LOGO

Зачем Big Data нужна ритейлу

Игорь Бахарев
05 Декабря 2019, в 02:07, в Новости e-commerce, в сюжете: big data, аналитика

Практика использования больших данных уже весьма распространена среди крупных зарубежных ритейлеров. Благодаря Big Data Amazon построил собственный алгоритм динамического ценообразования, а H&M оптимизировал ассортимент, избежав закрытия. Директор по продажам компании Arenadata Михаил Гавриков, рассказал, зачем большие данные нужны ритейлу и как отечественные магазины применяют их в бизнесе. 

Начнем с факта, необходимого для общего понимания процесса: построение технологий на основе Big Data актуально тогда, когда компания сталкивается с огромным количеством информации, обработать которую человеку физически невозможно. 

Например, сети Walmart, в которую входят 20 тысяч магазинов, расположенных в 28 странах, приходится каждый час обрабатывать 2,5 петабайт данных. Ритейлер получает информацию из 200 источников - это метрологические, экономические данные, данные Nielsen, телекоммуникаций, соцсетей, даже цены на газ и местные новости. Чтобы справиться с таким потоком, Walmart создала аналитический хаб Café data: каждый час он обрабатывает около 25 тысяч запросов, 90% которых анализируется в течение 2 секунд. 

Создают собственные лаборатории для работы с Big Data и российские компании. Например, у Lamoda есть исследовательская лаборатория Data Science, которая регулярно изучает покупателей, выделяя их ключевые характеристики. Поведение пользователей на платформе тщательным образом анализируется, учитывается буквально все: от кликов на товары до истории покупок. 

В Х5 Retail Group, сети с более чем 15 тысячей магазинов, развернута платформа больших данных из 270 серверов (ядром которой выступает кластер Hadoop объемом 4 петабайта данных), к которой подключены 70 источников. И все это для того, чтобы максимально эффективно взаимодействовать с главным игроком бизнеса - покупателем, строить для него персонализированные сервисы, прогнозировать его интересы, анализировать изменения потребностей. 

Как уточняет руководитель отдела бизнес-приложений управления корпоративной аналитики и отчетности департамента финансов ГК "ДИКСИ" Александр Пивкин, Big Data позволяет по-новому взглянуть на такие процессы, как планирование, прогнозы, предсказание рисков, увеличивая их точность и надежность. А также выявить факторы, которые значительно влияют на бизнес, но не так очевидны при обычно оценке. 

Как это происходит

Ритейлер собирает всю возможную информацию о клиентах: собственные данные - как о чеках, так и о покупателях, зарегистрированных в системе лояльности, чужие данные - от партнеров. Весь гигантский объем полученных знаний оказывается в едином хранилище, где его можно обогащать и в дальнейшем анализировать. Поэтому важно подойти разумно к вопросу его создания. Специализированные инструменты позволяют взять всю имеющуюся о человеке информацию и построить на ее основе аналитическую модель. 

Очень важно то, что данные, поступающие ритейлеру, хранятся сколько угодно долго. Это означает, что при разработке модели может использоваться информация за прошедшие годы. Поэтому в результате анализа получается качественная модель с высокой достоверностью. 

Вторым этапом идет внедрение получившейся модели в постоянный процесс взаимодействия с клиентом. Если с помощью классических инструментов можно было воздействовать на покупателей только через сайт или посредством email-рассылки, то Big Data позволила строить более сложные сценарии: предложение может быть отправлено или показано клиенту в самый подходящий момент. Например, когда человек пришел в магазин или вошел на его сайт и начал на нем что-то искать. К формирующейся в реальном времени истории начинают применяться аналитические алгоритмы, которые вычисляют, что можно предложить конкретному посетителю. 

Персональные предложения: скидки, цены и акции

Работа с большими данными позволяет ритейлеру выявить закономерности поведения покупателей. Например, выяснить, как на продажу того или другого товара влияет погода. Причем, речь не идет о каких-то поверхностных выводах - что летом часто покупают мороженное, а зимой прекрасно продаются перчатки или варежки. Big Data позволяет оперировать более тонкими материями, и узнать, допустим, что костромчане при ветреной погоде чаще покупают зефир. Основой для анализа становится огромное количество информации: чеки, данные из систем лояльности, социальные сети. 

