, например, скидки на категории товаров.
• Оценивать маркетинг и рекламу. Технологии позволяют отслеживать расчёты и поведение пользователей по результатам кампаний. Так можно понять, что помогло покупке, а какие из инструментов маркетинга не работают.
• Снижать расходы на рекламу, продвижение, перенаправлять деньги туда, где их выгоднее использовать. Контроль окупаемости трат возможен на каждом этапе работы с клиентами.

Прогнозирование спроса и потребительского поведения

Big Data собирает информацию и делает обработку данных, относящихся непосредственно к потребителям. Деление аудитории на категории, выстраивание портрета клиента позволяет прогнозировать запросы и покупательское поведение. Анализ текущей ситуации помогает понять, какие товары будут востребованы, что побуждает активность пользователей.

С помощью Биг Дата можно:

• точнее планировать поставки товаров;
• закрывать неудовлетворённые нужды пользователей за счёт обновления ассортимента;
• повышать их лояльность;
• маневрировать при изменении рынка.

Это тоже упрощает ведение бизнеса, повышает выручку.

Источники и типы больших данных для розничной торговли

Источники Big Data в ритейле:

• Операционные данные. Это информация о транзакциях через POS-терминалы, кассу, история заказов на сайте, сведения о поставках из учётных систем бизнеса.
• Поведенческие данные. Это история просмотров товаров онлайн, покупок, а также информация из программы лояльности торговой сети, геолокация пользователей.
• Логистические. Это сведения о поэтапном перемещении товара от заказа до продажи.
• Сведения о клиентах и программах лояльности. Речь о деталях покупок, характеристиках покупателей, реакции на предложения для привилегированных потребителей.
• Маркетинговые показатели. Это сведения из программ аналитики о результатах от рекламы, цифры оттока и роста количества клиентов.
• Внешняя информация. Это сведения о ценах и ассортименте конкурентов, обратная связь от клиентов, видеозаписи с камер в торговых залах.

Источники делятся на внутренние и внешние. К первым относятся:

• Операционная система бизнеса или OSB (Operating System of Business). Это единая платформа компании, объединяющая все процессы — закупки, доставку, продажи и т.д.
• Цифровые каналы взаимодействия с клиентами. Это сайт, приложение, соцсети продавца, а также чаты и email-рассылки. По ним отслеживают что просматривал покупатель, что откладывал в корзину, какие рекламные ссылки открывал.

Внешние источники:

• Банки. При оплате картами, по QR-коду с помощью специальных сервисов получают обезличенную агрегированную информацию о тратах и доходах покупателей.
• Мобильные операторы и соцсети клиентов. С их помощью доступны сведения о местонахождении покупателя, местах покупок офлайн.
• Маркетинговые исследования. Опросы, анкетирование помогают узнать мнения аудитории об обслуживании, качестве товаров, запросах.

Технологии и инструменты анализа Big Data

Для обработки больших данных нужна инфраструктура, которая позволяет:

• собирать и хранить информацию;
• обрабатывать её;
• использовать машинное обучение с ИИ для автоматизации процессов, прогнозирования показателей.

Рассмотрим всё это подробнее.

Инфраструктура для сбора и хранения больших данных

Инфраструктура больших данных — это алгоритм плюс инструменты для выполнения процессов. Алгоритм включает три этапа:

• сбор и загрузку информации;
• её хранение, обработку;
• анализ и управление данными.

При подключении множества источников получается большой объём сведений. Их необходимо хранить, для чего используют следующие инструменты:

• Data Warehouse (централизованное корпоративное хранилище данных). В нём большой объём информации структурируется и сортируется для удобного использования.
• Data Vault (методология моделирования данных). Этот инструмент хранения и обработки сведений обеспечивает гибкость массива, он не нарушается при добавлении новой информации. Строится на базе трёх компонентов: хаба (центрального хранилища из ключей — заказов, счётов компании), ссылок (связей между ключами – «покупатель заказал»), сателлитов (таблиц с характеристиками объектов и их обновлениями — идентификаторы клиента, статус заказа).
• Data Lake («озеро данных»). Сведения загружаются в централизованное хранилище в исходном виде без чёткой схемы. Их упорядочивание происходит при анализе. Можно хранить, читать структурированные и неструктурированные сведения.
• Data Mart (специализированное хранилище данных). Содержит упорядоченные сведения для решения узких задач. Благодаря чёткой структуре можно быстро выполнять аналитику.

