Big Data jaemüügi teenistuses

Kuidas jaemüüjad kasutavad suurandmeid, et parandada isikupärastamist ostja jaoks kolmes võtmeaspektis – sortiment, pakkumine ja tarne, räägitakse Umbrella IT-s

1990. aastate lõpus mõistsid ettevõtjad kõigilt elualadelt, et andmed on väärtuslik ressurss, millest õige kasutamise korral võib saada võimas mõjutamisvahend. Probleem oli selles, et andmemaht kasvas hüppeliselt ning tol ajal eksisteerinud info töötlemise ja analüüsi meetodid ei olnud piisavalt tõhusad.

2000. aastatel tegi tehnoloogia suure hüppe. Turule on ilmunud skaleeritavad lahendused, mis suudavad töödelda struktureerimata infot, tulla toime suure töökoormusega, luua loogilisi seoseid ja tõlkida kaootilised andmed inimesele arusaadavasse tõlgendatavasse vormingusse.

Täna on suurandmed kaasatud Venemaa Föderatsiooni digitaalmajanduse programmi üheks üheksast valdkonnast, hõivates ettevõtete reitingute ja kuluartiklite ülemised read. Suurimad investeeringud suurandmete tehnoloogiatesse teevad kaubandus-, finants- ja telekommunikatsioonisektori ettevõtted.

Analüütikute sõnul saavad 10-20 aasta pärast suurandmed peamiseks kapitalisatsiooni vahendiks ja mängivad ühiskonnas energiatööstusega võrreldavat rolli.

Tänapäeva ostjad ei ole enam näotu statistika mass, vaid täpselt määratletud isikud, kellel on ainulaadsed omadused ja vajadused. Nad on valivad ja lähevad kahetsemata üle konkurendi kaubamärgile, kui nende pakkumine tundub atraktiivsem. Seetõttu kasutavad jaemüüjad suurandmeid, mis võimaldavad neil klientidega sihipäraselt ja täpselt suhelda, keskendudes põhimõttele “ainulaadne tarbija – ainulaadne teenus”.

1. Personaliseeritud sortiment ja efektiivne ruumikasutus

Enamasti sünnib lõplik otsus “osta või mitte osta” juba poes kaubaga riiuli lähedal. Nielseni statistika järgi kulutab ostja riiulilt õige toote otsimisele vaid 15 sekundit. See tähendab, et ettevõtte jaoks on väga oluline varustada konkreetsesse kauplusesse optimaalne sortiment ja seda korrektselt esitleda. Selleks, et sortiment vastaks nõudlusele ja väljapanek müüki edendaks, on vaja uurida erinevaid suurandmete kategooriaid:

• kohalik demograafia,
• maksevõime,
• ostutaju,
• lojaalsusprogrammi ostud ja palju muud.

Näiteks teatud kaubakategooria ostude sageduse hindamine ja ostja ühelt tootelt teisele ümberlülitatavuse mõõtmine aitab kohe aru saada, milline kaup müüb paremini, milline on üleliigne, ning seega ka raha ratsionaalsemalt ümber jaotada. ressursse ja planeerida poepinda.

Eraldi suund suurandmetel põhinevate lahenduste arendamisel on ruumi efektiivne kasutamine. Praegu toetuvad kaupmehed kaupade paigutamisel andmetele, mitte intuitsioonile.

X5 Retail Groupi hüpermarketites genereeritakse toodete paigutused automaatselt, võttes arvesse jaemüügiseadmete omadusi, klientide eelistusi, teatud kaubakategooriate müügiajaloo andmeid ja muid tegureid.

Samal ajal jälgitakse reaalajas paigutuse õigsust ja riiulil olevate kaupade hulka: videoanalüütika ja arvutinägemise tehnoloogiad analüüsivad kaameratest tulevat videovoogu ja toovad sündmusi esile vastavalt etteantud parameetritele. Näiteks saavad poetöötajad signaali, et konservhernepurgid on vales kohas või kondenspiim on riiulitelt otsa saanud.

