Big Data am Déngscht vum Retail

Wéi Händler Big Data benotzen fir d'Personaliséierung an dräi Schlësselaspekter fir de Keefer ze verbesseren - Sortiment, Offer a Liwwerung, gesot am Umbrella IT

Am spéiden 1990s, Entrepreneuren aus all Spazéieren vum Liewen koumen ze realiséieren, datt Donnéeën eng wäertvoll Ressource ass, datt, wann richteg benotzt, kann e mächtegt Instrument vun Afloss ginn. De Problem war datt de Volume vun den Donnéeën exponentiell eropgeet, an d'Methoden fir d'Veraarbechtung an d'Analyse vun Informatioun, déi zu där Zäit existéieren, waren net effektiv genuch.

An den 2000er huet d'Technologie e Quantesprong gemaach. Skalierbar Léisungen sinn um Maart erschéngen, déi onstrukturéiert Informatioun veraarbecht kënne, mat héijer Aarbechtslaascht këmmeren, logesch Verbindungen bauen an chaotesch Donnéeën an en interpretéierbare Format iwwersetzen, dee vun enger Persoun verstane ka ginn.

Haut sinn grouss Daten an engem vun den néng Beräicher vun der Digital Economie vun der Russescher Federatioun Programm abegraff, déi d'Toplinnen an de Bewäertungen an d'Käschte vun de Firmen besetzen. Déi gréissten Investitiounen a Big Data Technologien gi vu Firmen aus dem Handels-, Finanz- an Telekommunikatiounssecteur gemaach.

An 10-20 Joer, grouss Daten wäert den Haaptgrond Mëttel vun Kapitaliséierung betrëfft a wäert eng Roll spillen an der Gesellschaft vergläichbar Wichtegkeet zu der Muecht Industrie, Analysten soen.

Shoppers vun haut sinn net méi eng Gesiichtslos Mass vu Statistiken, mee gutt definéiert Individuen mat eenzegaartege Charakteristiken a Bedierfnesser. Si sinn selektiv a wiesselen op d'Mark vun engem Konkurrent ouni bedaueren wann hir Offer méi attraktiv schéngt. Dofir benotzen Händler Big Data, wat et hinnen erlaabt mat Clienten op eng geziilte a korrekt Manéier ze interagéieren, op de Prinzip vun "en eenzegaartege Konsument - en eenzegaartege Service."

1. Personaliséiert Sortiment an effizient Notzung vum Raum

An deene meeschte Fäll ass d'endgülteg Entscheedung "kaafen oder net ze kafen" schonn am Geschäft no beim Regal mat Wueren statt. Laut Nielsen Statistiken verbréngt de Keefer nëmmen 15 Sekonnen fir de richtege Produkt um Regal ze sichen. Dëst bedeit datt et ganz wichteg ass fir e Geschäft dat optimalt Sortiment an engem bestëmmte Geschäft ze liwweren an et richteg ze presentéieren. Fir datt d'Sortiment d'Nofro entsprécht, an den Affichage fir de Verkaf ze förderen, ass et néideg verschidde Kategorien vu Big Data ze studéieren:

• lokal Demographie,
• Solvabilitéit,
• Akeef Perceptioun,
• Loyalitéit Programm Akeef a vill méi.

Zum Beispill d'Bewäertung vun der Frequenz vun de Kaf vun enger bestëmmter Kategorie vu Wueren an d'Messung vun der "Schaltbarkeet" vun engem Keefer vun engem Produkt an en anert hëlleft direkt ze verstoen wat fir en Artikel besser verkeeft, wat iwwerflësseg ass, an dofir méi rational d'Bargeld ëmverdeelen Ressourcen a plangen Buttek Plaz.

Eng separat Richtung an der Entwécklung vu Léisunge baséiert op Big Data ass déi effizient Notzung vum Raum. Et sinn Daten, an net Intuition, op déi Händler elo vertrauen wann se Wueren ausleeën.

Am X5 Retail Group Hypermarchéen ginn d'Produkt Layouten automatesch generéiert, andeems d'Eegeschafte vun der Retailausrüstung berücksichtegt ginn, Clientsvirléiften, Daten iwwer d'Geschicht vum Verkaf vu bestëmmte Kategorien vu Wueren an aner Faktoren.

Zur selwechter Zäit ginn d'Korrektheet vum Layout an d'Zuel vun de Wueren am Regal an Echtzäit iwwerwaacht: Videoanalyse a Computervisiounstechnologien analyséieren de Videostroum aus de Kameraen an Highlight Eventer no de spezifizéierte Parameteren. Zum Beispill kréien d'Mataarbechter vun de Butteker e Signal, datt d'Glasen mat Konserven Erbsen op der falscher Plaz stinn oder datt d'Kondensmëllech an de Regaler ausgelaf ass.

