Прогнозная аналитика в розничной торговле
14 августа
Статьи

Перспективы больших данных

С каждым годом объем, разнообразие, скорость и ценность данных в области розничной торговли растут по экспоненте. Умные ритейлеры знают, что каждый из этих параметров – это потенциал для получения прибыли. Большой прибыли. В докладе 2011 года Большие данные: Следующий рубеж для инноваций, конкуренции и производительности, компания McKinsey прогнозировала, что ритейлеры благодаря анализу больших данных смогут повысить свою операционную прибыль на 60%!

Это привело к необходимости появления нового типа аналитиков – специалистов по данным. Их работа заключается в том, чтобы нырять в море больших данных (внутренних или внешних, структурированных или неструктурированных), чтобы найти там жемчужину. Иными словами, определять шаги, которые должны предпринять ритейлеры, чтобы сократить затраты и увеличить объемы продаж.

Потребительский опыт

  • Индивидуальные рекомендации и многоуровневые бонусные программы, основанные на потребительских предпочтениях, онлайн данных, приложений для смартфонов и т.д.
  • Анализ настроений в социальных медиа потоках, записи звонков из колл-центров, отзывы о продукции и т.д. для получения обратной связи от покупателей и понимания рынка
  • Прогнозная аналитика для повышения удовлетворенности клиента по всем каналам и устройствам, онлайн и офлайн

Мерчендайзинг

  • Улучшение выкладки, использование рекламных дисплеев, и размещение продукта с использованием тепловых датчиков и анализ изображений для определения моделей поведения
  • Определение торговых трендов и возможностей кросс продаж путем анализа видео данных
  • Повышение ежедневной прибыли благодаря сочетанию внутренних и внешних данных (например, экономические прогнозы, отчеты о погоде и дорожной загруженности, праздниках и сезонных тенденциях)
  • Быстрый рост выручки благодаря подробному анализу потребительской корзины
  • Анализ информации от датчиков, установленных на товарах, которые в реальном времени передают данные об использовании продукта после его покупки

Маркетинг

  • Индивидуальные предложения, а также кастоимизированные предложения на мобильные устройства покупателей в зависимости от их местонахождения
  • Ценообразование в режиме реального времени на основе посекундной методики (например, данные по снабжению и инвентаризации сетей, цены конкурентов, информация о рынке и потребительском поведении)
  • Таргетированные кампании на базе анализа потребительских сегментов, определение наиболее подходящих каналов и достижение оптимального ROI
  • Кастомизированные предложения на основе поведенческого анализа в режиме реального времени и веб-аналитики

Логистика поставок в сетевые магазины

  • Улучшение инвентарного контроля и менеджмента в режиме реального времени
  • Оптимизация маршрутов и более эффективные перевозки с использованием телематики на базе больших данных, полученных от GPS
  • Прогнозирование на основе спроса путем комбинирования структурированных и неструктурированных данных
  • Более эффективные переговоры с поставщиками на базе записей в торговых точках

Всеобъемлющий опыт

Конечная цель, конечно же, заключается в достижении организованного и эффективного процесса, к которому имеют отношение все участники. С момента, когда продукт покидает производство и отправляется на склад или магазин, где его купят и оценят, ритейлеры пытаются достичь максимальной эффективности в каждом своем отделе.

В некотором смысле, мы пробуем вернуться к старой доброй модели всезнающего владельца небольшой городской лавки. Этот мужчина (или женщина) знал историю каждого человека в городе. Он знал, какие овощи вы предпочитаете, какая одежда вам больше нравится, сколько вы можете позволить себе потратить на этой неделе, есть ли у вашей семьи предрасположенность к появлению неприятного запаха изо рта... Он знал все детали и использовал эту информацию, чтобы дать рекомендации именно вам. Это именно те отношения, к которым стремятся розничные торговцы.

А теперь добавим поставщиков

К услугам ритейлеров, нуждающихся в помощи, есть множество поставщиков подобных услуг. Помимо создания собственных команд специалистов по данным, компании сотрудничают с крупными брендами, такими как IBM, Oracle и/или разработчиками программного обеспечения типа SAS, которые могут обеспечить их средствами для глубокого анализа данных.

Среди компаний в области розничной торговли наибольшую известность получила компания IBM. В первой декаде XXI века IBM выкупала такие компании, как Unica и устанавливала партнерские отношения с игроками типа Teradata, занимающейся разработкой аналитического программного обеспечения, BloomReach (использующую прогностическую аналитику, чтобы показать клиентам более релевантный контент по результатам поисковых запросов).

