Big Data sa serbisyo ng tingian

Paano gumagamit ng malaking data ang mga retailer para pahusayin ang pag-personalize sa tatlong pangunahing aspeto para sa mamimili – assortment, alok, at paghahatid, sinabi sa Umbrella IT

Noong huling bahagi ng 1990s, napagtanto ng mga negosyante mula sa lahat ng antas ng pamumuhay na ang data ay isang mahalagang mapagkukunan na, kung gagamitin nang maayos, ay maaaring maging isang makapangyarihang tool ng impluwensya. Ang problema ay ang dami ng data ay tumaas nang husto, at ang mga pamamaraan ng pagproseso at pagsusuri ng impormasyon na umiiral sa oras na iyon ay hindi sapat na epektibo.

Noong 2000s, kumuha ng quantum leap ang teknolohiya. Ang mga nasusukat na solusyon ay lumitaw sa merkado na maaaring magproseso ng hindi nakabalangkas na impormasyon, makayanan ang matataas na kargamento sa trabaho, bumuo ng mga lohikal na koneksyon at magsalin ng magulong data sa isang naiintindihan na format na maaaring maunawaan ng isang tao.

Ngayon, ang malaking data ay kasama sa isa sa siyam na lugar ng Digital Economy ng programa ng Russian Federation, na sumasakop sa mga nangungunang linya sa mga rating at mga item sa gastos ng mga kumpanya. Ang pinakamalaking pamumuhunan sa mga teknolohiya ng malalaking data ay ginawa ng mga kumpanya mula sa sektor ng kalakalan, pananalapi at telekomunikasyon.

Sa loob ng 10-20 taon, ang malaking data ay magiging pangunahing paraan ng capitalization at gaganap ng papel sa lipunan na maihahambing sa kahalagahan sa industriya ng kuryente, sabi ng mga analyst.

Ang mga mamimili ngayon ay hindi na isang walang mukha na masa ng mga istatistika, ngunit mahusay na tinukoy na mga indibidwal na may mga natatanging katangian at pangangailangan. Sila ay pumipili at lilipat sa tatak ng isang kakumpitensya nang walang pagsisisi kung ang kanilang alok ay mukhang mas kaakit-akit. Iyon ang dahilan kung bakit gumagamit ang mga retailer ng malaking data, na nagpapahintulot sa kanila na makipag-ugnayan sa mga customer sa isang naka-target at tumpak na paraan, na nakatuon sa prinsipyo ng "isang natatanging consumer - isang natatanging serbisyo."

1. Personalized assortment at mahusay na paggamit ng espasyo

Sa karamihan ng mga kaso, ang pangwakas na desisyon na "bumili o hindi bumili" ay nagaganap na sa tindahan malapit sa istante na may mga kalakal. Ayon sa mga istatistika ng Nielsen, ang mamimili ay gumugugol lamang ng 15 segundo sa paghahanap ng tamang produkto sa istante. Nangangahulugan ito na napakahalaga para sa isang negosyo na magbigay ng pinakamainam na assortment sa isang partikular na tindahan at ipakita ito nang tama. Upang matugunan ng assortment ang demand, at ang display ay mag-promote ng mga benta, kinakailangan na pag-aralan ang iba't ibang kategorya ng malaking data:

• lokal na demograpiko,
• solvency,
• pagbili ng pang-unawa,
• mga pagbili ng loyalty program at marami pang iba.

Halimbawa, ang pagtatasa sa dalas ng mga pagbili ng isang partikular na kategorya ng mga kalakal at pagsukat ng "switchability" ng isang mamimili mula sa isang produkto patungo sa isa pa ay makakatulong upang agad na maunawaan kung aling item ang nagbebenta ng mas mahusay, na kung saan ay kalabisan, at, samakatuwid, mas makatwirang muling ipamahagi ang cash mapagkukunan at magplano ng espasyo sa tindahan.

Ang isang hiwalay na direksyon sa pagbuo ng mga solusyon batay sa malaking data ay ang mahusay na paggamit ng espasyo. Ito ay data, at hindi intuwisyon, na umaasa ngayon sa mga merchandiser kapag naglalatag ng mga kalakal.

Sa mga hypermarket ng X5 Retail Group, awtomatikong nabubuo ang mga layout ng produkto, na isinasaalang-alang ang mga katangian ng retail equipment, mga kagustuhan ng customer, data sa kasaysayan ng mga benta ng ilang kategorya ng mga kalakal, at iba pang mga salik.

Kasabay nito, ang kawastuhan ng layout at ang bilang ng mga produkto sa istante ay sinusubaybayan sa real time: sinusuri ng video analytics at mga teknolohiya ng computer vision ang video stream na nagmumula sa mga camera at i-highlight ang mga kaganapan ayon sa tinukoy na mga parameter. Halimbawa, ang mga empleyado ng tindahan ay makakatanggap ng senyales na ang mga garapon ng de-latang mga gisantes ay nasa maling lugar o ang condensed milk ay naubos na sa mga istante.