2. Personaliseeritud pakkumine

Prioriteet on tarbijate isikupärastamine: Edelmani ja Accenture'i uuringute kohaselt ostavad 80% ostjatest suurema tõenäosusega toote, kui jaemüüja teeb isikupärastatud pakkumise või allahindlust; pealegi ei kõhkle 48% vastanutest konkurentide poole pöördumast, kui tootesoovitused ei ole täpsed ega vasta vajadustele.

Klientide ootustele vastamiseks juurutavad jaemüüjad aktiivselt IT-lahendusi ja analüüsitööriistu, mis koguvad, struktureerivad ja analüüsivad kliendiandmeid, et aidata tarbijat mõista ja viia suhtlus isiklikule tasandile. Üks ostjate seas populaarsemaid formaate – tootesoovituste rubriik “võite olla huvitatud” ja “osta selle tootega” – kujuneb samuti varasemate ostude ja eelistuste analüüsi põhjal.

Amazon loob need soovitused, kasutades koostööpõhiseid filtreerimisalgoritme (soovitusmeetod, mis kasutab mõne kasutajarühma teadaolevaid eelistusi teise kasutaja tundmatute eelistuste ennustamiseks). Ettevõtte esindajate sõnul on 30% kogu müügist tingitud Amazoni soovitajate süsteemist.

3. Isikupärastatud kohaletoimetamine

Kaasaegsele ostjale on oluline saada soovitud toode kiiresti kätte, olenemata sellest, kas tegemist on veebipoest tellimuse kohaletoimetamisega või soovitud toodete jõudmisega supermarketi riiulitele. Kuid kiirusest üksi ei piisa: täna toimetatakse kõik kiiresti. Väärtuslik on ka individuaalne lähenemine.

Enamikul suurtel jaemüüjatel ja vedajatel on sõidukid, mis on varustatud paljude andurite ja RFID-märgistega (kasutatakse kaupade tuvastamiseks ja jälgimiseks), millest saadakse tohutul hulgal teavet: andmed veose hetke asukoha, suuruse ja kaalu, liiklusummikute, ilmastikutingimuste kohta. ja isegi juhi käitumist.

Nende andmete analüüs ei aita mitte ainult luua kõige ökonoomsemat ja kiireimat marsruudi jälgimist reaalajas, vaid tagab ka tarneprotsessi läbipaistvuse ostjatele, kellel on võimalus jälgida oma tellimuse kulgu.

Tarne isikupärastamine on "viimase miili" etapis ostja jaoks võtmetegur. Jaemüüja, kes ühendab strateegilise otsuse tegemise etapis kliendi- ja logistikaandmed, suudab pakkuda kliendile viivitamatult kauba kättesaamist väljastamiskohast, kuhu on kõige kiirem ja odavam tarnida. Pakkumine kauba kättesaamiseks samal või järgmisel päeval koos kohaletoimetamise allahindlusega julgustab klienti minema kasvõi teise linna otsa.

Amazon, nagu tavaliselt, läks konkurentidest ette, patenteerides ennustava analüütika toel ennustava logistikatehnoloogia. Põhimõte on see, et jaemüüja kogub andmeid:

• kasutaja varasemate ostude kohta,
• ostukorvi lisatud toodete kohta,
• soovide nimekirja lisatud toodete kohta,
• kursori liikumise kohta.

Masinõppe algoritmid analüüsivad seda teavet ja ennustavad, millist toodet klient kõige tõenäolisemalt ostab. Seejärel tarnitakse kaup odavama tavatarnega kasutajale lähimasse tarnekeskusesse.

Kaasaegne ostja on valmis maksma individuaalse lähenemise ja kordumatu kogemuse eest kaks korda – raha ja infoga. Klientide isiklikke eelistusi arvestades on õigel tasemel teenust võimalik pakkuda vaid suurandmete abil. Kui valdkonna juhid loovad suurandmete valdkonna projektidega töötamiseks terveid struktuuriüksusi, siis väikesed ja keskmise suurusega ettevõtted panustavad kastilahendustele. Kuid ühine eesmärk on luua täpne tarbijaprofiil, mõista tarbija valusid ja määrata ostuotsust mõjutavad käivitajad, tuua esile ostunimekirjad ja luua terviklik personaliseeritud teenus, mis julgustab üha enam ostma.