Риски и правила работы с данными

Опасности, связанные с использованием потребительских данных

Именно в вопросе конфиденциальности между законом и большими данными возникают противоречия. Благодаря множеству мультиплатформенных маркетинговых усилий, включающих программы лояльности, онлайн-транзакции, информационные кампании через социальные сети и мобильные устройства, ритейлеры теперь могут хранить и обрабатывать огромное количество потребительских данных, включая информацию о кредитных картах и номерах социального страхования. Большая часть этой информации передается серверами в облачные хранилища.

И именно этот момент делает ритейлеров уязвимыми. В 2012 году отчет-расследование компании Verizon о нарушении работы с данными показал, что 24% подобных нарушений происходило в сфере розничной торговли, которая заняла по этому показателю второе место после финансовых услуг.

Равные возможности для равного доступа к кредитам

И тогда был принят закон. Как отмечает председатель ФТК Эдит Рамирес, использование алгоритмов больших данных должно происходить в соответствии с Законом о равном доступе к кредитам (ECOA). Закон был принят в 1974 году и запрещает кредиторам какую-либо дискриминацию в отношении заявителей по любым аспектам кредитной сделки:

  1. Будь то раса, цвет кожи, религия, национальность, пол, семейное положение или возраст (при условии, если заявитель дееспособен для заключения договора);
  2. В независимости от того, поступают ли все или часть доходов заявителя в рамках программ по оказанию государственной помощи; или
  3. Потому, что заявитель в духе доброй воли пользуется всеми правами, прописанными в Федеральном законе о защите потребительского кредита.

Ритейлеры должны внимательно следить за тем, чтобы их прогнозные модели автоматически не принимали решений по кредитам, которые могут оказаться дискриминационными.

Если подходит SOX...

Более того, существуют очень строгие правила в отношении того, как розничные торговцы должны обрабатывать корпоративные данные. В результате скандала, разразившегося с Enron, IT-отделы всех государственных компаний получили новый набор правил. Согласно Закона Сарбейнса-Оксли (SOX), компании несут ответственность за применение передовых практик и элементов управления, связанных с:

  1. Уничтожением, изменением или фальсификацией данных
  2. Сроком хранения данных
  3. Типом бизнес-данных, которые необходимо хранить, включая электронные сообщения

В дополнение к обязательству обеспечивать безопасность потребительских данных, ИТ-специалисты сталкиваются с незавидной задачей работы с архивами, содержащими все корпоративные данные в электронном виде.

Опасность прогнозной аналитики

Однако, наибольшая угроза неприкосновенности частной жизни потребителей может происходить от самих розничных торговцев. С увеличением масштабов науки о данных все больше и больше аналитиков используют предсказательные модели для прогнозирования потребностей клиентов. Розничные торговцы стремятся рассказать вам о том, что вы хотите, прежде чем вы сами это осознаете.

И это уже происходит. В известном анекдоте, который популярен во всем мире, сердитый отец врывается в специализированный магазин, держа в руках кучу детской одежды и купон на люльку.

«Моя дочь получил это по почте!», - взрывается он. «Она еще в средней школе, а вы присылаете ей купоны на детскую одежду и кроватки? Вы что, хотите, чтобы она забеременела?»

Конечно же они этого не хотели. Дело заключалось в том, что целевые алгоритмы просто отслеживали историю покупок его дочери. Когда она купила лосьон без запаха, а затем приобрела витаминные добавки, торговая сеть смогла установить, что она беременна. Ритейлер смог даже определить дату ее родов.

Неудивительно, что подобная тактика отпугивает клиентов. Цель сделала их маркетинговую технику менее целевой из-за смешения купонов на не имеющие отношение друг к другу товары, но в то же время получила плохую рекламу в ходе процесса. Это предупреждение, к которому специалисты, занимающиеся данными розничной торговли, должны отнестись со всей серьезностью.

История анализа данных в розничной торговле

«Не оставляйте камня на камне, чтобы помочь вашим клиентам получить максимальную прибыль от их инвестиций», – Артур Чарльз Нильсен-старший

Розница накапливает маркетинговые данные на протяжении десятилетий. Еще в 1923 году Артур Чарльз Нильсен-старший создал компанию, занимающуюся исключительно маркетинговыми исследованиями и анализом потребительского поведения. Сейчас эта компания известна как ACNielsen, а в то время она стала одной из первых в области анализа потребительских данных.

