LOGO

Как работают с Big Data в российском e-commerce?

Игорь Бахарев
13 Октября 2015, в 11:01, в Маркетинг, в сюжете: big data, аналитика

Андрей Ефимов, технический директор компании BrainSoft в своей колонке выясняет пользу больших данных для бизнеса с помощью игроков рынка электронной торговли.

bigdata1Сегодня бизнес усиленно пытается понять, как можно монетизировать информацию, которая у него накоплена себе во благо, и увеличить собственные продажи. Регулярно появляются компании, заявляющие, что «именно они» знают, как надо хранить и обрабатывать данные максимально эффективно. Однако потенциальных заказчиков такие решения зачастую не устраивают. Что же такое Big Datа в российском e-commerce, кто уже умеет с ней работать эффективно, каковы тенденции развития? – Попробуем разобраться вместе с экспертами.

С 2008 года, когда появился термин Big Data (большие данные), интерес к теме неуклонно растет, на рынке появляются сотни решений, которые должны решить проблему «Трех V» (наиболее популярное определение больших данных): Volume – объем данных, Velocity – необходимость обрабатывать информацию с большой скоростью и Variety – многообразие и неструктурированность данных. Все уже признали, что классические аналитические инструменты в целом и в e-commerce в частности имеют дело со структурированной информацией и с гораздо меньшими объемами информации, поэтому в ближайшей перспективе они уступят место другим решениям, но каким именно? Пока непонятно.

Дополнительные проблемы создает то, что рынок подчиняется правилу Парето: незначительная часть интернет-магазинов генерирует основную часть выручки. Несмотря на то, что российский рынок электронной коммерции ежегодно растет, основной оборот генерируют около 300–400 интернет-магазинов, хотя их число более 40 000 по всей стране. 

Означает ли это, что всем остальным надо сложить руки и подбирать оставшихся клиентов?

Совершенно не означает, уверен директор по онлайн-маркетингу международного центра интернет-торговли Allbiz Алексей Гончаров: «С каждым днем конкуренция растет, повышается цена ошибки, поэтому останутся на рынке только те, кто сможет работать эффективнее. Неважно, какой оборот у компании: несколько миллионов в месяц или несколько миллиардов – без аналитики рост невозможен. Единственное уточнение: если магазин относительно небольшой, то и данных у него мало, поэтому аналитику можно самостоятельно настроить с помощью MS Excel и бесплатных инструментов Google, а если уже стоят серьезные задачи и на горизонте маячат большие данные, то необходимо обращаться к ИТ-компаниям».

Рассуждая о больших данных в e-commerce, необходимо все время держать в голове три главных вопроса. 

  • Во-первых, почему эти пользователи купили у вас? Сформулировав ответ, мы поймем, какой именно опыт нужно улучшать и масштабировать. 
  • Во-вторых, почему эти пользователи НЕ купили у вас? Причины такого результата нужно изучать и устранять. 
  • В-третьих, будут ли ваши клиенты покупать у вас снова? Над лояльностью покупателей необходимо постоянно работать. 

Сегодня гораздо дешевле удержать старого покупателя, чем найти нового. Поэтому надо анализировать данные о взаимодействии пользователя с сервисом, начиная от момента, когда он увидел рекламу (или другим способом узнал о нем), и заканчивая отзывами в интернете уже после совершения покупки.

Директор интернет-магазина «Сивбез» Роман Ануфриев и рад бы придерживаться такой стратегии, но все ИТ-системы, которые в его магазине тестировали для возврата покупателей, результата пока не дали: «В высококонкурентных сегментах (например, бытовая техника и электроника), главными факторами по-прежнему остаются цена и срок доставки. Кто бы что ни говорил, но первая цена на площадках агрегаторов – это мощный инструмент привлечения клиентов. Большие данные сейчас – действительно «модный тренд», и пока что он не сформировался в инструмент увеличения продаж».

Тем не менее, лишней аналитики не бывает, уверен директор по электронной коммерции Mail.Ru Group Андрей Ефимочкин. По его мнению, «необходимо проводить всю возможную аналитику, на которую хватает средств, в рамках своих задач и вопросов. Прежде всего, нужно анализировать факты и процессы, в наибольшей степени влияющие на приоритетные бизнес-показатели. Необходимо изучать, как работает бизнес-модель – для этого можно использовать методологию business model canvas. Нужно смотреть, как пользователь взаимодействует с сервисом интернет-магазина (в этом может помочь методология customer journey map). Строить и анализировать воронку продаж, собирать данные о том, что думают пользователи о сервисе, о магазине и тщательно их анализировать».

Со своей стороны, руководитель Digital маркетинга Ozon.ru Константин Баяндин предостерегает интернет-магазины от стремления удариться в «вычисления ради вычислений»: «Первоочередные задачи для бизнеса должны быть важнее, чем попытка обработать и анализировать информацию. Ведь интернет-магазины прежде всего ритейлеры, а уже потом технологические компании». Поэтому важно, чтобы на сайте были все нужные клиенту товары, чтобы они продавались по хорошей цене, а сам сайт был удобным для клиента. 