У Amazon даже был забавный кейс на заре использования Big Data. Жительница США начала получать персонализированные предложения со скидками на товары для новорожденных. Все бы ничего, но у нее не было детей. Возмущение женщины спустя совсем небольшой период времени сменилось удивлением: выяснилось, что она беременна, и что ритейлер узнал об ее положении раньше нее самой. Но никакой магии: машинный алгоритм Amazon просто анализировал запросы в поисковых сетях, выявил такую закономерность, и оказался прав. 

Анализ данных о пользователях помогает ритейлерам максимально персонализировать предложения. Например, в Lamoda стараются сделать так, чтобы клиент воспринимал магазин как личный гардероб, в котором лежат вещи подходящего размера, любимого бренда, которые сочетаются между собой, подобраны по погоде и для всех членов семьи, а интерфейс настроен так, чтобы было просто выбрать все, что нужно за пару кликов. В этом смысле в двух лежащих рядом друг с другом смартфонах можно обнаружить две разные Lamoda. 

"Персонализированное предложение Lamoda на основе данных о пользователях включает в себя, во-первых, широкий ассортимент релевантных нашим целевым аудиториям брендов, которые мы предлагаем, например, в персональных тематических подборках. Во-вторых, уникальные опции доставки для конкретного пользователя. В-третьих, индивидуальные рекомендации по подбору размера, которые учитывают историю предыдущих покупок у выбранного бренда или сопоставляют две разные размерные сетки друг с другом", - рассказала управляющий директор по цифровому маркетингу и продукту Lamoda Group Юлия Никитина.

Команда X5 Retail Group старается строить свои закономерности, анализируя для этого любые инсайты, включая погоду, локацию, поведенческие особенности, тренды, фигурировавшие в прошлом. Это помогает сократить издержки и сформировать для покупателей лучшие ценностные предложения.

"Исследования покупательского поведения показывают, какие товары чаще покупаются в одной корзине или какие действия можно ожидать от клиента, если в наличие нет его любимого бренда - найдет он замену или уйдет из нашего магазина без покупки. Исследования ассортимента проводятся для всех категорий товаров в разных разрезах", - отмечает директор по разработке и сопровождения продуктов больших данных X5 Retail Group Андрей Молчанский.

Например, при покупке молотого кофе для покупателя очень важно, чтобы в названии фигурировали итальянские слова, при этом страна производства кофе не имеет определяющего значения. А если прямо сейчас в конкретной корзине клиента присутствует Спрайт, то с вероятностью более 75% у него намечается вечеринка с алкогольными напитками (и мы знаем, что предложить стоит вермут или ром) и/или пикник (и наиболее востребована будет скидка на уголь и одноразовую посуду). Но данная закономерность не будет действовать для покупателей Кока колы.

"Такие инсайты позволяют делать наиболее релевантные предложения клиентам по наполнению и стоимости их корзины или продвигать новинки, в чем заинтересованы поставщики, или даже менять ассортимент для увеличения его маржинальности", - добавляет Молчанский. 

Более того, с помощью платформы построенной на использовании Big Data, компания выстраивает максимально эффективные рекомендации о том, с кем и как лучше сейчас взаимодействовать, чтобы растить лояльность и удовлетворенность клиента. Другим важным направлением для развития Big Data X5 Retail Group является создание моделей динамического ценообразования в зависимости от месторасположения магазина и его окружения. 

Построение динамического ценообразования на основе Big Data наглядно демонстрирует и опыт сети Safeway: она анализирует модели покупок. Например, клиент получает персонализированное предложение со скидкой на огурцы. Это сделано потому, что цифровые инструменты ритейлера выявили, что этот человек приобретает много овощей и фруктов и, возможно, является вегетарианцем. Таким образом он получит скидку, а магазин нивелирует затраты, поставив более высокую цену на огурцы людям с другой моделью покупок. 

Другой вариант: использование геолокации. Покупатель, находящийся рядом с магазином, видит цены на сайте сети ниже, чем те клиенты, которые находятся от него на более значительном расстоянии. Таким образом ритейлеры с большой сетью магазинов стимулируют покупателей совершать покупки в ближайшей к ним точке продаж.

