Зачем рознице нужны большие данные? Взгляд с позиции практика

29 мая 2017

Почему ритейл и термин «большие данные» стали появляться вместе все чаще и чаще? С одной стороны, технологический прорыв в области вычислительной техники позволил накапливать, хранить и обрабатывать огромные массивы самой разнообразной информации. При этом информация может быть, как структурированной, так и неструктурированной, однородной или совершенно разноплановой.

Новые средства становятся все более и более доступными для применения в бизнесе, в частности, в рознице. Революционные изменения в технологии обработки больших объемов данных за приемлемое время произошли благодаря переходу к 64-разрядным системам и появлению возможностей работы в режиме «in memory» с применением флэш-массивов и т.д.

С другой стороны, розничные компании собирают и накапливают огромные массивы данных о своих покупателях, о продажах и маркетинговых акциях, о поставщиках, о складских запасах и движении товара и т.д. Эта информация собирается с кассовых аппаратов, со счетчиков посетителей, с видеокамер и регистраторов, поступает в виде накладных и счетов-фактур, регистрируется в транзакционных учетных системах, а также в специализированных базах данных, таких как CRM. Кроме того, большую ценность представляет информация, циркулирующая в социальных сетях. И это при том, что такую информацию весьма сложно структурировать. Все эти данные, несомненно, позволяют повысить эффективность розничного бизнеса, однако не всегда понятно, как этого можно добиться.

Наличие двух указанных обстоятельств порождает вполне уместное желание применить технологии больших данных на той информации, которой владеют ритейлеры. Так какие же практические преимущества при этом получает бизнес?

Можно указать ряд направлений, в которых технология больших данных оказывается на практике полезной в рознице. При этом приносимая польза носит не абстрактный характер, а выражается в росте продаж, сокращении издержек, оптимизации товарных запасов, повышении производительности труда и т.п.

Бизнес-анализ, кластеризация, выявление аномалий и закономерностей, CRM. Здесь огромное поле деятельности и не только при решении традиционных задач бизнес-анализа, таких как: сегментирование покупателей, выявление клиентских предпочтений, изучение структуры продаж, кластеризация магазинов и категоризация товаров, анализ связей и нахождение ключевых факторов. Применяемые методы делают возможным решение таких нетрадиционных для BI задач, как: поиск смысла, выявление закономерностей, нахождение аномалий, аудит данных. В частности, на основе анализа разноплановой информации из чеков, из социальных сетей, из данных CRM вполне реально выявлять аномалии в торговом процессе, аномалии в логистике, нарушения в технологии продаж, и даже определять конкретные точки продаж, в которых происходят нарушения, квалифицируемые как мошенничество.

Но наиболее интересным и продуктивным является определение и построение модели поведения покупателя (Customer journey mapping). Ценность такого подхода может проявляться также в максимальном исключении человеческого фактора и в максимальной объективности модели. Модель отображает процессы, через которые проходит клиент на пути к покупке и после нее, его задачи, а не собственные бизнес-процессы и цели компании. Поведение клиентов очень часто кажется нелогичным, и тем важнее провести тщательный сбор данных и анализ поведения клиентов, даже если с точки зрения маркетологов они ведут себя «не правильно», «мало что понимают» в вашем деле и «используют не по назначению» ваши товары и услуги. Если компании удается построить объективную модель, отражающую реальные особенности поведения покупателя, то успех рознице практически гарантирован.

Измеримость бизнеса. Оцифровать бизнес-цели и осуществлять тотальный оперативный контроль за их достижением. Установить триггеры, которые будут срабатывать и информировать вас о любых нежелательных отклонениях. По сути, речь идет о прокладке оптимальной траектории движения компании в многомерном бизнес-пространстве, в котором в качестве измерений (осей координат) могут служить такие показатели, как товарные запасы, оборачиваемость, товарооборот, себестоимость, средний чек, количество товаров в чеке, конверсия, выручка, маржа и т.п. Не менее важной и еще более сложной задачей можно назвать задачу анализа и выявления причин отклонения от бизнес-цели. Например, выявить причину нежелательного изменения себестоимости товара. Или определить причины колебания маржи.

Онлайн торговля — использование данных о поведении покупателя в режиме реального времени. В отличие от традиционной формы ритейла онлайн-торговля позволяет собирать и использовать гораздо больше важной информации о поведении покупателя, причем в режиме реального времени в момент совершения покупки. При этом появляется исключительная возможность интерактивного взаимодействия с покупателем с учетом его текущего поведения, а не только с учетом его поведения в прошлые периоды. Здесь можно пытаться анализировать и выявлять не только предпочтения покупателя, но даже характер покупателя, что позволяет создавать более изощренные и более продуктивные модели, чтобы адекватно (результативно) реагировать на мельчайшие нюансы поведения покупателя (насколько задумался, куда пошел по сайту, в каких условиях отказался от покупки и т.п.). При таком подходе успешно решаются важнейшие задачи по привлечению и удержанию покупателя. Хорошим итогом будет значительное повышение конверсии.

Анализ состояния транзакционных систем и оборудования (связка с IoT) с целью выявления аномалий, проблем и своевременного их устранения. Насколько актуальна эта задача? Если рассматривать ее в контексте обеспечения непрерывности бизнеса, то такая постановка оказывается вполне актуальной. Трудно отрицать важность своевременного предотвращения падения сервера, потери важных данных или выявления ситуаций, в которых сложная КИС может резко снизить свою производительность, что может привести, например, к задержкам в закупках и поставках товара в магазины. А ведь именно такие прогнозные модели можно построить и использовать на практике с применением технологий больших данных. Если же говорить еще и о снижении затрат на обслуживание, то и здесь открываются хорошие возможности. Например, переход к предикативному (умному) сервис-деску позволит существенно сократить расходы на эксплуатацию магазинов за счет своевременного ремонта и замены оборудования, не доводя ситуацию до простоя и финансовых потерь.

