Велики подаци на услузи малопродаји

Како трговци користе велике податке да побољшају персонализацију у три кључна аспекта за купца – асортиман, понуда и испорука, речено у Умбрелла ИТ

Крајем 1990-их, предузетници из свих сфера живота схватили су да су подаци вредан ресурс који, ако се правилно користи, може постати моћно оруђе утицаја. Проблем је био у томе што се обим података експоненцијално повећавао, а методе обраде и анализе информација које су постојале у то време нису биле довољно ефикасне.

Током 2000-их, технологија је направила квантни скок. На тржишту су се појавила скалабилна решења која могу да обрађују неструктуриране информације, да се носе са великим оптерећењима, изграде логичке везе и преведу хаотичне податке у формат који се може интерпретирати и који човек може да разуме.

Данас су велики подаци укључени у једну од девет области програма Дигитална економија Руске Федерације, заузимајући прве линије у рејтингу и ставкама трошкова компанија. Највећа улагања у технологије великих података остварују компаније из трговинског, финансијског и телекомуникационог сектора.

За 10-20 година, велики подаци ће постати главно средство капитализације и играће улогу у друштву упоредиву по значају са електропривредом, кажу аналитичари.

Данашњи купци више нису безлична маса статистике, већ добро дефинисани појединци са јединственим карактеристикама и потребама. Они су селективни и без жаљења ће се пребацити на бренд конкурента ако им се понуда учини привлачнијом. Зато трговци користе велике податке, који им омогућавају да комуницирају са купцима на циљани и тачни начин, фокусирајући се на принцип „јединствен потрошач – јединствена услуга“.

1. Персонализовани асортиман и ефикасно коришћење простора

У већини случајева, коначна одлука „купити или не купити“ се дешава већ у продавници близу полице са робом. Према Ниелсен статистици, купац троши само 15 секунди тражећи прави производ на полици. То значи да је веома важно да предузеће обезбеди оптималан асортиман одређене продавнице и правилно га презентује. Да би асортиман задовољио потражњу, а дисплеј промовисао продају, потребно је проучити различите категорије великих података:

• локална демографија,
• солвентност,
• перцепција куповине,
• куповине програма лојалности и још много тога.

На пример, процена учесталости куповине одређене категорије робе и мерење „прелазања“ купца са једног производа на други ће помоћи да се одмах схвати која се ставка боље продаје, која је сувишна, и, стога, рационалније прерасподели готовину. ресурсе и планирати складишни простор.

Посебан правац у развоју решења заснованих на великим подацима је ефикасно коришћење простора. Трговци се сада ослањају на податке, а не на интуицију када излажу робу.

У хипермаркетима Кс5 Ретаил Гроуп, распореди производа се генеришу аутоматски, узимајући у обзир својства малопродајне опреме, преференције купаца, податке о историји продаје одређених категорија робе и друге факторе.

Истовремено се прати исправност распореда и број робе на полици у реалном времену: видео аналитика и технологије компјутерског вида анализирају видео ток који долази са камера и истичу догађаје према наведеним параметрима. На пример, запослени у продавници ће добити сигнал да су тегле конзервираног грашка на погрешном месту или да је кондензовано млеко нестало на полицама.

2. Персонализована понуда

Персонализација за потрошаче је приоритет: према истраживању Еделман и Аццентуре, 80% купаца је вероватније да ће купити производ ако продавац направи персонализовану понуду или попуст; штавише, 48% испитаника не оклева да оде код конкурената ако препоруке производа нису тачне и не задовољавају потребе.

Да би испунили очекивања купаца, трговци на мало активно примењују ИТ решења и аналитичке алате који прикупљају, структурирају и анализирају податке о купцима како би помогли у разумевању потрошача и довели интеракцију на лични ниво. Један од популарних формата међу купцима – одељак са препорукама производа „можда сте заинтересовани“ и „купите са овим производом“ – такође се формира на основу анализе претходних куповина и преференција.

Амазон генерише ове препоруке користећи алгоритаме за колаборативно филтрирање (метод препоруке који користи познате преференције групе корисника да би предвидео непознате преференције другог корисника). Према речима представника компаније, 30% укупне продаје је због Амазоновог система препорука.

3. Персонализована испорука

Савременом купцу је важно да брзо добије жељени производ, без обзира да ли је у питању испорука поруџбине из онлајн продавнице или долазак жељених производа на полице супермаркета. Али само брзина није довољна: данас се све испоручује брзо. Индивидуални приступ је такође вредан.

Већина великих трговаца и превозника има возила опремљена многим сензорима и РФИД ознакама (користе се за идентификацију и праћење робе), од којих се добијају огромне количине информација: подаци о тренутној локацији, величини и тежини терета, загушености саобраћаја, временским условима , па чак и понашање возача.

Анализа ових података не само да помаже у стварању најекономичније и најбрже трасе руте у реалном времену, већ и осигурава транспарентност процеса испоруке за купце, који имају прилику да прате напредак своје поруџбине.

Персонализација испоруке је кључни фактор за купца у фази „последње миље“. Продавац који комбинује податке о купцима и логистици у фази стратешког одлучивања моћи ће да одмах понуди клијенту да преузме робу са места издавања, где ће бити најбрже и најјефтиније да је испоручи. Понуда за пријем робе истог или следећег дана, уз попуст на доставу, подстаћи ће клијента да оде чак и на други крај града.

Амазон је, као и обично, отишао испред конкуренције патентирајући технологију предиктивне логистике коју покреће предиктивна аналитика. Суштина је да продавац прикупља податке:

• о претходним куповинама корисника,
• о производима додатим у корпу,
• о производима додатим на листу жеља,
• о кретању курсора.

Алгоритми машинског учења анализирају ове информације и предвиђају који ће производ купац највероватније купити. Ставка се затим шаље путем јефтиније стандардне доставе до чворишта за испоруку најближе кориснику.

Савремени купац је спреман да плати индивидуални приступ и јединствено искуство два пута – новцем и информацијама. Пружање одговарајућег нивоа услуге, узимајући у обзир личне преференције купаца, могуће је само уз помоћ великих података. Док лидери у индустрији стварају читаве структурне јединице за рад на пројектима у области великих података, мала и средња предузећа кладе се на решења у кутијама. Али заједнички циљ је да се изгради тачан профил потрошача, да се разуме бол потрошача и да се утврде покретачи који утичу на одлуку о куповини, да се истакну листе за куповину и створи свеобухватна персонализована услуга која ће подстаћи куповину све више и више.