کلان داده در خدمت خرده فروشی

چگونه خرده فروشان از داده های بزرگ برای بهبود شخصی سازی در سه جنبه کلیدی برای خریدار استفاده می کنند - مجموعه، پیشنهاد و تحویل، که در Umbrella IT گفته شده است.

در اواخر دهه 1990، کارآفرینان از همه اقشار متوجه شدند که داده ها منبع ارزشمندی هستند که اگر به درستی استفاده شوند، می توانند به ابزاری قدرتمند برای نفوذ تبدیل شوند. مشکل این بود که حجم داده ها به صورت تصاعدی افزایش یافت و روش های پردازش و تجزیه و تحلیل اطلاعاتی که در آن زمان وجود داشت به اندازه کافی موثر نبود.

در دهه 2000، فناوری یک جهش کوانتومی داشت. راه‌حل‌های مقیاس‌پذیر در بازار ظاهر شده‌اند که می‌توانند اطلاعات بدون ساختار را پردازش کنند، با بارهای کاری بالا کنار بیایند، ارتباطات منطقی ایجاد کنند و داده‌های آشفته را به قالبی قابل تفسیر تبدیل کنند که برای شخص قابل درک باشد.

امروزه داده های بزرگ در یکی از XNUMX حوزه برنامه اقتصاد دیجیتال فدراسیون روسیه گنجانده شده است و در رتبه بندی ها و اقلام هزینه شرکت ها رتبه های برتر را به خود اختصاص می دهد. بزرگترین سرمایه گذاری در فناوری های کلان داده توسط شرکت هایی از بخش های تجاری، مالی و مخابراتی انجام می شود.

تحلیلگران می گویند در 10 تا 20 سال، کلان داده به ابزار اصلی سرمایه گذاری تبدیل خواهد شد و نقشی در جامعه از نظر اهمیت مشابه با صنعت برق بازی خواهد کرد.

خریداران امروزی دیگر انبوهی از آمار بی چهره نیستند، بلکه افرادی کاملاً مشخص با ویژگی ها و نیازهای منحصر به فرد هستند. آنها انتخابی هستند و اگر پیشنهادشان جذاب تر به نظر برسد، بدون پشیمانی به برند رقیب روی می آورند. به همین دلیل است که خرده‌فروشان از داده‌های بزرگ استفاده می‌کنند که به آنها اجازه می‌دهد تا با تمرکز بر اصل «مصرف‌کننده منحصربه‌فرد – یک سرویس منحصربه‌فرد» با مشتریان به شیوه‌ای هدفمند و دقیق تعامل داشته باشند.

1. مجموعه شخصی و استفاده کارآمد از فضا

در بیشتر موارد، تصمیم نهایی "خرید یا نخریدن" از قبل در فروشگاه نزدیک قفسه با کالا صورت می گیرد. طبق آمار نیلسن، خریدار تنها 15 ثانیه را صرف جستجوی محصول مناسب در قفسه می کند. این بدان معنی است که برای یک کسب و کار بسیار مهم است که مجموعه ای بهینه را به یک فروشگاه خاص عرضه کند و آن را به درستی ارائه دهد. برای اینکه مجموعه ای بتواند تقاضا را برآورده کند و نمایشگر باعث ارتقای فروش شود، لازم است دسته های مختلف داده های بزرگ را مطالعه کنید:

• جمعیت شناسی محلی،
• تسویه شوندگی،
• ادراک خرید،
• خرید برنامه وفاداری و خیلی چیزهای دیگر.

به عنوان مثال، ارزیابی دفعات خرید یک دسته خاص از کالاها و اندازه‌گیری «قابلیت تعویض» یک خریدار از یک محصول به کالای دیگر به درک فوری اینکه کدام کالا بهتر می‌فروشد، زائد است و بنابراین، به طور منطقی‌تر وجه نقد را توزیع می‌کند، کمک می‌کند. منابع و فضای فروشگاه را برنامه ریزی کنید.

یک جهت جداگانه در توسعه راه حل های مبتنی بر داده های بزرگ، استفاده کارآمد از فضا است. این داده ها و نه شهودی است که تاجران اکنون هنگام چیدمان کالاها به آن تکیه می کنند.

در هایپرمارکت‌های گروه خرده فروشی X5، طرح‌بندی محصول به‌طور خودکار با در نظر گرفتن ویژگی‌های تجهیزات خرده‌فروشی، ترجیحات مشتری، داده‌های تاریخچه فروش دسته‌های خاصی از کالاها و سایر عوامل ایجاد می‌شود.

در عین حال، صحت چیدمان و تعداد کالاهای موجود در قفسه در زمان واقعی نظارت می شود: تجزیه و تحلیل ویدیویی و فناوری های بینایی رایانه ای جریان ویدیویی را که از دوربین ها می آید تجزیه و تحلیل می کنند و رویدادها را با توجه به پارامترهای مشخص شده برجسته می کنند. به عنوان مثال، کارمندان فروشگاه سیگنالی دریافت خواهند کرد که شیشه های کنسرو نخود فرنگی در جای اشتباهی قرار گرفته اند یا اینکه شیر تغلیظ شده در قفسه ها تمام شده است.

