Когда мы говорим о Big Data в ритейле, то речь идет о действительно больших данных — тысячи торговых точек, артикулов (SKU), звеньев цепочек поставок, миллионы клиентов и бесконечное количество транзакций. Хранить и анализировать информацию обо всех этих объектах и их взаимодействии практически невозможно, нужно четко понимать, для каких задач они будут использоваться. В онлайн-торговле сбор данных и коммуникации с пользователем уже упрощены и технологии больших данных уже давно и активно применяются. Как эти технологии приходят в офлайн-розницу, как они работают и как будут выглядеть в ближайшее время?

Дроны поднимаются все выше к небесам, чтобы доставить наши покупки, о которых мы только успели подумать — примерно так мы представляем технологии Big Data в ближайшем будущем. И наши фантазии стремительно приближаются к реальности. Несмотря на то, что мы пока не достигли того уровня, когда доставка дронами и интеллектуальная логистика стали чем-то обыденным, ситуация уже значительно изменилась со времен неловких попыток компании Target выяснить, кто же все-таки беременный.

Сегодня ритейлеры постоянно находят новые инновационные способы извлечения данных из постоянно растущего количества структурированной и неструктурированной информации о поведении своих клиентов.

Аналитика Big Data теперь применяется на всех этапах процесса розничной торговли:

— определение места для открытия следующего магазина;

— разработка популярных продуктов;

— прогнозирование спроса на эти продукты;

— пересмотр цен;

— определение ядра аудитории, которой эти продукты будут интересны;

— выявление лучшего способа приблизиться к этим клиентам.

Где открывать магазин

Рентабельность торговой точки начинается с определения места ее открытия. Так, один магазин может успешно обслуживать сотни покупателей в день, а другой, находящийся в десятке метров — прогореть за пару месяцев. Современные геолокационные решения позволяют рассчитать транспортную доступность выбранного местоположения для различных категорий целевой аудитории. Они ориентируются на расположение точек конкурирующих брендов, траектории перемещений целевой аудитории и места ее скопления.

Выбирая новое место для открытия, ритейлеры наносят на карту так называемые «якоря» (транспортные узлы, жилые кварталы, мощность трафика, месторасположение конкурентов и т. п.), каждому параметру присваивается своя значимость в зависимости от формата будущей торговой точки. Американская сеть фастфудов Wendy’s насчитывает более 6000 точек и давно пользуется инструментами геоаналитики при выборе места для открытия новых мест. И именно геоаналитика показала, что в престижных районах с состоятельным населением клиенты приходят намного реже, хотя их заказы обычно дороже, чем в кварталах, где проживает менее обеспеченное население. Ведущий поставщик геолокационных решений в мире — компания Esri, в ее систему уже загружены данные о более чем 90% мирового населения в более чем 135 странах. В России аналогичным решением является сервис Geotarget, помимо выбора наиболее подходящего места для открытия новой точки он также дает возможность прогноза посещаемости будущего объекта и его товарооборота.

Прогнозирование трендов

Сейчас у ритейлеров есть мощный набор инструментов для того, чтобы определить, что в следующем сезоне будет must have — будь то детские игрушки или дизайнерские туфли. Бренды и маркетологи участвуют в анализе настроений, используя сложные алгоритмы машинного обучения, чтобы определить контекст, когда какой-то продукт вызвал волну обсуждения в социальных сетях. И эти данные потом используются для составления прогноза продаваемых продуктов. На российском рынке анализом открытых данных о клиентах занимается компания DoubleData. На основе технологий Big Data, методов машинного обучения и Data Mining можно получить широкий набор данных о человеке, его интересах, предпочтениях и склонности к тому или иному предложению.

Прогнозирование спроса

Когда уже определено, какие продукты будут приобретаться, ритейлерам необходимо понимание того, где именно будет спрос. Здесь на помощь приходят многочисленные демографические данные, экономические показатели и даже прогнозы погоды. Так, например, российский онлайн-ритейлер Ozon обнаружил, что спрос на книги увеличивается по мере того, как ухудшается погода. Благодаря использованию аналитики больших данных Walmart может выявлять совершенно неочевидные закономерности в поведении клиентов и в режиме онлайн управлять маркетинговыми тактиками. Таким образом в компании выяснили: салаты американцы активнее всего покупают в ясные дни при теплой погоде (+26oС).

Для определения таких закономерностей ритейлу требуется обрабатывать по-настоящему огромное количество данных. Например, сеть Tesco имеет 3500 магазинов только в Великобритании, а каждый магазин снабжается в среднем 40 000 продуктов. Чтобы один раз отследить движение этих товаров, необходимо создать более 100 млн. дата-точек. Вместо того, чтобы пересылать эти огромные массивы данных для внешнего анализа, сеть использует аналитическую технологию, встроенную на местах в хранилища данных, что значительно упрощает весь аналитический процесс.

Пересмотр цен

Одним из ключевых элементов управления процессами в розничной торговле является процесс пересмотра цен. Чаще всего правильно установленные цены становятся главным параметром при выборе магазина, куда отправится покупатель, особенно в условиях наличия возможности приобрести аналогичную вещь в Интернете. Изменение цен осуществляется постоянно и безусловно требует автоматизации с помощью технологий Big Data.

