Старые новые данные: что ритейл научился делать с Big Data в 2017 году

Мы уже писали о том, что современный ритейл вбирает в себя лучшее из онлайн и офлайн миров. И о том, как традиционные продавцы переносят фокус с выручки на реальную пользу клиента – не потому что сильно любят его, а чтобы выжить. Сегодня же предлагаем поговорить об анализе данных в ритейле.

Казалось бы, не так давно в торговле особо не было данных, кроме денежных сумм в чеках, внутренних расчетов и количества грамм в «брутто» и «нетто». Но с приходом Big Data и IoT выясняется, что ритейл – просто кладезь информации о людях. Даже e-commerce стоит в сторонке в тени своей пальмы первенства – ведь это они изначально начали «слежку» за покупателями в поисках коммерческих инсайтов. Ритейл подходил к экспериментам с большими данными робко. Но постепенно, на фоне успехов и озарений, обретал уверенность. И, наконец, 2017-й год показал, что работа с big data – уже не критерий прогрессивности компании, а обязательное условие и хороший тон рынка. Теперь, когда миллионы долларов монстров торговли потрачены на исследования и учебу на ошибках, big data для ритейла стала более понятным инструментом, готовым к использованию рыбками помельче. А на что им стоит обратить внимание в первую очередь – мы подскажем.

• Отправляют геотаргетированныеpush-уведомления на мобильные телефоны, вовлекая клиента в режиме real-time. При взаимодействии с датчиками интернета вещей или срабатывании сигналов Wi-Fi ритейлер может посылать разные предложения непосредственно при передвижении человека по магазину. Американская розничная сеть Nordstrom утверждает, что такой подход не только в 6-8 раз более эффективен, чем другая реклама, но и позволяет им лучше понять поведение покупателей.
• Анализируют тенденции фут-трафика и используют их для роста продаж. Один клиент может генерировать более 10 000 уникальных данных за один визит. Сравнив их с показателями других посетителей, вы узнаете информацию о наиболее и наименее популярных маршрутах в магазине, продолжительности нахождения в том или ином отделе, моменте принятия решения взять товар в руки и т.д. Все это ритейлер может использовать, чтобы понять, где лучше разместить продукты и рекламные акции для максимального эффекта.

• Анализ скорости принятия решений человеком, его физических контактов с товаром и манипуляций в VR позволяет определить психотип потребителя. Насколько человек импульсивен, избирателен, придирчив? Эти характеристики ритейлер может использовать в построении собственных рекламных кампаний, а может и продавать базы определенных психотипов сторонним организациям. Даже политическим.
• Исследуя невербальный язык и поведение, присущие большинству покупателей, можно вычислять потенциальных воришек и снижать вероятность краж в магазинах. В случае, когда компьютер зафиксирует отклонения от поведенческой нормы, он сообщит службе охраны, что за этим посетителем рекомендуется присмотреть.

• Современные клиенты перед покупкой совершают множество касаний с брендом, взаимодействуя через разные каналы. Омниканальность как способ не дать потребителю потерять то, что он положил в корзину, активно внедряется продавцами. Теперь пришло время и омниканальной кроссплатформенной аналитики. Чтобы получить больше инсайтов из данных, которые вы собираете, следует взглянуть, как разные характеристики поведения покупателей зависят друг от друга. Вы можете анализировать фут-трафик и историю покупок по отдельности и в каждом направлении делать свои открытия. Или сложить эти метрики вместе и взглянуть на ситуацию шире. Например, посчитать соотношение посещений с количеством людей, которые действительно что-то купили. А вдруг вы привлекаете многих, но не тех?
• Еще один вариант расширить возможности big data: создать рекомендации по типу сопутствующих товаров в e-commerce или социальных графов в телекоме.

• Моделируйте разные сценарии. Ваши предсказательные модели могут рухнуть, если вы не учтете, например, изменения погодных условий. А если учтете – будете в выигрыше в любом случае. Так, магазин продуктов может рекламировать доставку товаров в периоды, когда на улицу не хочется выходить никому, кроме курьеров.
• Используйте тайминг, чтобы предложить товар в нужный момент. Предсказания можно строить не только по длительной истории взаимодействий и изучению клиента, но и по конкретному товару, который он купил – даже если он сделал это впервые. Так делает продавец товаров для будущих мам и малышей Enfagrow: когда женщины подписываются на рассылку бренда, магазин собирает информацию о сроке их беременности или возрасте ребенка. Благодаря этому, ритейлер затем регулярно отправляет релевантные электронные письма.

Анализ данных – требование времени не только потому, что это новые возможности для роста бизнеса. Сами потребители ожидают индивидуального подхода от брендов. Несмотря на периодические волнения о потере приватности, по мнению Энила Мэтьюса, основателя аналитического проекта Near, большинство клиентов сегодня хотят, чтобы в магазине знали, кто они, что им нравится и как они привыкли делать покупки. Мы считаем, что эта тенденция в 2018 году будет только расти.

А вы уже используете анализ big data в ритейле? Или может почувствовали результаты такой аналитики на себе, как покупатель? Поделитесь опытом в комментариях!