2. پیشنهاد شخصی

شخصی‌سازی برای مصرف‌کنندگان یک اولویت است: طبق تحقیقات Edelman و Accenture، 80٪ از خریداران احتمال بیشتری برای خرید یک محصول دارند اگر یک خرده‌فروش پیشنهاد شخصی‌سازی کند یا تخفیف بدهد. علاوه بر این، 48 درصد از پاسخ دهندگان در صورتی که توصیه های محصول دقیق نبوده و نیازها را برآورده نمی کند، از مراجعه به رقبا تردید ندارند.

برای برآورده کردن انتظارات مشتری، خرده فروشان به طور فعال راه حل های فناوری اطلاعات و ابزارهای تحلیلی را پیاده سازی می کنند که داده های مشتری را جمع آوری، ساختار و تجزیه و تحلیل می کند تا به درک مشتری کمک کند و تعامل را به سطح شخصی برساند. یکی از قالب های محبوب در بین خریداران - بخش توصیه های محصول "شما ممکن است علاقه مند باشید" و "با این محصول بخرید" - نیز بر اساس تجزیه و تحلیل خریدهای گذشته و ترجیحات شکل گرفته است.

آمازون این توصیه ها را با استفاده از الگوریتم های فیلتر مشترک (روش توصیه ای که از ترجیحات شناخته شده گروهی از کاربران برای پیش بینی ترجیحات ناشناخته کاربر دیگر استفاده می کند) ایجاد می کند. به گفته نمایندگان شرکت، 30 درصد از کل فروش ها به دلیل سیستم توصیه کننده آمازون است.

3. تحویل شخصی

برای یک خریدار مدرن مهم است که محصول مورد نظر را به سرعت دریافت کند، صرف نظر از اینکه تحویل سفارش از فروشگاه اینترنتی باشد یا ورود کالای مورد نظر به قفسه های سوپرمارکت. اما سرعت به تنهایی کافی نیست: امروز همه چیز به سرعت تحویل داده می شود. رویکرد فردی نیز ارزشمند است.

اکثر خرده‌فروشان و شرکت‌های حمل‌ونقل بزرگ دارای وسایل نقلیه مجهز به حسگرها و برچسب‌های RFID هستند (که برای شناسایی و ردیابی کالاها استفاده می‌شوند)، که از آن‌ها مقادیر زیادی اطلاعات دریافت می‌شود: داده‌های مربوط به مکان فعلی، اندازه و وزن محموله، ازدحام ترافیک، شرایط آب و هوایی. و حتی رفتار راننده.

تجزیه و تحلیل این داده ها نه تنها به ایجاد مقرون به صرفه ترین و سریع ترین مسیر مسیر در زمان واقعی کمک می کند، بلکه شفافیت فرآیند تحویل را برای خریدارانی که فرصت پیگیری پیشرفت سفارش خود را دارند، تضمین می کند.

شخصی سازی تحویل یک عامل کلیدی برای خریدار در مرحله "آخرین مایل" است. خرده‌فروشی که داده‌های مشتری و لجستیک را در مرحله تصمیم‌گیری استراتژیک ترکیب می‌کند، می‌تواند سریعاً به مشتری پیشنهاد دهد کالا را از محل صدور تحویل بگیرد، جایی که تحویل آن سریع‌ترین و ارزان‌ترین است. پیشنهاد دریافت کالا در همان روز یا روز بعد به همراه تخفیف در تحویل، مشتری را ترغیب می کند که حتی به آن طرف شهر برود.

آمازون، طبق معمول، با ثبت اختراع فناوری لجستیک پیش‌بینی‌کننده مبتنی بر تجزیه و تحلیل پیش‌بینی‌کننده، از رقبا پیشی گرفت. نکته اصلی این است که خرده فروش داده ها را جمع آوری می کند:

• در مورد خریدهای گذشته کاربر،
• در مورد محصولات اضافه شده به سبد خرید،
• در مورد محصولات اضافه شده به لیست علاقه مندی ها،
• در مورد حرکات مکان نما

الگوریتم‌های یادگیری ماشینی این اطلاعات را تحلیل می‌کنند و پیش‌بینی می‌کنند که مشتری احتمالاً کدام محصول را بخرد. سپس کالا از طریق حمل و نقل استاندارد ارزانتر به نزدیکترین مرکز حمل و نقل به کاربر ارسال می شود.

خریدار مدرن حاضر است برای یک رویکرد فردی و یک تجربه منحصر به فرد دو بار - با پول و اطلاعات بپردازد. ارائه سطح مناسب خدمات با در نظر گرفتن ترجیحات شخصی مشتریان، تنها با کمک داده های بزرگ امکان پذیر است. در حالی که رهبران صنعت در حال ایجاد واحدهای ساختاری کامل برای کار با پروژه های حوزه داده های بزرگ هستند، کسب و کارهای کوچک و متوسط ​​روی راه حل های جعبه ای شرط بندی می کنند. اما هدف مشترک ایجاد یک نمایه دقیق مصرف کننده، درک دردهای مصرف کننده و تعیین محرک هایی است که بر تصمیم خرید تأثیر می گذارد، لیست های خرید را برجسته می کند و یک سرویس شخصی جامع ایجاد می کند که خرید هر چه بیشتر را تشویق می کند.