Как правило, категорийный менеджер тратит на переоценку примерно половину рабочего дня, но при этом во внимание принимаются далеко не все доступные данные о структуре спроса и предложения, в том числе в данной местности, об изменениях на рынке, запасах нераспроданной продукции, сезонности и действиях конкурентов. Совершается большое число ошибок в силу человеческого фактора, которое при огромном числе товарных позиций растет в геометрической прогрессии. Все это заставляет компании делать выбор в пользу автоматического интеллектуального репрайсинга.

Например, у Macy’s насчитывается более 800 магазинов и 73 млн. SKU, что делает его безоговорочным лидером по количеству сочетаний товаров и локаций в американском ритейле. Компания тратила слишком много времени на пересмотр цен, еженедельно приходилось принимать сотни миллионов ценовых решений, при этом качество принимаемых решений было достаточно низким.

В результате внедрения технологий SAS Institute ритейлер оптимизировал временные издержки больше, чем в двадцать раз, и сейчас осуществляет пересмотр цен практически в режиме нон-стоп. В своей работе система опирается на историю структуры спроса за последние несколько лет с детализацией до отдельного SKU и торговой точки, учитывая при этом информацию о запланированных промо.

Важным моментом, влияющим на процесс пересмотра цен, являются цены конкурентов. Российские разработчики Metacommerce предлагают сервис автоматического выставления цен и автоматической их генерации на основе любых параметров, включая цены конкурентов, наличие акций на товар, спрос на него, закупочная стоимость товара, его маржинальность и т. д.

Сегментация покупателей

Розничная сеть «Лента», опираясь на данные карт лояльности (более 90% всех покупателей сети — держатели карт лояльности), поделила свою аудиторию на определенные сегменты по покупательскому поведению и принципу RFV (Recently, Frequency, Value). В частности, был выделен сегмент покупателей, покупающих только базовые продукты — СТМ ритейлера, и мужчин, которые чаще всего приобретали только напитки и снеки. Подобное деление клиентов позволяет сети оптимизировать ассортимент, управлять выкладкой и ценами на определенные группы товаров.

Прогнозирование маркетинговых активностей

Британский ритейлер Tesco экономит £6 млн. ежегодно только за счет внедрения данных о прогнозе погоды в систему прогнозирования спроса. Анализ реакции на промоакции позволил сократить на 30% число находящихся out of stock SKU, которые хотят приобрести. Синергия прогнозирования спроса и алгоритмов поэтапного снижения цен на позиции с истекающим сроком годности обеспечила экономию до £30 млн. в год.

Персональные предложения

Персональные рекламные сообщения, к которым мы уже давно привыкли в онлайн-ритейле, активно занимают свои позиции и в офлайне. Уже существует многообразие решений, передающих покупателям таргетированные сообщения — они поступают клиентам на мобильные телефоны, высвечиваются на «умных» экранах в торговом зале, печатаются на купонах вместе с чеком и т. д.

Наиболее распространенный способ доставки персональных сообщений — мобильные приложения. Использование подобных приложений выгодно обеим сторонам — и покупателю, получающему привлекательные предложения и дополнительные скидки, и ритейлеру, собирающемуаналитическую информацию о поведении покупателя в торговом зале.

На российском рынке активно используется решение компании «Тринити». В момент первого посещения покупателем магазина создается его учетная запись, которая заносится в базу данных. При втором посещении камера распознает изображение покупателя, идентифицирует его и фиксирует в специальной программе. Таким образом, покупатель может рассчитывать на получение определенных бонусов и скидок, а также персональных предложений без предъявления карты лояльности.

Оптимизация цепочки поставок

Анализ запасов является одним из лучших способов избежать избыточного предложения и обеспечить достаточное количество наиболее продаваемых товаров. Аналитика больших данных и прогнозы, учитывающие все важные тренды, сезонность и другие значимые факторы, способны помочь ритейлу получать именно такое количество товара, которое необходимо. Благодаря отображению продаваемых SKU в реальном времени возможно редактировать заказы в зависимости от текущей ситуации. Объединяя внутренние данные с внешней информацией, такой как погода или важные общественно-политические новости, компании могут значительно повысить свою эффективность и сделать свои процессы максимально адаптированными к реальным рыночным условиям. Оптимизация и контроль цепей поставок с помощью радиолокации и RFID-меток сегодня активно используется крупнейшими ритейлерами, например такими, как Walmart.

Ритейлеры — большие и малые — уже много лет извлекают выгоду из анализа структурированных данных, но только сейчас начинают разбираться с неструктурированными. Сколько еще неиспользованного потенциала в социальных сетях, отзывах клиентов, видеоматериалах, записанных телефонных разговорах и данных GPS. Безусловно, наибольшую выгоду получат те компании, которые будут внедрять лучшие решения, опираясь при этом на инновационное мышление и подходы к аналитике.

Автор статьи — менеджер по работе с ключевыми клиентами компании OPEN.