Как увеличить продажи. Big Data – инструкция по применению

Не встречал реальный бизнес, который бы самостоятельно развил компетенцию обработки неструктурированной информации огромных объёмов. Самое время освоить методы и инструменты Business Intelligence для обнаружения и реализации стратегических возможностей.

Значительное многообразие и высокая скорость прироста Big Data позволяют регулярно получать полезные результаты, эффективные в условиях непрерывного роста или гнетущей неопределённости. Эта технология позволяет обеспечить 98% собираемости посылок интернет-магазина за 50 минут, ускорить прохождение товара по складу на 11%, снизить потери свежих овощей и фруктов на 8%, поднять чистую маржу стоковых магазинов на 7%.

Внутренние сотрудники досконально знают тончайшие особенности бизнеса, строят множество навороченных отчётов, генерируют отличные глубокие гипотезы в зоне своих компетенций, способны перелопатить невообразимые горы накопленных значений, но это не имеет ничего общего с пресловутыми большими данными. Когда владельцы и топы демонстрируют дорогие программно-аппаратные платформы и сформированные ими результаты, откровенно хочется громко горько плакать. Потрачены значительные средства, набраны команды специалистов, не затихают смелые обещания, а о практичности перевода необработанной информации в осмысленную, прикладную форму рассуждают исключительно в будущем неопределённом времени.

• понимаете, что это такое и фактически ими обладаете

• умеете формировать гипотезы и знаете методы продуктивной обработки

• готовы затратить значительные усилия на анализ и применять результаты в реальном бизнесе.

Хотите интерпретировать большое количество данных, заостряя внимание на ключевых факторах эффективности, моделируя исход различных вариантов действий, отслеживая результаты принятия решений? Рекомендовал бы, для начала, признать, что Big Data у Вас нет. Большие данные не доступны сотрудникам предприятий, потому что компании не тратят усилия для сбора информации сомнительной полезности. Приведу несколько реальных примеров инициации сбора и обработки больших данных актуальностью не более полугода.

Известная сеть автозаправочных комплексов согласилась собирать данные о климатических условиях на своих объектах, провела двадцати-тезисный опрос сотрудников, стала запрашивать обслуживающий банк строки транзакций оплаты платёжными картами и коды авторизаций, обогащать справочники реализуемых товаров показателями:

• энергетической ценности

• позиции веса/объёма фасовочного ряда

• процентной доли упаковки в весе товара

• компонентности белков, жиров, углеводов

• хрупкости упаковки – бьётся ли при падении

• деликатности товара – устойчивость к сжатию

• сколько единиц можно взять в руку без пакета

• матовость упаковки – такие товары ассоциируются со здоровьем

• звонкость упаковки – гремит в транспортном средстве при толчках

• ближайшее место возможного употребления – на месте, в транспортном средстве, дома.

Теперь владельцы сети АЗС являются счастливыми обладателями больших данных по сотрудникам, товарам, маршрутам заправляющихся транспортных средств, поведению и предпочтениям покупателей. Возможности аналитики расширились беспрецедентно – нам удалось создать совместную BI обработку внешних данных с внутренними информационными источниками, что создало более полную картину и сформировало «бизнес-интеллект» – понимание, которое не получить из простого набора данных стандартных учётных систем. Тренды первого года позволяют предположить повышение маржи на 4% в результате внедрения найденных стратегий.

В сети модных бутиков по моей просьбе стали фиксировать:

• отбираемые модели одежды и обуви, а также очерёдность их примерки

• торговые марки на принесённых с собой пакетах ранее совершенных покупок

• озвучиваемую причину и повод приобретений – разовое мероприятие, повседневно, в поездку.

Удалось рассчитать зависимости, многие из которых своей нелогичностью вызывали здоровый скепсис у продавцов, но, тем не менее, в совокупности подняли объем продаж на 16%. 

Так, например, досрочное прекращение визита женщин, которые меряют более четырёх пар обуви, позволило:

• постепенно вытеснить такой типаж из магазинов, что разгрузило продавцов на 19,1%

• повысить вероятность покупки окружающими женщинами на 14,7%

• снизить уровень стресса сотрудников от несостоявшихся покупок.

В сети ресторанов мы стали собирать следующую информацию:

• какие места за столами занимают гости

• сколько оставляют чаевых и какими купюрами

• обращение, которым пользуются, подзывая официанта

• соглашаются ли использовать свежемолотый перец для приправки готовых блюд

• очерёдность, в которой просят приносить заказ или отсутствие пожеланий по этому поводу.

Объединив новые данные с уже имеющимися:

• столы, занятые к моменту прихода гостей

• блюда, заказанные соседними посетителями

• предыдущие заказы, завязанные на карты лояльности или платежа,

удалось научиться точнее подсказывать:

• шефу – объём продуктов для оптимизации закупочных цен

• официантам – куда усаживать гостей и что предлагать из меню, чтобы получить больше чаевых

• владельцам – прогнозная окупаемость точек питания и необходимость открытия новых заведений.

Анализом потребления гостиничных услуг получилось персонифицировано распознать посетителей и связать их с оставленными комментариями на популярных сайтах для путешественников. Это позволило выделить крайне малую популяцию, воздействуя на которую сервисом повышенного внимания, удалось значительно повысить оставляемые на сайтах оценки, что подняло гостиницу в рейтинге и дало возможность существенно «задрать» цены.

Крупный интернет-магазин внедрил с нашей помощью механизм разделения экрана витрины на квадраты с целью отслеживания маршрута движения указателя мыши между элементами виртуальной решётки с замером времени нахождения в каждом квадранте. За квартал были собраны и обобщены сотни тысяч образцов «почерков» перемещения в зрительном поле. Подвергнутые кластеризации маршруты позволили выделить 21 стиль поведения гостей сайта и разработать для них специализированные механики повышения вероятности завершения покупки.

Привлечение внешних специалистов по Big Data позволяет достичь превосходящих ожидания результатов:

• работая с различными бизнесами в разных отраслях, профессионалы набили достаточное количество шишек за чужие деньги, а лучше учиться на чужих ошибках

• делая проекты в смежных с Вами областях, консультанты узнали и проверили множество взлетающих и не работающих гипотез, что сэкономит время мозговых штурмов при постановке задач

• коллегам удалось накопить обширные коллекции методов, алгоритмов и процедур нормализации и очистки данных, что, как правило, повышает точность построенных прогнозов на 13,8%.

Считаете Вам рано думать о больших данных? Тогда хотя бы обеспечьте себе Clean Data – унифицируйте текстовые строки справочников. «Эспрессо двойной» пишите однообразно, не храните 11 написаний города «Санкт-Петербург» и 7 вариаций профессии «бухгалтер». Иначе Ваша аналитика имеет неприемлемо грубые погрешности, предлагаемые выводы существенно вредят, а Вы ищите причины неудач в произвольных областях нереальности.