Золотая лихорадка наступила в:

  • 1970-х, когда ритейлеры начали использовать штрих-коды для сканирования товаров в точках продаж (POS).
  • Десять лет спустя центры обработки данных оказались буквально затоплены информацией от чипов RFID (радиочастотной идентификации) и записями с камер наблюдения.

Задолго до появления Интернета сообразительные ритейлеры уже научились использовать эти данные.

Скрупулезный подсчет

Возьмем, например, L.L. Bean, твердо стоящего на ногах поставщика обуви из штата Мэн, занимающегося рассылкой заказов по почте. На основе данных, полученных по результатам каталожных продаж, почтовых сообщений и телефонных звонков, Bean использовал свою стратегию "клиент на всю жизнь" для того, чтобы накопить гигантский объем информации о потребительских предпочтениях и шаблонах.

В 1980-х Bean уже распределяла клиентов по таким критериям, как недавность, частота и средний чек покупки. Уже в то время их аналитики знали, что бы вы, скорее всего, купили и когда бы вы, скорее всего, это купили. Именно поэтому Bean отправляла вам каталоги только в тех случаях, когда вероятность покупки превышала пороговое значение.

Зубная паста по требованию

Традиционные компании тоже играли в эту игру. В конце 1980-х и начале 90-х Wal-Mart занялась серьезным статистическим анализом информации по внутренним цепочкам поставок, включая все входные и выходные точки в процессах и системах поставок. А какова была цель? Снизить затраты, связанные с избыточными запасами.

И это сработало. Wal-Mart была в состоянии сократить свои расходы путем внедрения более эффективного управления. Wal-Mart также вовлекла в процесс таких партнеров-производителей, как Procter & Gamble (P & G). Совместно они разработали систему программного обеспечения, которая связала распределительные центры P&G и Wal-Mart.

Всякий раз, когда продукция P&G заканчивалась, производителю отправлялось автоматическое оповещение. P&G также могла контролировать поток своей продукции благодаря регистрирующим сканерам Wal-Mart. Продукты отгружались сразу, как только в них появлялась потребность. Выставления счетов и оплата также осуществлялись автоматически.

Пиво и подгузники

Немного мифологии. В начале 1990-х компания Osco Drug использовала методы интеллектуального анализа данных и обнаружила, что мужчинам, делающим покупки по четвергам и субботам, обязательно нужны две вещи: подгузники для детей и пиво на выходные. Поместив подгузники рядом с пивом, Osco смогла начать больше продавать как того, так и другого.

А теперь про то, как это было на самом деле. В 1992 году NCR (предшественница Teradata) провела анализ для Osco. Специалисты компании исследовали 25 магазинов, заглянули в 1,2 миллионов покупательских корзин и составили более 20 различных продуктовых пар, включая пиво и подгузники.

Однако затем Osco сделала кое-что необычное. Она взяла данные исследования NCR и вычленила 5000 слабопродаваемых товаров, собирающих пыль на полках. После того, как они убрали с полок эти продукты, продажи по другим позициям увеличились. Покупатели стали быстрее находить то, что им было нужно.

Потоп данных

А затем наступил потоп. Ритейлеров, которые привыкли работать с данными на уровне планов-чертежей магазинов, захлестнула волна информации о потребителях. Ко всеобщей неожиданности такие компании, как Amazon, eBay, Zappos и Netflix стали использовать данные для того, чтобы бросить вызов обычным маркетинговым стратегиям. Это было, как они говорили, начало дивного нового мира.

Amazon была основана в 1994 году, а в 1995 продала свою первую книгу – «Текучие концепты и творческие аналогии. Компьютерные модели фундаментальных механизмов мышления» Дугласа Хофштадтера. Компания пережила четвертый квартал 2001 года, когда лопнул пузырь доткомов и получила первую прибыль. В середине 2000-х компания стала использовать сложные алгоритмы для рекомендации товаров на базе шаблонов потребительских привычек.

Аналитики данных оказались в раю. Такие компании, как Unica (1992) осознали, что интеллектуальный анализ данных и прогнозная аналитика может дать бизнесу огромные конкурентные преимущества. Целью своей работы они выбрали электронную коммерцию и стали учить компании получать максимум от маркетинговой стратегии. В 2010 году Unica стала частью группы Enterprise Marketing Management - управление маркетингом в масштабе предприятия (EMM) компании IBM.