Более того, на основе Big Data ритейлеры начинают активно использовать и гео-маркетинг, сотрудничая с компаниями, способными определять местоположение людей (обычно речь идет о сотовых операторах). Это совершенно законно, потому оператор не передает никакие персонализированные данные, а предлагает агрегационные рекомендации на основе гео-позиции. Предположим, некий Алексей вышел из метро. Сотовый оператор, на базе той информации, которая у него есть, определяет паттерн для того, что искал этот пользователь в интернете, и понимает, что тот любит кофе. Его система в режиме реального времени узнает, что рядом есть сетевой магазин с зоной кафе, и отправляет Алексею QR со ссылкой, предъявив который в магазине, он получит скидку 10% на чашку кофе. 

Формирование ассортимента

Наглядный пример применения Big Data при формировании ассортиментной политики продемонстрировала сеть H&M. В 2018 году на протяжении 10 месяцев ее прибыль падала. Начали поговаривать, что ритейлер даже закроется. Но нет, он решил найти причину грядущего краха с помощью высоких технологий. В одном из стокгольмских магазинов H&M аналитики детально проанализировали продажи и возвраты. И пришли к выводу, что клиентская база (в основном женщины) предпочитает одежду и аксессуары пастельных тонов, и готова платить за них даже больше, чем предполагал ритейлер. В итоге он сократил SKU мужской одежды, добавил посуду, дорогие кожаные сумки и кашемировые свитера. Проанализировав данные и других своих магазинов, сеть смогла убрать 40% невостребованного ассортимента, не снизив при этом показатели продаж. 

На ассортиментную политику влияют и тепловые карты, которые строят инструменты видеоаналитики. Они помогают определить наиболее оптимальные места для расположения товаров и узнать, в какой день недели или даже время суток пользуется популярностью тот или иной отдел магазина, где лучше располагать рекламные объявления. 

Растущий поток информации, который необходимо обрабатывать и использовать для того, чтобы наиболее эффективно взаимодействовать с покупателями, требует внедрения инновационных инструментов. И только с их помощью ритейлер может вывести бизнес на новый уровень и построить успешную конкурентную политику.

