Онлайн-торговля уже вовсю использует преимущества, предлагаемые системами аналитики. Сюда входят и CRM-системы для создания программ лояльности, и возможность поменять дизайн и вывести на первые позиции наиболее привлекательные предложения, и персональные рекомендации, и специальные предложения, составленные с помощью больших данных в буквальном смысле «лично для вас». А как же офлайн-розница?
Согласно IDC, количество хранимой информации в мире растет на 40% в год. Неструктурированные данные поступают из разных источников. Розница, работающая как в онлайн-, так и в оффлайн-режиме, является тем видом бизнеса, который в первую очередь сможет извлечь выгоду от использования больших данных. Чем больше инноваций внедряют магазины (RFID-метки, системы NFC, анализ сведений из соцсетей и сигналов мобильных устройств), тем больше данных поступает для анализа и разработки новых стратегий. Кроме того, уже многие оффлайн-магазины осознают, что пришло время пересмотреть стратегии коммуникации с клиентами. Их интересуют возможности по созданию умных магазинов и построению персонализированного общения с потребителями.
Откуда берутся большие данные?
Источник: Onlinebusinessdegree.org, 2013
Используя большие данные в торговле, продавцы смогут значительно повысить качество услуг благодаря персонализации предложений и улучшению маркетинговых стратегий. По словам Сергея Нестеренко, руководителя отделения интеграции дивизиона данных компании IBS, розница использует большие данные, чтобы оптимизировать ценообразование, оперативно определять реакцию посетителя на предлагаемый товар, применять прогнозную аналитику и лучше планировать как поставки, так и расположение товаров.
Облачные вычисления и обработка данных в реальном времени с минимальной задержкой позволяют розничным предприятиям создавать точные и персонализированные маркетинговые предложения. Так, популярность Amazon во многом зависит от сервиса рекомендаций, используемого магазином. Как рассказал BBC Вернер Фогельс, технический директор Amazon, данных много не бывает, и чем их больше, тем лучше и точнее будут полученные результаты: «Предположим, холодным зимним днем продавец сможет порекомендовать вам пальто из коллекции, вещи из которой вы раньше уже покупали. В будущем, когда вы сможете использовать другие источники информации, такие, как голос или видео, ваши возможности станут гораздо более интересными».
Система рекомендаций от Amazon определяет товары, способные заинтересовать покупателя, на основе оценок, которые он ставил на сайте, и покупок, которые уже совершил. Решение было далеко не совершенным, отмечает эксперт, но благодаря методам компьютерного обучения система становится лучше. «Вы приходите к нам за чайником, и мы подберем для вас тот прибор, который наилучшим образом подходит к кухонным принадлежностям, что вы уже приобрели» — иллюстрирует работу системы Вернер Фогельс.
Сергей Нестеренко считает достойным внимания пример применения аналитики больших данных в Otto Group, одном из мировых лидеров в онлайн-торговле. Семейный бизнес, основанный в 1949 г. в Германии, сейчас имеет 123 отделения и более 53 800 сотрудников в более чем 20 странах мира. На российском рынке отделение компании открылось в 1990 г.
Компания проанализировала поведение покупателей на сайте: виртуальный маршрут посетителей и продолжительность визита, случаи незавершенных покупок и те страницы, на которых происходит «потеря» клиента, чтобы оптимизировать ценообразование. Рассмотрев характеристики неконкурентоспособных товаров (цена, качество, доставка, цвет) и дополнив их сведениями из профиля клиента в соцсетях (количество друзей, количество подписчиков, «вес» на графе связей в социальных сетях, частота твиттов), компания смогла в реальном времени выделить наиболее обсуждаемые товары, повысить удовлетворенность покупателей и получить более широкий охват аудитории в сети.
