Секреты больших данных
Как облака помогают цифровой трансформации в ритейле
В условиях жесткой конкуренции ритейлерам крайне важно искать новые способы понимать потребности клиентов. Один из таких инструментов, меняющих правила игры,— это бизнес-аналитика. По данным Gartner, 68% предприятий розничной торговли уже инвестируют в расширенную аналитику для улучшения операционной деятельности. О том, как изменилась аналитика данных в ритейле за последние годы, какие сервисы для этого используются и при чем тут облако, рассказывают эксперты Yandex Cloud: Кирилл Кононов, директор по работе с розничными сетями, электронной торговлей и автопроизводителями, а также ИТ-архитектор Иван Веткасов.
Фото: Александр Коряков, Коммерсантъ
Фото: Александр Коряков, Коммерсантъ
Зачем ритейлерам анализировать данные
Мировой рынок облачных технологий в ритейле стабильно растет, и к 2030 году, по прогнозам CDI, он увеличится до $110 млрд. Один из самых популярных сценариев — построение корпоративных хранилищ данных (Data Warehouse, или DWH). Большие данные для любого бизнеса — это потенциальный источник прибыли и оптимизации слабых, неэффективных процессов. Но чтобы получать эту информацию, нужно сначала правильно организовать процесс. Обычно данные получают в разрозненном виде, например, из бесконечного списка различных метрик, выводы из которого неочевидны. И чтобы получить доступ к X10-инсайтам, как раз и нужна эффективная аналитика.
Каждый день вы получаете огромные массивы информации по разным процессам: по клиентам, продажам и многим другим секторам бизнеса. Эффективная аналитика помогает увидеть неочевидные связи между бизнес-показателями. Так, например, одна из крупных федеральных торговых площадок, построив собственную систему аналитики данных, пришла к выводу о том, что всего 5% заказов, получаемых в пункты выдачи, а не через доставку, обеспечивают им почти 60% выручки (revenue).
Увидеть это и подкрепить инсайты цифрами получилось после наглядной визуализации данных.
Аналитика данных позволила компании наметить стратегии дальнейшего роста: анализировать глубже эти 5% заказов, расширять их и оптимизировать другие процессы. И это всего лишь один инсайт.
В целом же анализ данных помогает своевременно сделать донастройку бизнес-процессов по всем направлениям. Например, лучше и быстрее делать таргетированные предложения, наращивать обороты, улучшать важные бизнес-метрики и закладывать мощный фундамент для масштабирования компании.
Среди крупных зарубежных компаний, которые активно применяют анализ данных в ритейле,— универмаги Macy’s, Amazon, Zara; среди российских — «М.Видео», Fix Price, Ozon и многие другие. Эти бренды успешно внедряют анализ big data: улучшают персональные рекомендации, делают цепочки поставок более гибкими, делают удобные цифровые решения и растят свою прибыль.
Директор по работе с розничными сетями, электронной торговлей и автопроизводителями Кирилл Кононов
Фото: Yandex
Директор по работе с розничными сетями, электронной торговлей и автопроизводителями Кирилл Кононов
Фото: Yandex
Какие процессы можно оптимизировать
Маркетинг и продажи.Анализируя массивы данных о действиях клиентов, поступающих с сайта, онлайн-магазина, вы можете оптимизировать свои программы лояльности и постоянно их совершенствовать. Предлагая клиенту товары и акции, исходя из его предпочтений и пользовательского поведения, можно не только улучшить бизнес-метрики, но и действительно дать больше выгоды своим покупателям.
К примеру, Rostic’s уже ускорил разработку новых технологий в три раза и в два раза быстрее готовит аналитические отчеты, например, по продажам позиций из меню. Головной офис и партнеры франчайзи используют аналитику данных для ускорения обслуживания и сборки заказов, чтобы оптимизировать работу курьеров и, конечно, увеличивать продажи в точках присутствия.
