Большие данные уже повлияли на развитие сферы ритейла, как в онлайн-продажах, так и в привычных магазинах. Но как именно использовать возможности больших данных, чтобы повысить прибыль онлайн? Что и как анализировать? Как внедрить решение в свой бизнес? На эти и другие вопросы вы найдете ответы в нашей статье.
Какие данные собирать и зачем их анализировать?
Ритейлеры первыми задались вопросом, как собирать и использовать большие данные, чтобы увеличить прибыль от продаж. В торговой индустрии, как розничной, так и онлайн-продажах, действительно существует огромное количество данных, которые можно использовать для получения бизнес-инсайтов. Ведь индустрия насчитывает тысячи торговых учреждений, обслуживает миллионы клиентов и обрабатывает еще больше транзакций ежедневно.
Ритейлеры получают данные из разных каналов, включая маркетинговые исследования, данные об активности покупателей, продажах, остатках на складах, и из других источников. Так какие же именно данные собирать в ритейле? На этот вопрос нет однозначного ответа: это и геоданные, и поведение покупателей, и исторические данные о продажах, а также иная информация, которая можно проанализировать. Какие данные анализировать, зависит от специфики ритейлера, его потребностей и возможностей.
Большие данные и их анализ позволяет найти ответы на многие вопросы, связанные с планированием и прогнозированием закупок и продаж. Ниже приведем несколько примеров вопросов, на которые можно найти ответы, проанализировав big data:
Какой объем товара закупать на следующий месяц/квартал/полугодие?
Среди какой группы покупателей товар имеет большую популярность?
Какие товары являются более продаваемыми?
Когда и почему покупатели бросают заполненные корзины в интернет-магазине и не доводят покупки до конца? И так далее.
Как Big Data увеличивает прибыль: прогнозировать и зарабатывать
Давайте рассмотрим, как онлайн-ритейлеры могут применять решения по анализу больших данных.
Прогнозирование спроса и продаж
Big Data в сочетании с алгоритмами машинного обучения помогают прогнозировать спрос на продукцию и, соответственно, эффективнее управлять цепочками поставок. Например, сравнение продаж на основе данных реализации товаров во время распродаж и без специального предложения дает возможность понять, какие позиции более востребованы, чтобы своевременно корректировать заказы на поставку товаров. Более того, наиболее точное прогнозирование спроса помогает поддерживать on-shelf availability для востребованных товаров и снижать издержки на хранение лишних запасов.
Персонализированные предложения
Многие ecommerce-компании, как лидеры индустрии, так и менее крупные представители, занимаются изучением покупательского поведения на сайте: какие товары просматривают, какие операции с корзиной совершают покупатели и так далее. В данном случае большие данные используются для создания базы для распространения персонализированных предложений. Отправка индивидуальных предложений для целевых групп покупателей, заинтересованных в какой-то степени в каждом конкретном предложении, позволяет повысить конверсию действий покупателей. Кроме того, персонализированные предложения положительно влияют на показатель лояльности клиентов и количество повторных покупок, что способствует увеличению финансовых показателей.
Как Big Data используют крупные мировые ритейлеры?
Существует множество примеров того, как мировые ритейлеры применяют большие данные в своем бизнесе. Отобрали несколько популярных в сети практических кейсов в контексте мирового и российского retail-рынков.
Amazon
Amazon уже давно использует большие данные и машинное обучение для увеличения продаж. Так ритейлер внедрил систему рекомендаций товаров, основанную на поведении пользователей. Система генерирует рекомендации товаров на основе многочисленных факторов, включая историю покупок, предпочтения покупателя и так далее.
Кроме того, ритейлер активно использует большие данные в системе динамического ценообразования: цена на товар меняется в зависимости от поведенческих факторов того или иного клиента. Анализируя огромное количество факторов, система меняет цену в режиме реального времени, что занимает значительно меньше времени в сравнении с традиционным изменением цен, без анализа big data и внедрения машинного обучения.
