0/5

Лори Шафер, советник SAS по взаимодействию с компаниями розничной торговли: «Аналитика только ради аналитики – бессмысленна»

Лори Шафер, советник SAS по взаимодействию с компаниями розничной торговли: «Аналитика только ради аналитики – бессмысленна»
время публикации: 10:00  09 ноября 2017 года
Теги: аналитика
Аналитика больших данных в ритейле – одна из самых горячих тем и сегодня, и в ближайшем будущем. Торговые сети собирают огромные массивы данных о поведении покупателей, об изменении спроса, о каждой транзакции. Но что из этого действительно работает и что может помочь предсказывать будущее?
О том, как развивается аналитика в ритейле, говорим с Лори Шафер, советником SAS по взаимодействию с компаниями розничной торговли. 

– Каково место аналитики в ритейле? Какие задачи помогают решать аналитические данные? 

– Ритейл становится все более омниканальным. В Северной Америке осталось не так много оффлайн-ритейлеров, которые так и не решились попробовать онлайн-канал продаж. Именно поэтому их и осталось немного – большинство либо ушли в онлайн, либо вышли из бизнеса. 

Исходя из нашего опыта, на сегодняшний день есть несколько основных задач, в которых ритейлеру нужны аналитические данные. 

Первая группа задач решается с помощью товарной аналитики, аналитики продаж:

  • Оптимизация ассортимента
  • Оптимизация цен
  • Прогноз спроса
  • Оптимизация размерной сетки (крайне актуально для Fashion-ритейлеров)
  • Оптимизация склада, распределение и пополнение товарных запасов

Далее мы выделяем маркетинговую аналитику, которая помогает узнать поведение клиентов. Если раньше мы говорили о поведении онлайн-пользователей, то сейчас, благодаря Интернету вещей мы можем изучать поведение покупателей в оффлайн-магазинах. Ритейлеры размещают самые разные датчики в торговых помещениях, анализируют потоки покупателей, интерес посетителей к конкретным зонам магазина. И все это происходит в реальном времени. 

Также у нас есть аналитика, строящаяся вокруг оптимизации маркетинговых кампаний, анализа клиентской базы. Здесь мы решаем задачи исследования покупательского поведения на всем его пути: ведь покупатель может зайти на сайт, затем прийти в оффлайн-магазин, прочитать рассылку или изучить мобильное приложение и затем снова вернуться в интернет-магазин. 

Большая задача аналитики – прогнозирование спроса и оптимизация цепочки поставок. Опять же благодаря датчикам, например, RFID-меткам, ритейлер может знать в реальном времени, сколько товара в данный момент находится в каждой точке цепи поставок. 

Ну, и разумеется, аналитические решения активно используются в e-commerce. Благодаря имеющимся данным о предпочтениях клиентов, мы можем идеально персонализировать контент сайта, контент отдельных страниц, индивидуально для каждого посетителя, основываясь на понимании его поведения, знании его интересов.

Лори Шафер, советник SAS по взаимодействию с компаниями розничной торговли: «Аналитика только ради аналитики – бессмысленна» 

Есть еще один момент – аналитические решения для топ-менеджмента. Они включают в себя механизмы машинного обучения, которые способны отвечать на конкретные вопросы о состоянии продаж, давать финансовые прогнозы по всем показателям. 

В основе каждого процесса – будь то маркетинг, мерчандайзинг, цепочка поставок и управление складом, онлайн-торговля или отчеты для руководства – лежит анализ данных.
 
И, наконец, в связи с тем, что большинство ритейлеров переходят на омниканальную модель, им нужно по-новому смотреть на прогноз спроса, объединяя все каналы продаж, а не рассматривая результаты по отдельности, как раньше. 

– Из всего этого многообразия решений, что наиболее востребовано ритейлерами? С какой проблемой чаще обращаются?

– Это зависит от типа ритейлера. В продовольственном сегменте наиболее часто необходимо улучшить предсказание спроса. Это заметно влияет на прибыльность ритейлера. Еще один вопрос продуктовых ритейлеров – оптимизация цен и промокампаний. Продавцу нужно знать, что запаса акционных товаров хватит на всех желающих. А также не очень сильно снизить цены, чтобы не распугать тех, кто готов покупать дороже, и не разбаловать тех, кто кому выгодны скидки. 

Для Fashion-сегмента наиболее распространенная задача – оптимизация ассортимента. Причем, как в онлайн-магазине, так и в оффлайн. Fashion-ритейлеры оптимизируют не только наличие товара в конкретном магазине, но и размерный ряд, выкладывая больше тех размеров, которые в конкретном магазине чаще покупают. 

– Есть какая-то специфика у российских ритейлеров?