Внутренние нужды магазина (контакт-центр, мобильное приложение консультантов и другие). Еще один пример успешного внедрения аналитики данных — опыт «М.Видео». Еще в 2017 году сеть начала внедрять мобильное решение для продавцов в магазинах, формируя и укрепляя свои позиции на базе стратегии One Retail, а именно единой кросс-канальной цифровой среды контакта с клиентом и сервиса, построенного на глубоком понимании потребностей каждого клиента и адаптации под них. В эту концепцию заложены полная цифровизация бизнеса и объединение всех точек контакта (магазинов, сайта, приложения) в единое пространство с простым доступом со смартфона.
Анализ данных и построение моделей глубокого понимания клиентов, рынка и внутренних процессов потребовали от компании развития собственной data science экспертизы и даже открытия дата-офиса. Он сосредоточился на разработке сервисов по улучшению пользовательского пути и повышению эффективности бизнеса: в интернет-торговле, маркетинге, логистике, управлении финансами и кадрами. Направление дата-экспертизы в компании стало стремительно развиваться, что в итоге привело к необходимости выстраивать масштабную инфраструктуру, которую было решено перенести в облако. В результате количество одновременно пилотируемых проектов выросло в 30 раз и позволило существенно ускорить бизнес-процессы в компании.
Логистика и коммерция.Пункт, который особенно актуален для ритейлеров, работающих по всей России. Анализ данных в этом сегменте позволяет заранее прогнозировать спрос и оперативно оптимизировать ассортиментную матрицу. Таким образом, вы уже за неделю вперед можете понимать, какие именно группы товаров стоит переместить со складов в регионы. кроме того, прогнозировать можно не только востребованный ассортимент товаров, но и цены с учетом привлекательности скидок и необходимых бизнес-результатов.
HR-трек и рекрутинг. Проблема поиска и найма людей стоит особенно остро в современном ритейле. Часто бывает так, что компания развивается очень быстро и, несмотря на увеличение числа рекрутеров, все равно не успевает вовремя привлекать нужное число кандидатов. Анализ данных по HR-треку позволит увидеть истинные причины этого процесса и подобрать решение.
Один из успешных кейсов в этом направлении — опыт компании Fix Price. Команда компании совместно с технологическими подрядчиками провела анализ бизнес-процессов, а также выявила нужные решения для автоматизации рекрутинга. В результате в процессы найма были внедрены роботизированные ассистенты-помощники, которые сейчас приглашают на собеседование около 23% кандидатов, что в среднем составляет около 2,5 тыс. человек в месяц. В условиях нехватки кадров это позволяет сильно разгрузить отдел кадров и более оперативно делать предложения кандидатам.
IT-архитектор Иван Веткасов
Фото: Yandex
IT-архитектор Иван Веткасов
Фото: Yandex
Как перейти к аналитике в облаке
Масштабируйте процессы. Рано или поздно у каждого ритейлера становится слишком много данных. Много задач, систем, проектов, которые крутятся вокруг них. Классическая проблема масштабирования в ритейле — быстро заканчивается место для хранения. Базы становятся очень большими, начинаются проблемы с производительностью. Возникает необходимость в секционировании этих данных, построении многослойной структуры DWH. Такие системы хорошо работают в облаке, потому что есть много сервисов, которые комплиментарно интегрированы друг с другом. Данные в DWH можно эффективно распределять по уровням хранения и системам обработки, охлаждая исторические и строя горячие витрины для актуальных.
Сокращайте time-to-market. Облака могут быть очень полезны, когда нужна возможность быстро стартовать проекты, анализировать их, их прибыльность и переходить к масштабированию. Облачные технологии сильно могут помочь сократить сроки этого процесса. Сейчас мы наблюдаем довольно много проектов с такими потребностями: начиная от классического ритейла и заканчивая управлением кассами, программами лояльности, а также оборудованием.
Привлекайте нейросети для аналитики. Например, у вас уже есть база знаний, и вы хотите, чтобы по ней происходила генерация ответов нейросети. В нашем опыте есть и такие кейсы. Мы рассказываем, какими методами и инструментами мы можем дообучить модель, чтобы она генерировала ответы по правильному сегменту базы. В других случаях можно использовать более простые технологии, так как обучение — это все-таки сложная технологическая задача. Иногда можно использовать, например, методологию RAG, которая позволяет подключить в качестве справочной системы для обогащения контекста внешнюю базу знаний и значительно улучшить результат генерации.