Big Data в ритейле: использование технологии на примере практических кейсов крупных российских компаний

Любая сфера бизнеса генерирует огромные объёмы данных, анализируя которые можно добиться заметных успехов и конкурентных преимуществ. 

Михаил Гавриков, директор по продажам компании Arenadata, пообщавшись с крупными российскими ритейлерами, рассказывает, как и для чего они используют технологии, построенные на Big Data.


Массивы данных в ритейле

Российские ритейлеры, особенно те из них, кто уже давно и успешно присутствуют на рынке, приходят к пониманию и принятию технологий продаж зарубежных коллег, самые успешные из которых личным опытом демонстрируют необходимость использования массивов данных о клиентах. Они поступают как из собственных систем лояльности, так и от партнёров. Полученные данные компании складывают в хранилища данных, где затем обогащают и анализируют их, строят аналитические модели и витрины (срезы, представляющие собой массивы тематической, узконаправленной информации). В результате ритейлеры получают возможности для поиска дополнительных точек роста и автоматизации бизнеса.

Как отмечают в группе «М.Видео-Эльдорадо», проводимая аналитика позволяет повышать онлайн-продажи и целевой маркетинг, прогнозировать ежедневную потребность в розничном персонале и его текучку, оценить промо и продажи, управлять логистическими поставками и открывать прибыльные магазины. 

Для реализации этих задач строятся узконаправленные ИТ-отделы. По словам Марии Евневич, совладельца сети гипермаркетов «Максидом», ритейлер, собравший за 22 года существования на рынке гигантские массивы данных, построил собственное подразделение по аналитике массива данных о клиентах, в которое входят маркетологи и специалисты IT-отдела. В компании активно используются и совершенствуются BI-системы, собственная ERP-система, которые позволяют проводить эффективный мониторинг рынка, формировать ассортиментную и ценовую стратегию, оптимизировать логистику. 

Сеть «Магнит» применяет решения, основанные на технологиях Big Data, как для оптимизации внутренних процессов, так и для получения дополнительных внешних доходов. Работу с Big Data ритейлер начал с задач внутренней оптимизации, например, проектов по созданию решения для промо прогноза, клиентской аналитике и аналитике товарных категорий. Именно на тот момент «Магнит» столкнулся с рядом ограничений, обусловленных недостаточным качеством данных и техническими возможностями существующего на тот момент корпоративного хранилища данных. 

«Поэтому в этом году мы продолжим ряд мероприятий по развитию нашей корпоративной платформы данных и корпоративной модели данных. В рамках работы по прогнозированию спроса под промоакции у нас стартует процесс миграции решения на оборудование новой платформы данных, основанной на технологиях Arenadata Hadoop, Spark и Arenadata DB (Greenplum). В ходе проекта удалось значительно повысить точность промо прогноза, и мы рассчитываем еще улучшить эти результаты после миграции на новую платформу и применения новых математических моделей, которые до текущего моменты мы в полной мере развернуть не могли», — объяснил Андрей Шурыгин, руководитель управления по работе с данными сети «Магнит». 




Большие данные на практике

Российские ритейлеры уже сейчас могут назвать много успешных кейсов, реализованных благодаря использованию технологий, построенных на основе Big Data. 

Рассмотрим, для чего именно розничные сети используют подобные решения.

• Выявления закономерностей

Ритейлеры уже достаточно давно анализируют чеки, чтобы выявить закономерности в покупательском поведении – даже те, которые кажутся на первый взгляд не связанными между собой. 

За десять лет такой практики сеть гипермаркетов «Лента» научилась делать выводы из полученных закономерностей. «За этот период мы развивались в двух направлениях — отрабатывали и совершенствовали аналитические модели и улучшали процессы и организацию, чтобы полученные выводы применять в процессах, влияющих на покупательский опыт наших клиентов», – рассказал Валерий Русанов, директор по стратегическому маркетингу «Ленты».

Ритейлер научился разделять полученные данные на сегменты и использовать  различные сегментации, в зависимости от конечного применения. Так, сегментация на основе потребностей позволяет правильнее работать с ассортиментом и массовыми промо, учитывать запросы при формировании общего предложения. Сегментация на основе жизненного цикла открывает возможность для управления такими показателями, как жизненная ценность клиента, и, например, позволяет предсказывать и контролировать отток покупателей.

О необходимости сегментации клиентской базы говорит и Кирилл Иванов, директор data-офиса Группы «М.Видео-Эльдорадо»: «Несколько лет мы анализируем обезличенные данные клиентов, историю покупок, поисковых запросов и использования бонусных баллов, брошенные корзины и отклики на различные маркетинговые рассылки. Затем сегментируем всю базу клиентов и выделяем тех, кто готов совершить покупку, определяем наиболее эффективный способ привести их на сайт или в магазин, стараемся понять, какие категории и бренды прежде всего интересны покупателям».

Например, клиент «М.Видео-Эльдорадо» получает информацию преимущественно о тех промоакциях (беспроцентный кредит, кэшбэк или скидочный промокод), которые, скорее всего, будут интересны именно ему. В результате, эффективность контакта возрастает на 25%. А, если нужного телевизора нет в наличии, или доставка занимает длительное время, робот выдаёт альтернативные варианты с похожими характеристиками, но лучшим уровнем сервиса. Клиент также получает рекомендации о наиболее подходящих сопутствующих товарах и аксессуарах, которые ранее выбирали другие клиенты. 