2. Personaliséiert Offer

Personaliséierung fir Konsumenten ass eng Prioritéit: no Fuerschung vun Edelman an Accenture, 80% vun de Keefer si méi wahrscheinlech e Produit ze kafen, wann en Händler eng personaliséiert Offer mécht oder eng Remise gëtt; Desweideren, 48% vun de Befroten zéckt net op Konkurrenten ze goen wann Produit Recommandatiounen sinn net korrekt an net Besoinen treffen.

Fir Clienterwaardungen z'erreechen, implementéieren Händler aktiv IT-Léisungen an Analyse-Tools déi Clientdaten sammelen, strukturéieren an analyséieren fir de Konsument ze verstoen an d'Interaktioun op e perséinlechen Niveau ze bréngen. Ee vun de populäre Formater ënnert de Keefer - d'Sektioun vun Produktempfehlungen "Dir kënnt interesséiert sinn" a "mat dësem Produkt kafen" - gëtt och geformt op Basis vun der Analyse vu fréiere Akeef a Virléiften.

Amazon generéiert dës Empfehlungen mat kollaborativen Filteralgorithmen (eng Empfehlungsmethod déi déi bekannte Virléiften vun enger Grupp vu Benotzer benotzt fir déi onbekannt Virléiften vun engem anere Benotzer virauszesoen). Laut Firmevertrieder sinn 30% vun all Verkaf wéinst dem Amazon Empfehler System.

3. Personaliséiert Liwwerung

Et ass wichteg fir e modernen Keefer de gewënschte Produkt séier ze kréien, egal ob et d'Liwwerung vun enger Bestellung aus engem Online-Geschäft ass oder d'Arrivée vun de gewënschte Produkter an de Supermarchésregaler. Mee Geschwindegkeet eleng geet net duer: Haut gëtt alles séier geliwwert. Déi individuell Approche ass och wäertvoll.

Déi meescht grouss Händler an Carrier hunn Gefierer, déi mat ville Sensoren an RFID Tags ausgestatt sinn (benotzt fir Wueren z'identifizéieren an ze verfolgen), aus deenen enorm Quantitéiten un Informatioun kritt ginn: Daten iwwer déi aktuell Plaz, Gréisst a Gewiicht vun der Fracht, Stau, Wiederkonditiounen , a souguer Chauffeur Verhalen.

D'Analyse vun dësen Donnéeën hëlleft net nëmmen déi ekonomesch a séierst Streck vun der Streck an Echtzäit ze kreéieren, mee garantéiert och d'Transparenz vum Liwwerprozess fir Keefer, déi d'Méiglechkeet hunn de Fortschrëtt vun hirer Bestellung ze verfolgen.

Liwwerpersonaliséierung ass e Schlësselfaktor fir de Keefer an der "läschter Meile" Etapp. En Händler, dee Clients- a Logistikdaten an der strategescher Entscheedungsphase kombinéiert, kann dem Client prompt ubidden, d'Wuer aus dem Punkt vun der Ausgab opzehuelen, wou et am schnellsten a bëllegst ass et ze liwweren. D'Offer fir d'Wueren am selwechten Dag oder den nächsten ze kréien, zesumme mat enger Remise op d'Liwwerung, wäert de Client encouragéieren souguer op den aneren Enn vun der Stad ze goen.

Amazon, wéi gewinnt, ass virun der Konkurrenz gaang andeems se prognostizéiert Logistiktechnologie patentéiert huet, ugedriwwen duerch predictive analytics. Déi ënnescht Linn ass datt den Händler Daten sammelt:

• iwwer de Benotzer seng vergaang Akeef,
• iwwer d'Produkter déi an de Weenchen bäigefüügt ginn,
• iwwer Produkter op d'Wënschlëscht bäigefüügt,
• iwwer Cursorbewegungen.

Maschinn Léieren Algorithmen analyséieren dës Informatioun a virauszesoen wéi ee Produkt de Client am meeschte wahrscheinlech kaaft. Den Artikel gëtt dann iwwer méi bëlleg Standardverschécken an de Versandhub am nooste beim Benotzer geschéckt.

De modernen Keefer ass prett fir eng individuell Approche an eng eenzegaarteg Erfahrung zweemol ze bezuelen - mat Suen an Informatioun. De passenden Niveau vum Service ubidden, de perséinleche Virléiften vun de Clienten berücksichtegt, ass nëmme méiglech mat der Hëllef vu Big Data. Wärend d'Industrieleit ganz strukturell Unitéiten kreéieren fir mat Projeten am Beräich vu Big Data ze schaffen, wetten kleng a mëttelgrouss Betriber op Boxléisungen. Awer dat gemeinsamt Zil ass e präzise Konsumentprofil ze bauen, Konsumentschmerzen ze verstoen an d'Ausléiser ze bestëmmen déi d'Akaafdecisioun beaflossen, d'Akaafslëschten ze markéieren an e komplette personaliséierte Service ze kreéieren deen ëmmer méi kaaft kaafen.