На сегодняшний день несколько путей решения проблемы обработки большого объема данных для интернет-магазинов. 

Первый – покупка или аренда ВI-платформы, в которой можно работать с Big Data и анализировать всю информацию о своей компании и о конкурентах. Со слов Артема Гришковского, генерального директора компании «Три-А-Да групп», сегодня есть много BI-платформ, работающих с большим объемом данных, у которых есть свои плюсы и минусы. 

Из плюсов: 

  • Возможность взять в аренду систему, поэтому не придется тратиться на покупку дорогих серверов
  • Достаточно понятный интерфейс: обладать специальными навыками программирования для настройки и работы не надо
  • Стандартные коннекторы к основным базам данных
  • Работа на мобильных устройствах
  • Полная настройка платформы именно под заказчика с учетом его специфики. 

Из минусов: 
Такие платформы – это, по сути, конструкторы, в «разобранном» виде они не нужны, настраивать под себя придется либо самостоятельно (что поначалу непросто), либо с помощью специалистов разработчика – это уже будет довольно дорого.
Так как все разработчики BI-платформ обещают примерно одинаковые эффекты от внедрения и сроки, Артем советует при выборе давать небольшие пилотные проекты поставщикам, чтобы они на деле доказывали заявленные характеристики своих продуктов и время на разработку. 

Некоторые компании пытаются немного модифицировать этот подход. Они не просто поставляют платформу, а потом настраивают ее  под клиента, а сразу предлагают решение на базе платформы и потом его немного дорабатывают под клиента. В таком случае цена будет ниже, чем в первом варианте. 

В результате получаются специальные системы, которые помогают управлять маркетингом и рекламой, например. Такие системы созданы на базе BI-платформ, но они изначально преднастроены, поэтому на внедрение тратится меньше денег. Петр Озеров, соучредитель компании Mybi, обращает внимание на то, что такие системы по анализу маркетинговых действий практически сразу помогают проводить сквозную аналитику по клиентам, учитывать все точки контакта и проводить более качественные расчеты по бизнес-показателям: CPA (стоимость обращения), CPO (стоимость продажи / клиента), ROI (возврат инвестиций), LTV (доход от клиента за всю его историю). 

Второй путь решения проблем – использование специальных нишевых продуктов, которые позволят закрыть задачу, с которой человек просто не в состоянии справиться.

Роман Денисов, директор по маркетингу компании «Бегунок», в качестве примера приводит системы, которые помогают управлять курьерами. Обычный логист в интернет-магазине качественно может распределить доставку заказов между курьерами, если количество таких заказов не более 50. При этом он работает отдельно с интернет-картами и Excel-файлом с заказами, вручную расставляя отметки на карте и закрепляя за ними курьеров. Проблемы такого подхода к работе в том, что при увеличении количества курьеров и объема заказов накапливаются ошибки в планировании и в результате страдают клиенты, которые не получают свои заказы вовремя. С помощью специальных систем для курьеров  можно автоматически распределять все заказы на день за несколько минут с учетом желаемого для клиента времени доставки. В результате курьеры смогут выполнять больше заказов, тратя при этом меньше времени, тем самым сокращая издержки фирмы, а лояльность клиентов повысится – ведь они уже будут точно знать когда приедет курьер.

Другое интересное направление – популярные сегодня рекомендательные системы. Они анализируют поведение посетителей интернет-магазина, выявляют потребности и в нужный момент показывают интересные именно этому посетителю предложения на сайте, в e-mail, CRM и - кампаниях, увеличивая доход интернет-магазина за счет роста конверсии, среднего чека и частоты повторных покупок. 

Артем Казаков, директор по маркетингу Retail Rocket, утверждает, что  рост продаж с помощью такого класса систем может достигать 50% по данным их исследований. 

С коллегой согласен директор студии веб-разработок Михаил Кечинов, но с серьезными оговорками: «Проблема универсальных существующих на рынке рекомендательных систем, в том, что они не учитывают особенности покупателя и особенности товара. Используемые библиотеки работают с абстрактными данными и рекомендуемые товары в отдельных товарных сегментах просто не подходят покупателю физиологически (например, женщине рекомендуются товары для мужчин). Поэтому для ряда сегментов товаров необходимы дополнительные алгоритмы, учитывающие как характеристики товаров, так и характеристики покупателей». 

И все-таки придется проводить «донастройку» таких рекомендательных систем самостоятельно. Небольших ИТ-решений для e-commerce сегодня более 500. Часть из них не привязана к структурированным данным и их функциональность расширяется разработчиками по мере необходимости. Поэтому они могут использовать всю информацию о клиенте: его поведенческие характеристики в интернете, данные соцсетей, количество заказов и рекомендации для кросс-селлинга и так далее.

Как мы видим, Big Data не миф или уловка маркетологов, а реальная вещь, которая уже набирает силу в виде небольших специализированных решений. Ведь сегодня недостаточно просто собирать всю информацию в одном месте и рисовать красивые графики и таблички, бизнесу нужна реальная value-ценность. Только в этом случае Big Data обеспечит качественный рывок для тех компаний, которые научатся с ней работать первыми.

bigdata2