Похожие статьи и интервью
Рынок детских товаров: аналитика Data Insight
Логисты в ожидании возвратов: как сезон распродаж влияет на обратную логистику
Электронная коммерция 2019-2020: 15 основных трендов
"Чёрная пятница" в России: первые данные
"Черная Пятница" в США: немного аналитики
Как VR-технологии меняют индустрию развлечений и ритейла
Когда ждать наплыва посетителей в "Черную пятницу": аналитика Criteo
Как объединять возможности офлайн и онлайн-шопинга: кейс Butik.ru
Онлайн-рынок бытовой техники и электроники: аналитика Data Insight
"Рынок не думает тормозить": аналитики Data Insight сделали прогноз на 2019 год
Как снизить CPM на 28% и увеличить охват рекламы: кейс М.Видео
Как запустить маркетплейс за 3.5 месяца: кейс Leroy Merlin Market
Как покупают в онлайне большие и малые города: аналитика Tiu.ru
Зеленодольское эльдорадо: что тянет онлайн-ритейл в Татарстан?
Путём Amazon: eBay начинает трансформацию компании
Российский eCommerce в третьем квартале: анализ аудитории
Продажи на онлайн-маркетплейсах к 2024 году превысят $7 трлн: прогноз iBe TSE
7 этапов принятия решения покупателем и способы влияния на них
Разные каналы доставки сообщений и почему они все важны
Китайский кроссбордер в России: аналитика Admitad
Дайте покупателям интернет-магазина кредит или рассрочку, и ваши продажи вырастут
Черная пятница в России, США и мире: результаты, различия, тренды
Семь трендов онлайн-торговли в 2020 году
Зачем бренду собственное сообщество: цифры и кейсы
Всё на экспорт: как российские продавцы торгуют на зарубежных рынках
Сезон распродаж в 2019 году станет рекордным: аналитика Adobe Analytics
АКИТ: рынок доставки еды в 2019 году удвоится
Российский рынок eCommerce: аналитика ePN
eCommerce-рынок Петербурга резко вырос: аналитика "Яндекс.Маркета"
Соломон Кунин, goods.ru: "Маркетплейсы сегодня - это постоянная гонка вооружений на сверхзвуковых скоростях"
СЕО X5 Игорь Шехтерман: К 2029 году доля онлайн-доставки продуктов увеличится с 0,2% до 4,5%
Avito и Data Insight: рынок C2C в интернете вдвое за два года
"Physical + digital = Phygital": как бьюти-бренды совмещают разные каналы
7 трендов года: версия Марка Завадского
Как работает новая реферальная программа Ozon
Самые важные игроки отрасли eCommerce: версия Data Insight
Рынок eCommerce в первом полугодии 2019 года: аналитика Data Insight
Доставка в багажник: плюсы, минусы, бенефициары
Продуктовый напор: новые игроки выходят на рынок доставки готовой еды
Рынок eCommerce-логистики вырос на треть: аналитика Data Insight
Чёрная пятница 2019: чего ждать магазинам
Как продавать детские товары: советы от GfK
Зоотовары ушли в онлайн: аналитика "Яндекс.Маркета"
Забастовка курьеров Ozon в СПб: ход событий
Рынок детских товаров пал жертвой концентрации: аналитика Data Insight
Елена Галецкая, "Точка любви": "Интим-товары нельзя продавать с "холодным" сердцем"
Как подарок клиентам может принести проблемы: кейс Forever 21
Интернет-магазин на старте: технологический минимум
Продажи через социальные каналы: аналитика Data Insight
Транспортные дроны-тяжеловозы: готов ли к ним рынок?
Объём eGrocery в РФ к 2023 году вырастет почти в 10 раз: аналитика InfoLine
"Серийные возвращатели": как британский eCommerce страдает от возвратов и борется с ними
B2B-eCommece в Европе: аналитика Copperberg
Эксперты оценили онлайн-рынок лекарств
10 главных причин неудачи стартапов электронной коммерции: аналитика MarketingSignals
Рынок труда в eCommerce: грядут перемены?
Как пользовательский контент повышает доверие к бренду: лучшие кейсы
"Кроссбордерная волна" пошла на убыль
eCommerce сделал российских покупателей "антилояльными": аналитика Nielsen
Онлайн-рынок аптек 2018: аналитика Data Insight
Успешные кейсы развития b2b интернет-магазинов мировых компаний
Чего нам ждать в электронной коммерции в период до 2021 года?
Лю Вэй AliExpress о логистических планах компании в России
Кто станет российским Amazon?
Рынок eCommerce России: январь-июнь 2019
eCommerce-рынок Китая: официальная аналитика
10 лучших программ лояльности со всего мира: рейтинг 2019 года
Российский eCommerce достиг 1,7 трлн рублей: аналитика Radius Group
Как мы наращивали продажи и боролись с невыкупленными заказами: история "Ив Роше"
Wildberries расширяется в Казахстане: всё о планах компании
Половина россиян регулярно покупает уцененные товары
Автоматизация бизнес-процессов в eCommerce: делать самим или отдать на аутсорс?
Как купонные сайты увеличивают продажи интернет-магазинов: аналитика Admitad
Что и как покупают россияне в интернете: аналитика Google, Ipsos и Kantar TNS
Роскачество назвало признаки фейковых отзывов
Школьные товары идут через онлайн: аналитика Deloitte
9 способов уменьшить возврат одежды
Европейские fashion-гиганты держат курс из офлайна к eCommerce
Автомобили онлайн: кто и как покупает машины в сети
Онлайн стал драйвером продаж дачных товаров
Кейс Stylus: как в 3 раза увеличить продажи из email-канала
Как устроена программа лояльности Starbucks
Как Amazon наказывает продавцов: обратная сторона маркетплейса
Модели продаж в eCommerce: плюсы и минусы
Основные проблемы российского eCommerce: аналитика "Яндекс.Кассы"
Как россияне покупают в интернете: аналитика "Битрикс24"
Тренды в ритейле: данные исследования Retail Trends 2019 от KPMG
Роботы, BigData, Дроны — как технологии изменили складскую и транспортную логистику
Какие автомобили покупают в онлайне: топ-10 2019 года
Невыкупы, отмены, возвраты: почему любимый клиент вам отказывает?
Построение триггерной коммуникации маркетплейса goods.ru от «А» до «Я»
Онлайн-рынок продуктов питания: аналитика Data Insight
eCommerce в Европе: подробная аналитика Ecommerce Foundation
О чем может сказать магазину статистика поисковых запросов на сайте