Big Data til detailhandelens tjeneste

Hvordan detailhandlere bruger big data til at forbedre personalisering i tre nøgleaspekter for køberen – sortiment, tilbud og levering, fortalt i Umbrella IT

I slutningen af ​​1990'erne indså iværksættere fra alle samfundslag, at data er en værdifuld ressource, der, hvis den bruges rigtigt, kan blive et stærkt indflydelsesværktøj. Problemet var, at mængden af ​​data steg eksponentielt, og de metoder til behandling og analyse af information, der fandtes på det tidspunkt, var ikke effektive nok.

I 2000'erne tog teknologien et kvantespring. Der er kommet skalerbare løsninger på markedet, som kan behandle ustruktureret information, klare høje arbejdsbelastninger, opbygge logiske forbindelser og oversætte kaotiske data til et fortolkeligt format, som kan forstås af en person.

I dag er big data inkluderet i et af de ni områder af programmet Digital Economy of the Russian Federation, der indtager de øverste linjer i virksomhedernes vurderinger og udgiftsposter. De største investeringer i big data-teknologier foretages af virksomheder fra handels-, finans- og telekommunikationssektoren.

Om 10-20 år vil big data blive det vigtigste middel til kapitalisering og vil spille en rolle i samfundet, der kan sammenlignes i betydning med elindustrien, siger analytikere.

Nutidens shoppere er ikke længere en ansigtsløs masse af statistikker, men veldefinerede individer med unikke egenskaber og behov. De er selektive og vil skifte til en konkurrents mærke uden at fortryde, hvis deres tilbud virker mere attraktivt. Derfor bruger detailhandlere big data, som giver dem mulighed for at interagere med kunder på en målrettet og præcis måde med fokus på princippet om "en unik forbruger - en unik service."

1. Personligt sortiment og effektiv udnyttelse af pladsen

I de fleste tilfælde finder den endelige beslutning "at købe eller ikke at købe" sted allerede i butikken nær hylden med varer. Ifølge Nielsens statistik bruger køberen kun 15 sekunder på at lede efter det rigtige produkt på hylden. Det betyder, at det er meget vigtigt for en virksomhed at levere det optimale sortiment til en bestemt butik og præsentere det korrekt. For at sortimentet kan imødekomme efterspørgslen, og displayet fremmer salg, er det nødvendigt at studere forskellige kategorier af big data:

• lokal demografi,
• solvens,
• købsopfattelse,
• loyalitetsprogram køb og meget mere.

For eksempel vil vurdering af hyppigheden af ​​køb af en bestemt kategori af varer og måling af en købers "skiftbarhed" fra et produkt til et andet hjælpe med at umiddelbart forstå, hvilken vare der sælger bedst, hvilket er overflødigt, og derfor mere rationelt omfordele kontanter ressourcer og planlægge butiksareal.

En særskilt retning i udviklingen af ​​løsninger baseret på big data er effektiv udnyttelse af pladsen. Det er data og ikke intuition, som købmænd nu er afhængige af, når de lægger varer ud.

I X5 Retail Group-hypermarkeder genereres produktlayouts automatisk under hensyntagen til detailudstyrets egenskaber, kundepræferencer, data om historikken for salg af visse kategorier af varer og andre faktorer.

Samtidig overvåges korrektheden af ​​layoutet og antallet af varer på hylden i realtid: videoanalyse og computervisionsteknologier analyserer videostrømmen, der kommer fra kameraerne og fremhæver begivenheder i henhold til de angivne parametre. Eksempelvis vil butiksansatte få et signal om, at glas med dåseærter står det forkerte sted, eller at der er løbet kondenseret mælk ud på hylderne.

2. Personligt tilbud

Personalisering for forbrugerne er en prioritet: Ifølge undersøgelser foretaget af Edelman og Accenture er 80 % af køberne mere tilbøjelige til at købe et produkt, hvis en forhandler giver et personligt tilbud eller giver en rabat; desuden tøver 48 % af de adspurgte ikke med at gå til konkurrenterne, hvis produktanbefalingerne ikke er nøjagtige og ikke opfylder behovene.

For at imødekomme kundernes forventninger implementerer detailhandlere aktivt it-løsninger og analyseværktøjer, der indsamler, strukturerer og analyserer kundedata for at hjælpe med at forstå forbrugeren og bringe interaktion til et personligt niveau. Et af de populære formater blandt købere - afsnittet med produktanbefalinger "du kan være interesseret" og "køb med dette produkt" - er også dannet baseret på en analyse af tidligere køb og præferencer.

Amazon genererer disse anbefalinger ved hjælp af kollaborative filtreringsalgoritmer (en anbefalingsmetode, der bruger de kendte præferencer for en gruppe brugere til at forudsige en anden brugers ukendte præferencer). Ifølge virksomhedens repræsentanter skyldes 30% af alt salg Amazons anbefalingssystem.

3. Personlig levering

Det er vigtigt for en moderne køber at modtage det ønskede produkt hurtigt, uanset om det er levering af en ordre fra en netbutik eller ankomsten af ​​de ønskede produkter på supermarkedets hylder. Men hastighed alene er ikke nok: I dag bliver alt leveret hurtigt. Den individuelle tilgang er også værdifuld.

De fleste store detailhandlere og transportører har køretøjer udstyret med mange sensorer og RFID-tags (bruges til at identificere og spore varer), hvorfra der modtages enorme mængder information: data om den aktuelle placering, lastens størrelse og vægt, trafikpropper, vejrforhold og endda føreradfærd.

Analysen af ​​disse data hjælper ikke kun med at skabe det mest økonomiske og hurtigste spor på ruten i realtid, men sikrer også gennemsigtigheden af ​​leveringsprocessen for købere, som har mulighed for at spore deres ordres fremskridt.

Leveringstilpasning er en nøglefaktor for køberen i "sidste mile"-stadiet. En forhandler, der kombinerer kunde- og logistikdata i den strategiske beslutningsfase, vil prompte kunne tilbyde kunden at hente varerne fra udstedelsesstedet, hvor det vil være hurtigst og billigst at levere det. Tilbuddet om at modtage varerne samme dag eller den næste, sammen med en rabat på levering, vil tilskynde kunden til at gå selv til den anden ende af byen.

Amazon gik som sædvanligt foran konkurrenterne ved at patentere prædiktiv logistikteknologi drevet af prædiktiv analyse. Den nederste linje er, at forhandleren indsamler data:

• om brugerens tidligere køb,
• om de produkter, der er lagt i indkøbskurven,
• om produkter tilføjet til ønskeliste,
• om markørbevægelser.

Maskinlæringsalgoritmer analyserer denne information og forudsiger, hvilket produkt kunden med størst sandsynlighed vil købe. Varen sendes derefter via billigere standardforsendelse til den forsendelseshub, der er tættest på brugeren.

Den moderne køber er klar til at betale for en individuel tilgang og en unik oplevelse to gange – med penge og information. At levere det rette serviceniveau under hensyntagen til kundernes personlige præferencer er kun muligt ved hjælp af big data. Mens industriledere skaber hele strukturelle enheder til at arbejde med projekter inden for big data, satser små og mellemstore virksomheder på boxed-løsninger. Men det fælles mål er at opbygge en nøjagtig forbrugerprofil, forstå forbrugernes smerter og bestemme de triggere, der påvirker købsbeslutningen, fremhæve købslisterne og skabe en omfattende personlig service, der vil tilskynde til at købe mere og mere.