Компания «Юлмарт» использует технологии больших данных, чтобы правильно построить коммуникации с клиентами и маркетинговые стратегии. Персонализированная рассылка, проводимая специалистами «Юлмарта» по результатам глубокого анализа данных с использованием методов data mining, дает высокую конверсию как по сравнению с обычными рассылками компании, так и для рынка в целом, сообщает Николай Валиотти, руководитель отдела стратегического анализа и сценарного планирования компании «Юлмарт». Такого эффекта специалисты компании смогли добиться благодаря использованию верных алгоритмом обработки данных, систем рекомендаций и глубинного анализа корреляций в потреблении. «В настоящее время «Юлмарт» представляет собой компанию, в которой менеджмент принимает решения на основе большого числа математических расчетов, анализа параметров и внешней среды», — заключает эксперт.
На рынке есть множество решений для анализа больших данных. Рассмотрим некоторые из них.
Как применяют большие данные в розничных сетях
Источник: QMAXSL, 2013
RetailNext, разработчик систем комплексной аналитики для розничной торговли, — одна из первых компаний на рынке, внедряющих аналитические системы из цифрового мира в оффлайн-магазинах. В ход идет все: данные, полученные от операций с кредитными картами, информация, поступающая от сотрудников магазина, записи с камер видеонаблюдения, прогноз погоды (о применении этих данных подробнее будет рассказано ниже). Система помогает определить оптимальное местоположение и составить маршруты для покупателей, анализирует, какие полки и рекламные стенды кажутся посетителям наиболее привлекательными и т.д.
Технология для навигации в помещении iBeacon от Apple позволит продавцам и разработчикам мобильных приложений идентифицировать клиентов в тот момент, когда они входят в магазин. Смартфон сможет передавать информацию о пользователе и после идентификации отображать специальные предложения от разных продавцов, в зависимости от того, в каком магазине находится клиент. Разработчики обещают, что услуга будет предоставляться только в том случае, если клиент подтвердит свое согласие.
На базе программного интерфейса интеллектуальной системы Watson от IBM компанией Fluid была разработана система рекомендаций для розничных магазинов Fluid Expert Personal Shopper. Решение планируют внедрить в этом году. Система будет отвечать на вопросы пользователей, сформулированные в свободной форме, и предлагать персональные рекомендации на базе собранной информации.
Большие данные помогут с планированием специализированных услуг как оффлайн-, так и онлайн-магазинам. Эксперты IBM считают, что через 5 лет современные технологии объединят цифровой и реальный мир, наделив точки оффлайн-продаж всеми возможностями онлайн-магазинов. На западе многие компании уже сейчас используют большие данные, чтобы сопровождать клиента на пути к покупке и даже до того момента, как он решит что-либо приобрести.
Через 5 лет: большие данные в оффлайн-торговле
Источник: IBM, 2013
У мобильного приложения Starbucks, крупнейшей сети по продаже кофе в мире, 10 млн активных пользователей. Возможность оплаты через мобильный телефон легла в основу маркетинговой стратегии компании. Оплачивая кофе при помощи мобильного приложения, постоянные клиенты зарабатывают звезды, которые потом можно потратить на бесплатный напиток.
Кроме того, Starbucks планирует использовать большие данные, чтобы определить, где открывать новые кофе-шопы. По словам Говарда Шульца, генерального директора Starbucks, речь идет не о расширении покрытия, а о стабильном развитии уже сложившихся сетей, в частности, в США. У Starbucks более 20 000 отделений в 64 странах мира, и более 13 000 из них находятся в Америке. Еще 1 700 магазинов должно открыться в Штатах к 2017 г. Ранее в 2007-2008 гг. компания открывала одно отделение напротив другого, и буквально через полтора года закрывала многие из них. Причина была проста: кофе-шопы конкурировали друг с другом и поглощали сами себя.
Сеть ресторанов быстрого питания Burger King также заговорила об использовании мобильных приложений и систем бизнес-аналитики. В апреле этого года мировой гигант фаст-фуда запускает приложение, позволяющее клиентам обменивать купоны на еду и оплачивать покупки с помощью мобильных устройств. «Настоящее преимущество этой технологии в том, что мы сможем лучше понять потребительское поведение наших клиентов», — так прокомментировал нововведение Алекс Мацедо, руководитель компании в Северной Америке.