Значение машинного обучения и прогнозной аналитики

Big Data работает с большим потоком обновляющейся информации, то есть важно, чтобы:

• она обрабатывалась автоматически;
• сервис находил закономерности и аномалии показателей.

Для этого применяется машинное обучение плюс ИИ. С инновационными инструментами Big Data прогнозирует события, например, что купит клиент, который раньше покупал определённый товар.
Big Data работает с машинным обучением в нескольких направлениях:

• Веб-скрейпинг. Это сбор сведений с сайтов, например, для аналитики показателей конкурентов и выбора покупателей.
• Система умных рекомендаций. Позволяет прогнозировать предпочтения клиента, создавать персонализированные предложения в маркетинге, продажах, сервисе.
• Интернет вещей. Это датчики, которые отслеживают и анализируют критерии, по которым потом принимаются бизнес-решения — оптимизация поставок, выкладки, поиска товаров, создания персональных предложений.
• Системы кибербезопасности. Это защита данных от несанкционированных изменений, перехвата управления, краж.

Как использовать Big Data для стратегического развития розничной торговли

Ритейлерам выгодно использовать большие данные в следующих направлениях:

• Выборе места для открытия магазина. Точка с высокой проходимостью сделает бизнес прибыльнее.
• Работе с покупателями. Это сегментация аудитории, определение портрета, персонализация на базе маркетинга.
• Работе с ассортиментом. Это прогнозирование спроса, пополнение нужными товарами магазинов, где в них есть потребность, управление ценами и скидками.
• Оптимизации расходов. Это снижение стоимости операций за счёт прогнозирования логистики, снабжения торговых точек, загрузки персонала.

Вызовы и перспективы внедрения Big Data в ритейл

Большие данные в розничной торговле дают конкурентные преимущества. Но использование этого инструмента компаниями затрудняют:

• Регуляторные ограничения. Биг Дата используют личные данные пользователей, утечка которых приведёт к проблемам с законом.
• Этика и конфиденциальность. Тоже связаны с утратой персональных сведений, что может привести к потере доверия покупателей к компании.
• Нехватка специалистов. Внедряя сервис аналитики, компании сталкиваются с трудностями их поиска и обучения.
• Высокая стоимость. Нужные высокие инвестиции в инфраструктуру и сотрудников.
• Нехватка качественных данных. Сведения могут быть разобщёнными, содержать ошибки.

Тем не менее использование Биг Дата в ритейле распространяется, оно связано с несколькими тенденциями:

• Ростом рынка. Аналитика массивов сведений позволяет увеличивать аудиторию, продажи, прибыль.
• Интеграцией с IoT. Это позволяет контролировать параметры работы магазина, поведение покупателей, остатки ассортимента.
• Защитой приватности. Преимущества Биг Дата обеспечивает конфиденциальность сведений о покупателях, поэтому ей уделяется максимум внимания.

Чтобы получить всё это, важно найти техническое решение —например, панель «Ритейл» от СберАналитики. Сервис выполняет анализ:

• характеристик покупателей по нескольким критериям;
• динамики товарооборота, среднего чека;
• причин изменения объёмов продаж компании.

Можно получить сравнительные данные по тем же показателям у конкурентов. С Панель «Ритейл» компаниям доступен анализ информации почти по 111 млн покупателей, 7,7 млн торговых точек. Можно получить сведения за 60 месяцев до подключения сервиса. Работа выполняется по собственным технологиям и алгоритмам обработки больших данных, поэтому результаты отличаются высокой точностью. Сервис позволяет автоматически собирать статистику, принимать эффективные решения, чтобы покупатели возвращались от конкурентов, увеличивалось их число и средний чек.