Ozon
В Ozon большие данные и машинное обучение применяется как в планировании закупок, так и в формировании персонализированных рекомендаций на сайте ритейлера. Согласно retailer.ru, модель планирования учитывает более 250 факторов для прогнозирования более 2,5 миллионов товарных позиций. Ритейлер также регулирует результаты поисковой выдачи на основе истории просмотров и заказов пользователей. Например, для одного и того же запроса релевантными может оказаться большое количество страниц. В свою очередь, модель ранжирует страницы и решает, какие страницы следует показать в выдаче по данному запросу. Алгоритм также используется и при ранжировании товаров в каталоге на сайте.
Matsmart
Шведская продуктовая сеть Matsmart— еще один пример успешного использования персонализированного маркетинга. Еще в 2015 году ритейлер запустил большую маркетинговую кампанию по сегментации целевой аудитории на основе профилей Facebook и сформировал персонализированные предложения для клиентов. В результате «умная» реклама принесла рост онлайн-продаж на 84%.
SAP Business Analytics: возможности и пути внедрения в бизнес
Для реализации успешной маркетинговой стратегии недостаточно обладать только исходными данными: их нужно анализировать, а основанные на них решения — внедрять.
Согласно Tadviser, SAP — один из крупнейших зарубежных поставщиков BI-решений на российском рынке. В нашей статье мы хотели бы познакомить вас решением SAP для анализа и визуализации больших данных.
SAP Business Analytics — единая аналитическая платформа, которое позволяет проводить аналитику и принимать взвешенные бизнес-решения во всех направлениях бизнеса, включая продажи и маркетинг.
SAP Analytics включает в себя следующие решения для анализа и визуализации big data:
SAP Analytics Cloud — используется для бизнес-аналитики, планирования, машинного обучения и предиктивной аналитики и включает в себя решения Business Intelligence, Collaborative Enterprise Planning, и Predictive Analytics.
SAP Business Objects Web Intelligence — применяется для создания гибких аналитических отчетов с помощью функций составления и обработки отчетов, встраиваемых расчетов, создания специальных формул, форматирования блоков таблицы, преобразования таблицы в график/графика в таблицу и так далее.
SAP Business Objects Lumira — предоставляет широкие возможности для визуализации бизнес-решений, а именно создания диаграмм, схем и инфографики.
SAP Business Objects Analysis — позволяет анализировать многомерные источники данных с возможностью создания дополнительных расчетных показателей, фильтрации и форматирования данных.
Чем SAP Analytics полезно для задач, связанных с аналитикой и прогнозированием в сфере ритейла?
Решение помогает анализировать big data с помощью модулей для визуализации и интерактивного анализа данных, а именно позволяет:
Заменить стандартные презентации в Power Point на онлайн-отчеты, рассказывающие о ключевых моментах в режиме реального времени.
Создавать дашборды с визуализацией геоданных для анализа показателей в региональном разрезе.
Построить точный прогноз на основе исторических данных и интегрировать его в аналитический дашборд.
Подробнее о возможностях решения SAP Analytics можно узнать на сайте компании LeverX, которая является партнером SAP.
Как внедрить решения SAP Analytics в свой бизнес?
Внедрение технологии начинается со стратегии, а успешная реализация бизнес-решений, основанных на аналитических данных, напрямую зависит от правильной аналитической стратегии. Как ее разработать и внедрить BI-решение в свой бизнес? Есть два варианта развития событий: самостоятельно планировать аналитическую стратегию и приобрести решение SAP для ее реализации или обратиться за консультацией к экспертам, которые не только проконсультируют по решениям SAP, но и, изучив специфику вашего бизнеса, адаптируют решение под ваши потребности. Почему второй вариант наиболее целесообразен?
Эксперты, постоянно работающие с решениями SAP, изучат потребности вашего бизнеса и помогут определить, какие именно инструменты принесут больше пользы, а затем адаптируют их к специфике ваших бизнес-процессов и помогут с имплементацией решения. Например, компания LeverX предлагает полный спектр аналитических услуг, а именно:
разработку аналитической стратегии;
внедрение решений SAP Analytics;
техническую модернизацию;
миграцию данных;
обслуживание/поддержку.