Большие данные — новая нефть
В конце 1990-х годов предприниматели из разных сфер бизнеса пришли к пониманию, что данные — это ценный ресурс, который при правильном использовании способен превратиться в мощный инструмент влияния. Проблема была в том, что объем данных увеличивался в геометрической прогрессии, а существующие на тот момент способы обработки и анализа информации были недостаточно эффективны.
В 2000-х годах технологии совершили «квантовый скачок». На рынке появились масштабируемые решения, способные обрабатывать неструктурированную информацию, справляться с высокой нагрузкой, строить 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. Самые крупные инвестиции в технологии больших данных производят компании из торгового, финансового и телекоммуникационного секторов.
По разным оценкам, текущий объем российского рынка больших данных составляет от 10 млрд до 30 млрд руб. По прогнозам Ассоциации участников рынка больших данных, к 2024 году он достигнет отметки 300 млрд руб.
Через 10–20 лет большие данные станут главным средством капитализации и будут играть в жизни общества роль, сопоставимую по значению с электроэнергетикой, утверждают аналитики.
Формулы успеха для ретейла
Современные покупатели — больше не безликая масса статистических данных, а вполне очерченные индивидуумы с уникальными характеристиками и потребностями. Они избирательны и без сожалений переключаются на бренд конкурента, если его предложение покажется привлекательнее. Именно поэтому ретейлеры используют большие данные, которые позволяют взаимодействовать с покупателями адресно и точно, ориентируясь на принцип «уникальному потребителю — уникальный сервис».
1. Персонализированный ассортимент и эффективное использование пространства
В большинстве случаев окончательное принятие решения «покупать или не покупать» происходит уже в магазине возле полки с товарами. По статистике Nielsen, на поиск нужного товара на полке покупатель тратит всего 15 секунд. Это значит, что для бизнеса очень важно поставить в конкретный магазин оптимальный ассортимент и правильно его презентовать. Чтобы ассортимент отвечал спросу, а выкладка способствовала продажам, необходимо изучить разные категории больших данных:
- локальную демографическую ситуацию,
- платежеспособность,
- покупательское восприятие,
- 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, какая позиция продается лучше, какая избыточна, и, следовательно, более рационально перераспределить денежные ресурсы и спланировать магазинное пространство.
Отдельное направление развития решений на основе больших данных — эффективное использование пространства. Именно на данные, а не на интуицию теперь опираются мерчандайзеры при выкладке товаров.
В гипермаркетах X5 Retail Group схемы выкладки товаров генерируются 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 отслеживается в реальном времени: технологии видеоаналитики и компьютерного зрения анализируют поступающий от камер видеопоток и выделяют события по заданным параметрам. Например, сотрудники магазина получат сигнал, что банки с консервированным горошком стоят не на своем месте или что на полках закончилась сгущенка.
2. Персонализированное предложение
Персонализация для потребителей в приоритете: согласно данным исследований компаний Edelman и Accenture, 80% покупателей с большей вероятностью купят товар, если ретейлер сделает персонализированное предложение или даст скидку; более того, 48% опрошенных без раздумий уходят к конкурентам, если товарные рекомендации не точны и не отвечают потребностям.
Чтобы соответствовать ожиданиям покупателей, ретейлеры активно внедряют ИТ-решения и аналитические инструменты, которые собирают, структурируют и анализируют данные о покупателях, помогая понять потребителя и вывести взаимодействие на личностный уровень. Один из популярных форматов среди покупателей — секция товарных рекомендаций «вам может быть интересно» и «с этим товаром покупают» — тоже формируется по результатам анализа прошлых покупок и предпочтений.
Компания Amazon генерирует такие рекомендации с помощью алгоритмов коллаборативной фильтрации (один из методов построения рекомендаций, использующий известные предпочтения группы пользователей для прогнозирования неизвестных предпочтений другого пользователя). По словам представителей компании, 30% всех продаж обязаны именно амазоновской рекомендательной системе.
3. Персонализированная доставка
Современному покупателю важно получать желаемый товар быстро, независимо от того, идет ли речь о доставке заказа из интернет-магазина или о поступлении желаемых продуктов на полки супермаркета. Но одной скорости недостаточно: сегодня быстро доставляют все. Ценен также индивидуальный подход.
У большинства крупных ретейлеров и компаний-перевозчиков транспорт оснащен множеством датчиков и RFID-меток (используются для идентификации и отслеживания товара), с которых поступают огромные объемы информации: данные о текущем местоположении, размере и весе груза, загруженности дорог, погодных условиях и даже о поведении водителя.
Анализ этих данных не только помогает в реальном времени составлять наиболее экономичный и быстрый трек маршрута, но и обеспечивает прозрачность процесса доставки для покупателей, у которых появляется возможность отслеживать перемещения своего заказа.
Современному покупателю важно получать желаемый товар как можно скорее, но и этого недостаточно, потребитель нуждается и в индивидуальном подходе
Персонализация доставки — ключевой фактор для покупателя на этапе «последней мили». Ретейлер, который на этапе принятия стратегических решений объединяет данные покупателей и логистики, сможет оперативно предложить клиенту забрать товар из пункта выдачи, куда его будет быстрее и дешевле всего доставить. Предложение получить товар в тот же день или на следующий вместе со скидкой на доставку сподвигнет клиента съездить даже на другой конец города.
Amazon, как обычно, пошел дальше конкурентов, запатентовав технологию упреждающей логистики, работающую на базе предиктивной аналитики. Суть в том, что ретейлер собирает данные:
- о прошлых покупках пользователя,
- о товарах, добавленных в корзину,
- о товарах, добавленных в вишлист,
- о движениях курсора.
Алгоритмы машинного обучения анализируют эту информацию и прогнозируют, какой товар клиент с наибольшей вероятностью купит. Затем товар отправляется более дешевой стандартной доставкой в транспортный хаб, который расположен ближе всего к пользователю.
Современный покупатель готов платить за индивидуальный подход и уникальный опыт дважды — деньгами и информацией. Обеспечивать должный уровень сервиса, учитывающий личные предпочтения покупателей, возможно только с помощью больших данных. Пока лидеры индустрии создают целые структурные подразделения для работы с проектами в сфере больших данных, представители малого и среднего бизнеса делают ставку на коробочные решения. Но цель у всех общая — выстроить точный потребительский профиль, понять потребительские боли и определить триггеры, влияющие на решение о покупке, расставить акценты в списках закупок и создать всесторонний персонализированный сервис, который будет стимулировать покупать еще и еще.