2. Personalized na alok

Ang pag-personalize para sa mga consumer ay isang priyoridad: ayon sa pananaliksik nina Edelman at Accenture, 80% ng mga mamimili ay mas malamang na bumili ng produkto kung ang isang retailer ay gumawa ng personalized na alok o magbibigay ng diskwento; bukod pa rito, 48% ng mga sumasagot ay hindi nag-aatubiling pumunta sa mga kakumpitensya kung ang mga rekomendasyon ng produkto ay hindi tumpak at hindi nakakatugon sa mga pangangailangan.

Upang matugunan ang mga inaasahan ng customer, ang mga retailer ay aktibong nagpapatupad ng mga solusyon sa IT at mga tool sa analytics na nangongolekta, nagbubuo at nagsusuri ng data ng customer upang makatulong na maunawaan ang consumer at dalhin ang pakikipag-ugnayan sa isang personal na antas. Isa sa mga sikat na format sa mga mamimili – ang seksyon ng mga rekomendasyon ng produkto na “maaaring interesado ka” at “bumili gamit ang produktong ito” – ay nabuo din batay sa pagsusuri ng mga nakaraang pagbili at kagustuhan.

Binubuo ng Amazon ang mga rekomendasyong ito gamit ang mga collaborative filtering algorithm (isang paraan ng rekomendasyon na gumagamit ng mga kilalang kagustuhan ng isang pangkat ng mga user upang mahulaan ang hindi alam na mga kagustuhan ng isa pang user). Ayon sa mga kinatawan ng kumpanya, 30% ng lahat ng mga benta ay dahil sa Amazon recommender system.

3. Personalized na paghahatid

Mahalaga para sa isang modernong mamimili na mabilis na matanggap ang nais na produkto, hindi alintana kung ito ay ang paghahatid ng isang order mula sa isang online na tindahan o ang pagdating ng mga nais na produkto sa mga istante ng supermarket. Ngunit ang bilis lamang ay hindi sapat: ngayon ang lahat ay naihatid nang mabilis. Ang indibidwal na diskarte ay mahalaga din.

Karamihan sa mga malalaking retailer at carrier ay may mga sasakyang nilagyan ng maraming sensor at RFID tag (ginagamit para kilalanin at subaybayan ang mga kalakal), kung saan natatanggap ang malaking halaga ng impormasyon: data sa kasalukuyang lokasyon, laki at bigat ng kargamento, pagsisikip ng trapiko, kondisyon ng panahon , at maging ang pag-uugali ng driver.

Ang pagsusuri ng data na ito ay hindi lamang nakakatulong upang lumikha ng pinaka-ekonomiko at pinakamabilis na track ng ruta sa real time, ngunit tinitiyak din ang transparency ng proseso ng paghahatid para sa mga mamimili, na may pagkakataon na subaybayan ang pag-usad ng kanilang order.

Ang pag-personalize ng paghahatid ay isang mahalagang kadahilanan para sa mamimili sa yugto ng "huling milya". Ang isang retailer na pinagsasama ang data ng customer at logistik sa yugto ng madiskarteng paggawa ng desisyon ay makakapag-alok kaagad sa kliyente na kunin ang mga produkto mula sa punto ng isyu, kung saan ito ang magiging pinakamabilis at pinakamurang ihatid ito. Ang alok na tanggapin ang mga kalakal sa parehong araw o sa susunod, kasama ang isang diskwento sa paghahatid, ay hihikayat sa kliyente na pumunta kahit sa kabilang dulo ng lungsod.

Ang Amazon, gaya ng dati, ay nauna sa kumpetisyon sa pamamagitan ng pag-patent ng predictive logistics na teknolohiya na pinapagana ng predictive analytics. Ang bottom line ay ang retailer ay nangongolekta ng data:

• tungkol sa mga nakaraang pagbili ng user,
• tungkol sa mga produktong idinagdag sa cart,
• tungkol sa mga produktong idinagdag sa wishlist,
• tungkol sa paggalaw ng cursor.

Sinusuri ng mga algorithm ng machine learning ang impormasyong ito at hinuhulaan kung aling produkto ang pinakamalamang na bibilhin ng customer. Ipapadala ang item sa pamamagitan ng mas murang karaniwang pagpapadala sa shipping hub na pinakamalapit sa user.

Ang modernong mamimili ay handang magbayad para sa isang indibidwal na diskarte at isang natatanging karanasan nang dalawang beses - na may pera at impormasyon. Ang pagbibigay ng wastong antas ng serbisyo, na isinasaalang-alang ang mga personal na kagustuhan ng mga customer, ay posible lamang sa tulong ng malaking data. Habang ang mga pinuno ng industriya ay lumilikha ng buong mga yunit ng istruktura upang gumana sa mga proyekto sa larangan ng malaking data, ang mga maliliit at katamtamang laki ng mga negosyo ay tumataya sa mga naka-box na solusyon. Ngunit ang karaniwang layunin ay bumuo ng isang tumpak na profile ng consumer, maunawaan ang mga paghihirap ng consumer at matukoy ang mga trigger na nakakaapekto sa desisyon sa pagbili, i-highlight ang mga listahan ng pagbili at lumikha ng isang komprehensibong personalized na serbisyo na hihikayat sa pagbili ng higit pa at higit pa.