Почему Big Data - один из важнейших инструментов в eСommerce

Игорь Бахарев

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.

Материал по теме

Диалог с покупателем: как ответы на отзывы формируют репутацию бренда

Материал по теме

Как продавать с помощью YouTube канала: пошаговый план

Материал по теме

Жаркий сезон – горячие продажи: как заработать на Wildberries летом

Подписаться на новости

Актуальное сейчас

Россияне стали чаще выбирать отечественные бренды одежды

Согласно исследованию экспертов одежной сети Familia, проведенному весной 2025 года, половина россиян при выборе одежды ориентируется на качество и внешний вид, а не на бренд. Данные подтверждают позитивную...

Онлайн-ретейл за пять лет увеличил складские площади в семь раз и догнал офлайн

Российский онлайн-ретейл за пять лет достиг рекордного роста складских площадей. Согласно исследованию NF GROUP, с 2020 по 2024 год совокупный объем складов, арендуемых крупнейшими игроками eCommerce, вырос...

Почта России запустила паллетные перевозки

Почта России выводит на рынок новый сервис для eСommerce — паллетную доставку сборных грузов. Услуга, запущенная в пилотном режиме, дополняет линейку решений для онлайн-торговли, включая платформу "ЕКОМ Мар...

Ozon начал продажу плавучих домов за 150 млн рублей

Ozon вслед за WildBerries расширяет ассортимент премиальных товаров, добавив в категорию "Водная техника" плавучие дома. Первым предложением стал двухэтажный хаусбот Flagman 220 от российского производителя Hou...

Ozon Fashion фиксирует всплеск спроса на выпускные образы

Ozon Fashion зафиксировал резкий рост продаж в категориях fashion и beauty накануне выпускных. Тренды сезона отразились в предпочтениях покупателей: платья миди-длины в насыщенных оттенках — изумрудном, вин...

Ozon представил сервис краткосрочной аренды авто для предпринимателей

Ozon расширяет линейку B2B-услуг, запустив сервис краткосрочной аренды коммерческого транспорта. Сервис "Ozon Напрокат" ориентирован на предпринимателей и юридических лиц, предлагая автомобили по тарифу от ...

Согласие на обработку персональных данных

×

Физическое лицо, оставляя заявку на веб-сайте e-pepper.ru через форму подписки на e-mail рассылку, действуя свободно, своей волей и в своем интересе, а также подтверждая свою дееспособность, предоставляет свое согласие на обработку персональных данных (далее — Согласие) Обществу с ограниченной ответственностью «МАКС ТЕХНОЛОДЖИ» (ООО «МАКС ТЕХНОЛОДЖИ») (ИНН 7701370771), которому принадлежит веб-сайт e-pepper.ru и которое зарегистрировано по адресу 115114, Москва, 1-й Павелецкий проезд, 1/42к2, помещение 1а/2п, офис 4, на обработку своих персональных данных со следующими условиями:

  1. Данное Согласие дается на обработку персональных данных, как без использования средств автоматизации, так и с их использованием.
  2. Согласие дается на обработку следующих моих персональных данных: персональные данные, не относящиеся к специальной категории персональных данных или к биометрическим персональным данным: адрес электронной почты (e-mail); имя; сведения о месте работы; номер мобильного телефона.
  3. Цель обработки персональных данных: обсуждение возможного проекта.
  4. В ходе обработки с персональными данными будут совершены следующие действия: сбор; запись; систематизация; накопление; хранение; уточнение (обновление, изменение); извлечение; использование; передача (предоставление, доступ); блокирование; удаление; уничтожение.
  5. Персональные данные обрабатываются в течение 30 дней с момента отказа в дальнейшем обсуждении проекта или с момента принятия решения о заключении договора на проект в соответствии с ч. 4 ст. 21 152-ФЗ, смотря что произойдет раньше.
  6. Согласие может быть отозвано вами или вашим представителем путем направления ООО «МАКС ТЕХНОЛОДЖИ» письменного заявления, по адресу 115114, Москва, 1-й Павелецкий проезд, 1/42к2, помещение 1а/2п, офис 4.
  7. В случае отзыва вами или вашим представителем Согласия ООО «МАКС ТЕХНОЛОДЖИ» вправе продолжить обработку персональных данных без него при наличии оснований, указанных в пунктах 2 — 11 части 1 статьи 6, части 2 статьи 10 и части 2 статьи 11 Федерального закона № 152-ФЗ «О персональных данных» от 27.07.2006 г.
  8. Настоящее согласие действует все время до момента прекращения обработки персональных данных, указанных в п. 6 и п. 7 Согласия.