Как ритейлеры используют большие данные для улучшения персонализации в трёх ключевых аспектах для покупателя — ассортименте, предложении и доставке, рассказали в Umbrella IT
Большие данные — новая нефть
В конце 1990-х годов предприниматели всех слоев общества пришли к пониманию того, что данные — это ценный ресурс, который при правильном использовании может стать мощным инструментом влияния. Проблема заключалась в том, что объемы данных росли в геометрической прогрессии, а существовавшие на тот момент методы обработки и анализа информации были недостаточно эффективными.
В 2000-е годы технологии совершили квантовый скачок. На рынке появились масштабируемые решения, способные обрабатывать неструктурированную информацию, справляться с высокими нагрузками, выстраивать логические связи и переводить хаотичные данные в интерпретируемый формат, понятный человеку.
Сегодня большие данные входят в одно из девяти направлений программы «Цифровая экономика РФ», занимая верхние строчки в рейтингах и статьях расходов компаний. Крупнейшие инвестиции в технологии больших данных делают компании из торгового, финансового и телекоммуникационного секторов.
По разным оценкам, текущий объем российского рынка больших данных составляет от 10 до 30 млрд рублей. По прогнозам Ассоциации участников рынка больших данных, к 2024 году он достигнет 300 млрд руб.
Через 10-20 лет большие данные станут основным средством капитализации и будут играть в обществе роль, сравнимую по значимости с энергетикой, считают аналитики.
Формулы успеха в розничной торговле
Сегодняшние покупатели — это уже не безликая масса статистических данных, а четко определенные личности с уникальными характеристиками и потребностями. Они избирательны и без сожаления перейдут на бренд конкурента, если их предложение покажется более привлекательным. Именно поэтому ритейлеры используют большие данные, что позволяет им целенаправленно и точно взаимодействовать с покупателями, ориентируясь на принцип «уникальный потребитель – уникальная услуга».
1. Персонализированный ассортимент и эффективное использование пространства.
В большинстве случаев окончательное решение «покупать или не покупать» принимается уже в магазине возле полки с товаром. По статистике Nielsen, покупатель тратит всего 15 секунд на поиск нужного товара на полке. Это значит, что для бизнеса очень важно поставлять в конкретный магазин оптимальный ассортимент и правильно его презентовать. Чтобы ассортимент удовлетворял спрос, а выкладка способствовала продажам, необходимо изучить разные категории больших данных:
- местная демография,
- платежеспособность,
- покупка восприятия,
- покупки по программе лояльности и многое другое.
Например, оценка частоты покупок определенной категории товаров и измерение «переключаемости» покупателя с одного товара на другой поможет сразу понять, какой товар продается лучше, какой избыточен, а значит, более рационально перераспределить денежные средства. ресурсы и планируйте пространство магазина.
Отдельное направление развития решений на основе больших данных — эффективное использование пространства. Именно данные, а не интуиция, теперь полагаются мерчандайзерами при выкладке товаров.
В гипермаркетах X5 Retail Group выкладки товаров формируются автоматически с учетом свойств торгового оборудования, предпочтений покупателей, данных об истории продаж отдельных категорий товаров и других факторов.
При этом правильность выкладки и количество товаров на полке контролируются в режиме реального времени: технологии видеоаналитики и компьютерного зрения анализируют видеопоток, поступающий с камер, и подсвечивают события по заданным параметрам. Например, сотрудники магазина получат сигнал о том, что банки с консервированным горошком стоят не на своем месте или на полках закончилась сгущенка.
2. Персонализированное предложение
Персонализация для потребителей является приоритетом: согласно исследованиям Edelman и Accenture, 80% покупателей с большей вероятностью купят товар, если ритейлер сделает персонализированное предложение или предоставит скидку; более того, 48% респондентов не задумываясь обращаются к конкурентам, если товарные рекомендации неточны и не соответствуют потребностям.
Чтобы оправдать ожидания клиентов, ритейлеры активно внедряют ИТ-решения и инструменты аналитики, которые собирают, структурируют и анализируют данные о клиентах, чтобы помочь понять потребителя и вывести взаимодействие на личный уровень. Один из популярных среди покупателей форматов — раздел товарных рекомендаций «Вас может заинтересовать» и «Купите с этим товаром» — также формируется на основе анализа прошлых покупок и предпочтений.
Amazon генерирует эти рекомендации, используя алгоритмы совместной фильтрации (метод рекомендаций, который использует известные предпочтения группы пользователей для прогнозирования неизвестных предпочтений другого пользователя). По словам представителей компании, 30% всех продаж приходится на рекомендательную систему Amazon.
3. Персонализированная доставка
Современному покупателю важно быстро получить желаемый товар, независимо от того, доставка заказа из интернет-магазина или поступление желаемого товара на полки супермаркета. Но одной скорости недостаточно: сегодня все доставляется быстро. Также ценен индивидуальный подход.
Большинство крупных ритейлеров и перевозчиков имеют автомобили, оснащенные множеством датчиков и RFID-меток (используются для идентификации и отслеживания товаров), от которых получают огромные объемы информации: данные о текущем местонахождении, размерах и весе груза, пробках на дорогах, погодных условиях. , и даже поведение водителя.
Анализ этих данных не только помогает создать максимально экономичный и быстрый маршрут следования в режиме реального времени, но и обеспечивает прозрачность процесса доставки для покупателей, которые имеют возможность отслеживать ход выполнения своего заказа.
Современному покупателю важно как можно скорее получить желаемый товар, но этого недостаточно, потребителю необходим еще и индивидуальный подход.
Персонализация доставки — ключевой фактор для покупателя на этапе «последней мили». Ритейлер, объединяющий данные о клиенте и логистике на этапе принятия стратегического решения, сможет оперативно предложить клиенту забрать товар из точки выдачи, куда его будет доставить быстрее и дешевле. Предложение получить товар в тот же или на следующий день вместе со скидкой на доставку будет стимулировать клиента поехать даже на другой конец города.
Amazon, как обычно, опередил конкурентов, запатентовав технологию прогнозной логистики, основанную на прогнозной аналитике. Суть в том, что ритейлер собирает данные:
- о прошлых покупках пользователя,
- о товарах, добавленных в корзину,
- о товарах, добавленных в список желаний,
- о перемещениях курсора.
Алгоритмы машинного обучения анализируют эту информацию и прогнозируют, какой продукт клиент купит с наибольшей вероятностью. Затем товар отправляется более дешевой стандартной доставкой в ближайший к пользователю центр доставки.
Современный покупатель готов платить за индивидуальный подход и уникальный опыт дважды – деньгами и информацией. Обеспечить должный уровень сервиса с учетом личных предпочтений клиентов возможно только с помощью больших данных. Пока лидеры отрасли создают целые структурные подразделения для работы с проектами в сфере больших данных, малый и средний бизнес делает ставку на коробочные решения. Но общая цель — построить точный профиль потребителя, понять боли потребителя и определить триггеры, влияющие на решение о покупке, выделить списки покупок и создать комплексный персонализированный сервис, который будет стимулировать покупать все больше и больше.