Данные о покупках будут использоваться, чтобы разработать новые программы лояльности: постоянным клиентам предложат бесплатную еду. Компания также планирует собирать данные о предпочтениях посетителей ресторана: к примеру, если вы заранее оплачиваете ваши Вопперы (гамбургеры Burger King), то вам их приготовят так, как вы любите: сильно прожаренными или нет. Кроме того, специалисты компании надеются, что собранная информация поможет улучшить меню. Постепенно мобильное приложение начнут использовать в 7 200 заведениях сети. Кстати, один из конкурентов Burger King — MC Donald’s — также тестирует собственное мобильное приложение в 1000 заведений.
Розничные магазины используют прогнозы синоптиков, а также информацию из соцсетей и данные о передвижениях, собранные благодаря мобильным устройствам, чтобы лучше планировать закупки. В частности, прогноз погоды и результаты мониторинга соцсетей подсказывают ритейлеру, сколько пива, цыплят-бройлеров и наборов для барбекю необходимо поставить на склад, к примеру, к следующему воскресенью.
Рынок больших данных в РФ только зарождается, заявили эксперты IDC на прошедшей в ноябре конференции Big Data and Business Analytics Forum 2013. Максимальная выгода от применения больших данных ожидается в рознице, банковском деле, на госпредприятиях, и среди крупных телекоммуникационных операторов.
Несмотря на положительные прогнозы аналитиков, опыт западных коллег и радужные перспективы, которые сулят эксперты продавцам, обратившимся к большим данным, с развитием этих технологий на отечественном рынке не так все просто. Как уже писал CNews, в российской рознице идея строить бизнес при помощи больших данных воспринимается с опаской.
Большие данные в российском ритейле
Применяют | Планируют внедрение | Не применяют и не планируют |
Лента | X5 Retail Group | Auchan Groupe |
Городской супермаркет (Азбука вкуса) | Metro Group | ГК О’Кей |
Глория Джинс (Gloria Jeans & Gee Jay) |
М.Видео | Евросеть |
Мегафон | Эльдорадо | Компьютерный центр ДНС |
Юлмарт | ГК Связной | Седьмой континент |
Алькор и Ко (Л`Этуаль, BonJoli) |
Спортмастер (ГКСпортмастер) | |
Белый ветер | Центробувь | |
Гиперглобус* (Globus) |
||
Atac* | ||
МТС | ||
Детский мир — Центр | ||
Супермаркет «Кировский» | ||
O'STIN (ГК Спортмастер) |
||
Spar |
Источник: CNews Analytics, 2014
*по данным CNews Analytics
Опять же, следует отметить, что многие эксперты отечественной розницы до сих пор даже не определились, чем же являются большие данные. Так, на конференции CNews Conferences и CNews Analytics «ИКТ в Ритейле 2014», участники дискутировали, что же такое большие данные: можно ли приравнивать к ним данные, с которыми работают системы бизнес-аналитики, и можно ли вообще говорить о больших данных в российском ритейле.
Как отметил Сергей Нестеренко из IBS, в России некоторые сети и online-магазины интересуются технологиями больших данных, но «реальных примеров регулирования ценообразования на практике пока не встречалось». Несмотря на то, что отечественная розница стремится стать более технологичной, предприятия развивают фронт-офисные технологии (в первую очередь, внедряют CRM-системы для создания и оптимизации программ лояльности) и бэкофисные решения (ERP, геоинформационные системы, инструменты BI, к примеру, для сбора информации о посетителях по Wi-Fi), предприятия пока не готовы к масштабным внедрениям и перестройке принципов работы. Кроме того, на рынке ощущается острая нехватка специалистов, способных работать с большими данными.