Big Data til tjeneste for detaljhandelen

Hvordan forhandlere bruker big data for å forbedre personalisering i tre nøkkelaspekter for kjøperen – sortiment, tilbud og levering, fortalt i Umbrella IT

På slutten av 1990-tallet innså gründere fra alle samfunnslag at data er en verdifull ressurs som, hvis den brukes riktig, kan bli et kraftig verktøy for påvirkning. Problemet var at datavolumet økte eksponentielt, og metodene for å behandle og analysere informasjon som fantes på den tiden var ikke effektive nok.

På 2000-tallet tok teknologien et kvantesprang. Det har dukket opp skalerbare løsninger på markedet som kan behandle ustrukturert informasjon, takle høy arbeidsbelastning, bygge logiske sammenhenger og oversette kaotiske data til et tolkbart format som kan forstås av en person.

I dag er big data inkludert i et av de ni områdene i programmet Digital Economy of the Russian Federation, og opptar topplinjene i rangeringer og utgiftsposter til selskaper. De største investeringene i big data-teknologier gjøres av selskaper fra handels-, finans- og telekommunikasjonssektorene.

Om 10-20 år vil big data bli hovedmetoden for kapitalisering og vil spille en rolle i samfunnet som er sammenlignbar i betydning for kraftindustrien, sier analytikere.

Dagens shoppere er ikke lenger en ansiktsløs masse av statistikk, men veldefinerte individer med unike egenskaper og behov. De er selektive og vil bytte til en konkurrents merke uten å angre hvis tilbudet deres virker mer attraktivt. Det er derfor forhandlere bruker big data, som lar dem samhandle med kunder på en målrettet og nøyaktig måte, med fokus på prinsippet om «en unik forbruker – en unik tjeneste».

1. Personlig tilpasset sortiment og effektiv plassutnyttelse

I de fleste tilfeller finner den endelige avgjørelsen "å kjøpe eller ikke kjøpe" allerede i butikken nær hyllen med varer. Ifølge Nielsen-statistikken bruker kjøperen kun 15 sekunder på å søke etter det riktige produktet på hyllen. Dette betyr at det er svært viktig for en bedrift å levere det optimale sortimentet til en bestemt butikk og presentere det riktig. For at sortimentet skal møte etterspørselen, og displayet skal fremme salg, er det nødvendig å studere ulike kategorier av big data:

• lokal demografi,
• soliditet,
• kjøpsoppfatning,
• kjøp av lojalitetsprogram og mye mer.

For eksempel, å vurdere frekvensen av kjøp av en bestemt kategori av varer og måle "byttebarheten" til en kjøper fra ett produkt til et annet vil hjelpe til umiddelbart å forstå hvilken vare som selger best, som er overflødig, og derfor mer rasjonelt omfordele kontanter ressurser og planlegge butikklokaler.

En egen retning i utviklingen av løsninger basert på big data er effektiv bruk av plass. Det er data, og ikke intuisjon, som merchandisers nå stoler på når de legger ut varer.

I X5 Retail Group-hypermarkeder genereres produktoppsett automatisk, under hensyntagen til egenskapene til detaljhandelsutstyr, kundepreferanser, data om historien til salg av visse varekategorier og andre faktorer.

Samtidig overvåkes riktigheten av oppsettet og antall varer på hyllen i sanntid: videoanalyse og datasynsteknologier analyserer videostrømmen som kommer fra kameraene og fremhever hendelser i henhold til de angitte parameterne. Butikkansatte vil for eksempel få signal om at glass med hermetiske erter er på feil sted eller at det har gått tom for kondensert melk i hyllene.

2. Personlig tilbud

Tilpasning for forbrukere er en prioritet: ifølge undersøkelser fra Edelman og Accenture, er det mer sannsynlig at 80 % av kjøperne kjøper et produkt hvis en forhandler gir et personlig tilbud eller gir rabatt; dessuten nøler ikke 48 % av respondentene med å gå til konkurrenter hvis produktanbefalingene ikke er nøyaktige og ikke oppfyller behovene.

For å møte kundenes forventninger, implementerer forhandlere aktivt IT-løsninger og analyseverktøy som samler inn, strukturerer og analyserer kundedata for å hjelpe til med å forstå forbrukeren og bringe interaksjon til et personlig nivå. Et av de populære formatene blant kjøpere - delen av produktanbefalinger "du kan være interessert" og "kjøp med dette produktet" - er også dannet basert på analysen av tidligere kjøp og preferanser.

Amazon genererer disse anbefalingene ved hjelp av samarbeidende filtreringsalgoritmer (en anbefalingsmetode som bruker de kjente preferansene til en gruppe brukere til å forutsi de ukjente preferansene til en annen bruker). Ifølge selskapets representanter skyldes 30 % av alt salg Amazons anbefalingssystem.

3. Personlig levering

Det er viktig for en moderne kjøper å motta ønsket produkt raskt, uansett om det er levering av en bestilling fra en nettbutikk eller ankomst av ønskede produkter i supermarkedshyllene. Men hastighet alene er ikke nok: i dag blir alt levert raskt. Den individuelle tilnærmingen er også verdifull.

De fleste store forhandlere og transportører har kjøretøyer utstyrt med mange sensorer og RFID-brikker (brukes til å identifisere og spore varer), hvorfra store mengder informasjon mottas: data om gjeldende plassering, størrelse og vekt på lasten, trafikkbelastning, værforhold , og til og med føreradferd.

Analysen av disse dataene bidrar ikke bare til å skape det mest økonomiske og raskeste sporet av ruten i sanntid, men sikrer også åpenheten i leveringsprosessen for kjøpere, som har muligheten til å spore fremdriften av bestillingen.

Tilpasning av levering er en nøkkelfaktor for kjøperen i «siste mil»-stadiet. En forhandler som kombinerer kunde- og logistikkdata på det strategiske beslutningsstadiet vil raskt kunne tilby kunden å hente varene fra utstedelsespunktet, hvor det vil være raskest og billigst å levere det. Tilbudet om å motta varene samme dag eller neste dag, sammen med rabatt på levering, vil oppmuntre kunden til å dra til og med til den andre enden av byen.

Amazon gikk som vanlig foran konkurrentene ved å patentere prediktiv logistikkteknologi drevet av prediktiv analyse. Poenget er at forhandleren samler inn data:

• om brukerens tidligere kjøp,
• om produktene lagt i handlekurven,
• om produkter lagt til i ønskeliste,
• om markørbevegelser.

Maskinlæringsalgoritmer analyserer denne informasjonen og forutsier hvilket produkt kunden mest sannsynlig vil kjøpe. Varen sendes deretter via billigere standardfrakt til fraktknutepunktet nærmest brukeren.

Den moderne kjøperen er klar til å betale for en individuell tilnærming og en unik opplevelse to ganger – med penger og informasjon. Å tilby riktig servicenivå, med tanke på kundenes personlige preferanser, er bare mulig ved hjelp av store data. Mens industriledere oppretter hele strukturelle enheter for å jobbe med prosjekter innen big data, satser små og mellomstore bedrifter på boksløsninger. Men det felles målet er å bygge en nøyaktig forbrukerprofil, forstå forbrukernes plager og bestemme triggerne som påvirker kjøpsbeslutningen, fremheve kjøpslistene og skape en omfattende personlig tjeneste som vil oppmuntre til å kjøpe mer og mer.