– В целом проблемы по миру примерно одни и те же. Но в российском ритейле действительно есть своя специфика – некоторые сети в России очень большие, с огромным числом магазинов и десятками тысяч SKU в каждом из них. Из-за таких размеров ритейлера прогнозирование спроса в его сети требует намного более сложных, масштабных решений, более сложной аналитики. Здесь нужны масштабируемые технологии, и именно для таких случаев мы разрабатываем высокопроизводительные системы для работы с Big Data. Данные в них хранятся в высокопроизводительных хранилищах, например, на базе Hadoop, и это позволяет системам работать быстро. Именно современные технологии позволяют нам создавать гибкие решения, которые масштабируются под каждого ритейлера и помогают выполнять точную аналитику. 

Лори Шафер, советник SAS по взаимодействию с компаниями розничной торговли: «Аналитика только ради аналитики – бессмысленна»

– Появились ли какие-то новые подходы или аналитика все еще работает на алгоритмах, созданных в 60-х?

– Сами алгоритмы могут быть теми же самыми. И во многом они те же самые. Изменились скорость, качество аналитики, то есть ее точность, и доступность аналитики для бизнес-пользователя. Современные технологии позволяют моделям отрабатывать быстрее и на гораздо больших объемах данных. Разумеется, появились и новые решения. Теперь, когда ритейлеры получают данные из многих новых источников – интернет, магазины, соцмедиа – нам нужны новые алгоритмы, которые позволяют на каждом этапе покупательского пути вычленять нужную информацию о происходящем: изменился ли спрос со стороны покупателя, изменилось ли его поведение. 

Вот хороший пример. Возьмем тот же Amazon. Цены меняются каждую секунду. Помимо того, что поставщики меняют цены на товар, важно отслеживать и изменение цен у конкурентов. Нужен алгоритм, который будет вычислять идеальную цену. И эти алгоритмы должны работать в режиме реального времени. 

Нам постоянно приходится искать эти новые алгоритмы. Мы всегда находим новые способы использовать математику. 

– Ритейлеры затрачивают серьезные усилия на сбор данных. Но что из этого реально нужно? Может быть мы собираем много информации, но используем ее не всю? 

– Ритейлеры учатся каждый день. У них столько данных! Наши алгоритмы как раз делают именно это – из всего объема поступающей информации они выделяют именно те данные, которые релевантны для ритейлера. В зависимости от того, какую бизнес-проблему вы пытаетесь решить, вам нужен лишь небольшой кусочек из всех этих данных, но алгоритмы должны обработать весь объем данных, чтобы выделить нужное. По статистике 98% собранных данных не используются. 

– Соизмеримы ли затраты на сбор этих данных с результатом? 

– И да, и нет.  В тех случаях, которые мы довели до совершенства, например, оптимизация цен, прогноз спроса, анализ поведения клиентов – мы очень хорошо умеем вытаскивать нужные данные из огромных потоков информации. Но есть довольно новые области, такие как анализ соцсетей, текстовая аналитика, аналитика видео и голоса. Здесь весь рынок еще учится, и, конечно, затраты пока не соизмеримы с результатом. 








– Что ждет аналитику в ближайшем будущем? Возможно, будет какой-то прорыв, появятся совершенно новые технологии? 

– Всегда есть прорывы, я думаю. Например, IoT или аналитика в реальном времени, когда данные собираются с конкретных устройств и обрабатываются в потоковом режиме. Эти тренды будут усиливаться и углубляться. Но при текущей динамике нам бы, конечно, хотелось новых прорывов 😊 

Искусственный интеллект, например, или машинное обучение, это очень большой прорыв, революция на рынке. Хотя для нас это хорошо освоенная территория: SAS уже много лет работает с технологиями машинного обучения. Но новые технологии, совмещенные с новыми подходами к реализации пользовательского интерфейса, типа Amazon Alexa, позволяют очень быстро фильтровать большие объемы данных. Когда человек говорит, система быстро понимает, что он хочет, например, купить. В ритейле есть большая потребность в технологиях искусственного интеллекта. Люди не хотят просматривать бесконечные отчеты, и разбираться с результатами. Им нужно быстро получить ответы на конкретные вопросы. Представьте себе, было бы удобно спросить «Алекса, что там у нас с продажами за сегодня?» или «Какой прогноз по продажам этой категории на завтра?». Вместо того, чтобы просматривать кипы бумаг и пытаться интерпретировать данные отчетов самостоятельно. 

В любом случае, аналитика должна служить какой-то конкретной цели, будь то рост прибыли, повышение продаж, улучшение обслуживания покупателей. Если этого нет, то аналитика ради аналитики бессмысленна. 

C Лори Шафер, советником SAS по взаимодействию с компаниями розничной торговли общалась Мария Сысойкина
0
Реклама на New Retail. Медиакит