Если пользователь покинул сайт без покупки, система продолжает взаимодействие с помощью персонализированных email-сообщений: предлагает подборку альтернативных товаров, отправляет уведомление о снижении цены на просмотренные товары или о том, что ранее недоступный товар вернулся в сток.

---

Читайте также: Как дата-центричная цифровая трансформация изменит ритейл

---

• Персонализированные предложения

По словам Валерия Русанова, «Лента» в 2018 году запустила персонализированные предложения: этому способствовало то, что ритейлер своевременно начал заниматься изучением покупательского поведения через чековые данные. «В течение прошлого года мы еженедельно анализировали динамику. Мы видим большой потенциал в этом направлении и продолжим его развивать в ближайшие годы: будем увеличивать базу, доступную для распространения персональных предложений, за счёт запуска новых каналов и улучшать предсказательные модели для более точного формирования предложений».

Как отмечает Мария Евневич, использование механизмов, позволяющих делать индивидуализированные рассылки целевым группам покупателей, с большой вероятностью заинтересованных в каждом конкретном предложении, позволило «Максидому» существенно повысить конверсию этого вида коммуникации. Благодаря тому, что покупатель получает только ту информацию, которая ему интересна, удалось повысить лояльность клиентов, а также количество повторных покупок, что позитивно сказывается на финансовых показателях компании.

• Прогнозирование спроса

Валерий Русанов подчёркивает, что применение Big Data-аналитики эффективно помогает в прогнозировании спроса и управлении цепочками поставок. «Большие данные позволяют точнее предсказать, как промо и распродажи сказываются на спросе и реализации товаров, на которые не распространяются специальные предложения.  Это позволяет скорректировать заказы для магазинов. Кроме того, большие данные влияют как на покупательский опыт (клиент всегда находит промо-товар на полке), так и на уровень наших издержек за счёт снижения списаний и хранения лишних запасов», – добавил представитель «Ленты».



• Геоаналитика и машинное обучение

В 2019 году группа «М.Видео-Эльдорадо» построила систему геоаналитики для автоматизации принятия решения об экспансии. «Мы изучаем характеристики населения, трафик, расположение конкурентов, предпочтения жителей конкретного района и другие факторы. Это позволяет спрогнозировать уровень оборота новых магазинов и не открывать убыточных точек. Data-driven подход помогает вдвое снизить ошибки в прогнозах», – объясняет Кирилл Иванов.

• Прогнозирование продаж

Кирилл Иванов называет алгоритмы машинного обучения основным инструментарием для продаж. По его словам, в отличие от стандартных подходов, к примеру, линейного прогноза на основе прошлых периодов, подобные алгоритмы позволяют, с одной стороны, добиться высокой точности, с другой – учесть неочевидные взаимосвязи в данных. Поэтому ритейлер развивает свои модели в двух направлениях: прогноз регулярного спроса и прогноз в период промоакций. 

«Прогнозирование спроса работает для 30 000 позиций в более чем 1000 магазинах розницы “М.Видео” и “Эльдорадо” на еженедельной основе с учётом географического расположения магазина, трафика, сезонности, а также скорости розничных продаж и потенциальных объёмов самовывоза онлайн-заказов», – отмечает Кирилл Иванов.

Прогнозирование эффективности промокампаний призвано помочь категорийным менеджерам спланировать уровень скидок таким образом, чтобы, с одной стороны, привлечь покупателей, а с другой, не нести убытки. Модель анализирует план продаж, их текущий уровень и то, как конкретный товар продавался ранее в период других акций, ассортимент, историю прошедших и календарь параллельных промокампаний. На основе этих данных система показывает, какую цену надо поставить, чтобы с высокой долей вероятности, до 90%, выполнить план. 

«По результатам пилота на некоторых категориях, автоматизация позволяет повысить точность планирования примерно на четверть. Таким образом, внедрение алгоритмов машинного обучения позволяет существенно оптимизировать не только сам прогноз, но и сопутствующие расходы, к примеру, на использование складских помещений или организацию транспортной логистики», – делится полученными результатами Кирилл Иванов.

• Доступность товара на полке (On Shelf Availability) 

Андрей Шурыгин рассказал о самостоятельной разработке «Магнита», позволяющей анализировать доступность товаров на полках. Решение, построенное на основе статистической информации, оценивает вероятность отсутствия товара на полке магазина. Если такой вывод будет сделан, и при этом товар есть в магазине, может быть сгенерирован сигнал ответственным сотрудникам в магазине или же мерчендайзерам поставщика о необходимости проверить наличие товара на полке и осуществить выкладку. По всем случаям недоступности товара проводится детальный факторный анализ причин случившегося с оповещением ответственных. В перспективе возможен предиктивный анализ и предупреждение возможных проблем с товаром. Решение планируется развивать также в рамках новой платформы данных.

* * *

Использование технологий, построенных на основе Big Data, на практике показывает рост большинства финансовых показателей в условиях всеобщей цифровизации экономики. Однако, как разумно подчёркивает Мария Евневич, инновационные технологии – отнюдь не панацея. Необходимо помнить о традиционных факторах клиентоориентированности в ритейле, таких как высококачественный сервис, омниканальность, качество и широкий ассортимент товаров, своевременная обратная связь по любым возникающим вопросам. Только в совокупности этих аспектов, компания может рассчитывать на получение большей прибыли. 

Михаил Гавриков, 
директор по продажам компании Arenadata