Без раскрытия особенностей просто перечислю еще некоторые направления, в которых можно получить значительные практические выгоды:

видео-аналитика, выявление поведенческой функции покупателей и персонала
управление персоналом, применение сложных и эффективных мотивационных программ (карьерная лестница), учитывающих большое количество взаимосвязанных и несвязанных параметров для расчета задания параметров мотивации
выявление ожиданий и потребностей покупателей путем анализа неструктурированной информации из социальных сетей
решение задач прогнозирования спроса и ассортиментного управления. Очистка статистики продаж.

Не стоит думать, что область применения технологии больших данных в ритейле ограничивается только лишь перечисленными направлениями. Потенциал этой технологии настолько велик, что, наверняка, будут появляться какие-то другие практические применения.

Современный уровень развития технологии позволяет некоторым аналитикам (Олег Брагинский) утверждать, что уже сейчас большие данные управляют магазином. В частности, в практической плоскости предлагается рассматривать следующие положения:

Кластеризация клиентов, магазинов и товаров определит потенциал.
Перекрёстные гипотезы уточнят ассортимент и характеристики.
Обогащение данных добавит понимания и уверенности в правоте.
Предсказание потребления превратит торговлю в предсказуемую.
Учтём региональные и прочие существенные различия.
Разберём причины отказа от покупки.
Управляем продажами по целям.

Как же розничной компании воспользоваться всем этим богатством возможностей? Существуют разные пути. Во-первых, можно решать задачи своими силами, наняв соответствующих специалистов. Во-вторых, можно обращаться к облачному партнеру, предлагающему облачные SaaS услуги. Такие партнеры уже есть и в России. В последнем случае придется передавать партнеру свои данные и получать готовый результат. Достоинства и недостатки обоих путей хорошо известны. Выбор остается за заказчиком. В любом случае от технических специалистов требуется наличие глубоких знаний и опыта в областях математической статистики и теории вероятностей, знание и умение работать с различными источниками данных, владение языками программирования и технологиями обработки данных, такими, например, как MapReduce, Hadoop.

Важно отметить, что разработкой и внедрением технологий больших данных, как правило, занимаются ведущие разработчики и вендоры, а вот окончательное применение этим технологиям, в какой бы форме это ни происходило, обеспечивают практики, работающие в розничном бизнесе. Как раз здесь и присутствует самая большая проблема на пути решения практических задач. Почему? Дело в том, что далеко не всегда ИТ-специалисты правильно понимают задачи и потребности бизнеса. А коммерсанты далеко не всегда способны правильно эти задачи описать понятным для ИТ-специалиста языком. Более того, даже опытные сторонние консультанты не всегда способны за то относительно короткое время, пока идет проект, понять бизнес-философию конкретной компании, уяснить особенности организации и внутренней мотивации сотрудников.

Как же наладить взаимодействие между специалистами, владеющими техникой работы с большими данными и менеджерами, отвечающими за коммерческий результат? Многие специалисты считают, что достаточно предоставить им доступ к данным, так они сразу же выявят все скрытые закономерности и добьются резкого повышения коммерческих показателей (конверсия, средний чек, лояльность и т.д.) С другой стороны, многие коммерсанты считают, что овладеть навыками аналитической работы очень просто. К сожалению, не правы ни те, ни другие. Все не просто. Не удивительно, что рекрутеры считают крайне сложной задачу найти такого сотрудника, который обладает богатым опытом практической работы, действительно мыслит коммерческими категориями и одновременно является знающим ИТ-специалистом, способным технически реализовать требуемую бизнес-стратегию.

В идеале компании следовало бы иметь в своем штате такого сотрудника, который, обладая богатым опытом практической работы, понимает цели и задачи бизнеса как коммерческий менеджер и одновременно разбирается в технической стороне проблемы. Его обязанностью была бы постановка задачи, контроль исполнения и учет результата. Ну а собственно техническая реализация придуманных алгоритмов может быть сделана компанией либо с помощью собственных специалистов, либо через облака.

Люди должны понимать, зачем и почему применяются те или иные методы и подходы. В этом ключ к успеху. К сожалению, далеко не всегда так бывает. Проиллюстрируем на примере. Зададимся вопросом — для чего нужна кластеризация объектов? С какой целью формируются группы, например, магазинов, отличающиеся между собой рядом конкретных факторов. На самом деле, ответ достаточно простой — чтобы для конечного количества групп с однотипными объектами применить одинаковые приемы управления. Попробуйте эффективно управлять сотнями и тысячами магазинов в индивидуальном порядке. А вот эффективно управлять десятком групп, в которые входят однотипные магазины, вполне реально. Именно так мы можем сократить издержки и повысить эффективность управления компанией.

Так что же можно утверждать по поводу пользы от технологии больших данных для розницы? Да, технология больших данных нужна рознице. При правильном применении технологии практическая польза, несомненно, будет выражаться в виде существенного сокращения издержек за счет отказа от других более дорогих технологий и решений, в виде выгоды, получаемой в результате более глубокого и всестороннего понимания своего покупателя, его желаний и потребностей, за счет существенного повышения эффективности деятельности компании в целом. Всего лишь нужно правильно понимать, как сложная математика поможет решить практические задачи бизнеса.

Коллеги, а что вы думаете по поводу применения «больших данных» в ритейле?

7750