Большие данные в ритейле: что они дают и как с ними работать

Время чтения: 7 минут.

О технологии Big Data и перспективах ее использования в самых различных сферах – от бизнеса до сложных научных исследований – с каждым днем говорят все больше и больше.

Алексей Деревянкин, технический директор «Первого ОФД», рассказывает о возможностях, которые дает Big Data в сфере ритейла и грамотном использовании полученных данных.

Менеджер тратит на переоценку товаров более четырех часов в день

Технологии Big Data сейчас нашли наиболее широкое применение в розничной торговле. Ритейлеры обладают огромным количеством данных, которые можно анализировать и применять в работе.

Например, информация о покупателях, которая получается из самых различных каналов:

•  Маркетинговые исследования
•  Промоакции
•  Данные о покупках из товарных чеков, дисконтных и кредитных карт
•  Активность потенциальных покупателей в социальных сетях
•  Обратная связь с клиентами

И огромное количество данных внутри компании:

•  Закупки
•  Результаты продаж
•  Складские остатки

Огромное количество переменных, в результате анализа которых должна быть оптимизирована работа компании, требуют колоссального штата аналитиков, маркетологов и менеджеров. Например, для анализа 24 тысяч запросов в час в сети Walmart раньше работала почти тысяча специалистов.

Также это и гигантские временные затраты.

По оценкам представителей отрасли, в традиционной схеме у менеджера на переоценку товаров уходит более четырех часов в день, при этом во внимание принимаются далеко не все данные о структуре спроса и предложения, товарных запасах и работе конкурентов.

Современный ритейлер может эффективно работать, лишь анализируя информацию и реагируя на изменившиеся условия практически real time.

Что не могут CRM-системы

Новые условия в сфере ритейла, в частности, появление многоканальных путей совершения покупки, изменили устоявшиеся правила розничной торговли. Ситуация осложнена тем, что традиционные IT-решения «заточены» для того, чтобы ответить на вопрос, как продается и кому, но не предназначены для анализа Big Data.

Например, CRM-системы хорошо работают, если необходимо систематизировать сравнительно небольшую и хорошо структурированную базу клиентов и контрагентов или получить статистику эффективности работы с лидами.

CRM-системы – это, прежде всего, решения для автоматизации систем учета, будь то входящие заявки клиентов, учет контактов с клиентами и поставщиками или бухгалтерский учет. Правда, ситуация несколько осложняется тем, что каждый разработчик такого программного обеспечения по-своему видит CRM-систему.

По этой причине универсального решения нет, и каждому ритейлеру приходится дорабатывать его с учетом требований и особенностей собственного бизнеса. Кроме того, CRM-системы решают только часть проблем современного ритейла.

С их помощью, в частности, невозможно точно определить в режиме real time, как происходят продажи в каждой торговой точке большой сети или оценить эффективность маркетинговых акций. Кроме того, сегодня системы, разработанные десять лет назад, не позволяют проводить глубокую аналитику рынка, они работают скорее как агрегаторы данных.

Современный бизнес нуждается не столько в этом, сколько в четких рекомендациях, как поступить в той или иной ситуации, скажем, снижать цены на определенные товары или оставлять их на прежнем уровне в конкретный момент времени. Такую возможность могут предоставить только решения, основанные на работе с Big Data. 

На рынке немало IT-решений, работающих с Big Data

Сегодня на рынке представлено немало IT-решений, работающих с Big Data.

Однако они, как правило, являются частью больших систем (пример – ERP-системы), которые могут применяться в ритейле для решения только части бизнес-задач.

«Коробочное» программное обеспечение или сервисы, реализованные как SaaS, при всем их качестве не позволяют охватить все. Стандартный функционал не всегда подходит каждому ритейлеру. Сложность заключается в том, что все они требуют доработки, кастомизации, что влечет как временные, так и финансовые затраты.

Часть ритейлеров, неудовлетворенных такими возможностями, применяют самостоятельно разработанные решения. Они позволяют проводить и аналитику, и категорийный анализ. Но такие решения по большей части доступны крупным компаниям с развитой IT-службой.

Нынешний ритейл, находящийся в состоянии постоянной жесткой конкуренции, нуждается в IT-решениях, которые могли бы:

•  Эффективно работать с огромным количеством данных в онлайн-режиме
•  Получать оперативную информацию о продажах и наличии товаров во всей сети
•  Прогнозировать работу, учитывая все факторы
•  Своевременно реагировать на изменившиеся обстоятельства
•  Анализировать промоактивности
•  Учитывать влияние на продажи таких сложных переменных, как сезонность, праздники, расположение торговых точек и даже действия конкурентов

Примеры использования Big Data

Ведущие ритейлеры по всему миру уже сегодня используют Big Data для решения определенных задач.

•  Amazon

Компания Amazon использует сервис персональных рекомендаций и динамического ценообразования. Учитывая тысячи факторов, электронный ритейлер меняет цены каждые две минуты.

Кроме этого, Big Data используется для детектирования мошеннических действий. По сообщениям самой компании, уже через шесть месяцев после внедрения новых технологий количество махинаций с пластиковыми картами сократилось на 50%.

•  Staples

Решение для работы с большими данными используется и профильными компаниями. Например, поставщик товаров для офиса Staples, обслуживающий почти всю территорию США, внедрил новые технологии, потому что нужно было автоматизировать обработку и анализ более 10 миллионов транзакций в 1100 розничных магазинах по всей стране ежедневно.

В результате была создана программа прогнозирования дневного и недельного спроса, а расходы на маркетинг и рекламу снижены на 25%, так как они стали таргетированными.

•  Tesco

Сеть розничных магазинов Tesco, которые можно встретить в разных странах мира, добилась очень заметных результатов при оптимизации, казалось бы, уже существующей системы клубных карт лояльности.

Автоматизированная рассылка предложений по новым «умным» увеличила количество применяемых купонов с 3% до 70%. Комбинирование предиктивной аналитики с историей продаж и данными о погоде помогли ритейлеру сохранить огромное количество товаров, которые иначе просто испортились бы.

•  CSV

Еще один показательный пример – использование аналитики больших данных в крупной фармацевтической компании в США. CSV содержала 9600 аптек, которые не могли приносить максимальную прибыль из-за недостаточно четкой инвентаризации и закупок.

Установив систему анализа с элементами Big Data, компания выделила 160 индикаторов, которые сообщали менеджерам об определенных событиях и требовали совершить определенные действия. Таким образом, компании удалось полностью решить проблемы с инвентаризацией.

•  Waitrose

Продающая продукты питания в Великобритании, компания Waitrose специализируется на винах и бакалее. За счет анализа больших данных с учетом сезонности спроса и приближения праздников компании удалось оптимизировать запасы и уменьшить на 40% перезаказы товаров у поставщиков, связанные с неверной оценкой спроса.

Мы, например, будучи оператором фискальных данных, принимаем данные от кассовых аппаратов ритейлеров. Анализируя эти показатели, система может предоставить владельцу бизнеса практически любую информацию, а также необходимые рекомендации. Так можно понять, эффективна ли промоакция, а также возможные дальнейшие действия, причем в режиме реального времени.

Помимо анализа данных, руководство сети может получить информацию о работе каждой торговой точки, наиболее хорошо продающихся товарах в данный момент времени или сбоях в работе.

Подводя итог, можно с уверенностью сказать, что будущее наступило. Уже сегодня можно быстро и качественно анализировать огромные пласты информации и настраивать систему под свои нужды.

Автор:Алексей Деревянкин, технический директор «Первого ОФД»

Источник.