Данные в электронной коммерции - один из важнейших источников знаний о покупателях, который даёт возможность для более полного и плотного взаимодействия с ними. Директор по продажам компании Arenadata Михаил Гавриков рассказал о том, как использовать в eСommerce "цифровой след" пользователей и чем отличается от классического ритейла применение в этой сфере технологий на основе Big Data.

Современные покупатели непостоянны и крайне динамичны. И, что уж скрывать, онлайн-магазинам приходится гораздо тяжелее, чем их классическим коллегам. От перехода из одного офлайн-магазина в другой покупателя могут остановить расстояние, усталость, сожаления о потраченном времени. Но чтобы закрыть одну вкладку в браузере и открыть другую, особых усилий не требуется. Поэтому конкуренция между онлайн-магазинами постоянно лишь набирает обороты. 

Чтобы победить конкурентов, удержать покупателей, добиться роста чека и количества допродаж мало использовать классические инструменты. Тут нужны гораздо более действенные и эффективные технологии. Ряд особенно интересных из них построен на основе использования Big Data - больших данных, которые представители eСommerce собирают о своих покупателям и даже просто посетителях сайта. Благодаря им у онлайн-ритейлеров появляется возможность обрабатывать огромные массивы самой разнообразной информации, собираемой в специальных хранилищах данных, строить на основе неё аналитику, предсказывая поведение покупателей, возможные риски и формируя планы по дальнейшей работе. 

Отличие Big Data в eСommerce

Применение технологий работы с большими данными в электронной коммерции отличается от офлайн-ритейла, в первую очередь, источниками данных и способами их монетизации. "Наряду с данными о продажах и другими, успешно используемыми в офлайн-ритейле, мы в Lamoda, в том числе, уделяем большое внимание анализу пользовательских действий на нашей платформе (сайте, мобильном сайте и в приложениях). По сути эти данные описывают процесс выбора товара, который в офлайн-ритейле наблюдать гораздо сложнее", - рассказал Олег Хомюк, руководитель отдела исследований и разработки Lamoda.

Как уточняет Мария Артамонова, директор по IT "Утконос ОНЛАЙН", в офлайн-ритейле для того, чтобы получить информацию о посещении магазина, просмотре товаров, планограммах, полочных остатках, приходится использовать анализ изображений с видеокамер или иные способы. 

"В eСommerce же пользователь оставляет за собой цифровой след. В "Утконос ОНЛАЙН" мы можем понять, например, из какого канала пользователь к нам пришел, какие страницы сайта смотрел. Кроме того, в отличие от офлайна, в eСommerce каждая покупка персонализирована. Мы можем понять, с какими трудностями пользователь столкнулся на любой стадии оформления заказа, оперативно их устранить, вычленить паттерны, которые позволят прогнозировать поведение или решение покупателя при разных сценариях", - отмечает Мария Артамонова. 

Что анализируют онлайн-магазины

Как отмечают представители eСommerce, им приходится анализировать огромное количество данных. Это могут быть:

• Клики;

• Источники, по которым пользователь перешёл на сайт;

• Страницы, которые он просматривал;

• Количество времени за чтением описания товара;

• Добавление в избранное;

• Поисковые запросы;

• Наиболее популярные адреса и интервалы доставки;

• Самые востребованные промоакции, на которые покупатели обращают внимание.

Всё это помогает выявить особенности поведения пользователя на сайте. В конечном счёте онлайн-магазинам приходится работать с десятками терабайт информации о пользовательских сценариях, доступных для анализа.

Один из популярных источников Big Data для eСommerce - это анализ совершённых пользователем кликов и его корзины товаров. Так, "Утконос ОНЛАЙН" регулярно проводит АВ-тесты по изменению функционала сайта, которые определяют:

• Эффект от внедрения поиска от партнеров;

• Эффект от онбординга в мобильном приложении;

• Эффект от всплывающих окон.

 "АВ-тесты помогают понять, стоит ли изменять функционал нашего сайта, станет ли он более удобным, или никакие изменения не требуются. Также анализ корзины и кликов на сайте позволяет генерировать ряд ключевых факторов для моделей машинного обучения и целевого маркетинга. Например, реагирует ли покупатель на промо, сортирует ли по цене, когда в последний раз заходил в личный кабинет", - объясняет Мария Артамонова. 

Выбор товаров - определяющий для последующей покупки процесс, поэтому глубокий анализ описывающих его данных позволяет найти области для улучшения пользовательского опыта и, как следствие, всей экономики бизнеса. 

"Суммарно мы в Lamoda тестируем несколько сотен идей в год перед их выпуском на всю аудиторию, и с каждым годом это количество только растёт. Собираемые данные и их анализ помогают нам измерять фактический бизнес-эффект и принимать решения о запуске. По результатам аналитики появляются идеи по доработкам, например, можно анализировать первые пользовательские сессии, которые не привели к покупке, и пытаться понять, что именно могло бы помочь этой части аудитории сделать свой выбор", - комментирует Олег Хомюк. 

Ещё одним ставшим вполне типичным для электронной коммерции способом монетизации данных можно считать разработку рекомендательных систем и других продуктов на основе данных и машинного обучения: от оптимизации показа баннеров на главной странице до подбора релевантных товарных рекомендаций в корзине и даже письмах. 

Преимущества использования Big Data в eСommerce

Сегодня большинство онлайн-ритейлеров прекрасно понимают эффективность использования технологий, основанных на Big Data, и высоко оценивают их вклад в реализацию разнообразных бизнес-сценариев. Например, в "Утконос ОНЛАЙН" активно применяют данные о покупателях в маркетинге, что позволяет ритейлеру выстраивать собственную рекомендательную систему на сайте, основываясь на статистике покупок, создавать рекомендательную корзину. А работа с активной базой клиентов, с оттоком и с ушедшими клиентами и вовсе приносит ритейлеру большую часть дохода, помогая прогнозировать отток и оптимизировать кампании таким образом, чтобы их вернуть. 

Помимо этого, технологии, построенные на основе больших данных помогают оптимизировать и ещё ряд направлений:

• Ценообразование: анализ эластичности спроса по цене даёт возможность увеличить маржу на несколько процентов.

• Прогнозирование спроса и оптимизация товарных запасов позволяет повысить доступность товара для клиентов и снизить списания по сроку годности.

• Оптимизация операций складской и транспортной логистики позволяет снизить OPEX на заказ. 

Сложности использования Big Data в eСommerce

Получить доверие бизнес-пользователей - одна из основных сложностей, которую называют онлайн-ритейлеры, говоря об использовании инструментов и технологий, построенных на основе Big Data. Ведь компании необходимо доказать, что анализ данных может повысить эффективность бизнес-направления. Лишь поняв это, бизнес-пользователи становятся готовы вкладываться с удвоенной силой в подобные технологии. И тогда существенно возрастают и скорость решения задач, и эффект применения инноваций.

Другими сложностями являются процесс сбора данных, дефицит на рынке необходимых технических специалистов и, конечно, правильный подход при построении хранилищ данных.