Статья опубликована в № 4218 от 06.12.2016 под заголовком: Советы менеджера: Как использовать большие данные в розничной торговле

Количество данных, доступных ритейлерам, постоянно растет

Но многим компаниям еще надо научиться их правильно использовать
Ростислав Хоменко, эксперт по рынку розничной торговли Bain & Company

Недавно Сбербанк запустил проект «Открытые данные», начав выкладывать на своем сайте обобщенную информацию по финансовой активности клиентов, – можно сравнить, например, среднюю сумму на текущем счете россиян в разных регионах, среднюю зарплату. Одними из первых клиентов проекта стали розничные сети.

Количество данных, доступных ритейлерам, быстро растет. Традиционные источники:

данные самого предприятия: транзакционные, из CRM-систем, с датчиков в магазинах и т. д.;

данные от внешних поставщиков, занимающихся поиском и продажей данных: Nielsen, «2Гис», «Билайна» и т. д.;

данные госорганов: Госреестра, Росстата, таможни и т. д.;

интернет-данные: Google, «Яндекс», соцсети и т. д.;

видео и изображения с YouTube, Instagram, Vine и т. д.;

данные с датчиков подключенных устройств: Siemens, Nest, Fitbit и т. д.

Столь же быстро растет число компаний, предлагающих обработку данных. Но ритейлеру это принесет пользу только тогда, когда он сможет конвертировать результаты анализа в конкретные действия.

За технологиями big data в ритейле будущее. Уже сейчас эффект составляет1–2% выручки в компаниях, ведущих учет эффекта проектов big data. Еще в 1994 г. руководитель отдела новых технологий Tesco договорился о совместном проекте с компанией по анализу данных dunnhumby. За три месяца они узнали о покупателях Tesco больше, чем сеть за 30 лет, и по итогам создали партнерство Clubcard. Анализ данных, собранных Clubcard, помогает Tesco четче сегментировать потребителей, разрабатывать востребованные продукты под собственной торговой маркой, предлагать промоакции для узких аудиторий, лучше контролировать затраты на поддержание запасов, продавать поставщикам данные о продажах.

С помощью больших данных можно также рассчитать оптимальный режим работы персонала и упростить работу с недвижимостью – от выбора места под новый магазин до более эффективной планировки зала с учетом данных о перекрестных покупках в разных категориях.

Сложные исходные данные и моделирование позволили Tesco экономить около 100 млн фунтов в год: сеть корректирует уровень запасов в магазинах в зависимости от прогнозов погоды и местных новостей, оптимизирует систему скидок на продукты, у которых истекает срок годности. Чем эффективнее работа с данными, тем быстрее принимаются управленческие решения. Не случайно крупнейший ритейлер США – Walmart – создал аналитический центр DataCafe. Обработка запросов в единой системе торговой сети занимает полчаса. Помимо собственных данных DataCafe анализирует около 200 сторонних источников, от погоды до цен на газ. На основании всех этих данных система рассчитывает, сколько такого-то товара должно продаться в такой-то деревушке. Если прогноз не сбывается, менеджеру поступает сигнал – скорее всего, товар не стоит на полке. Сроки от выявления проблемы до выбора решения сократились. Расчетная выгода от внедрения системы только за первый год измерений – около $300 млн.

Пока для большинства российских ритейлеров подобные проекты – фантастика. Но некоторые сети уже пользуются возможностью узнать, каков средний счет у абонентов «Вымпелкома», ежедневно проезжающих мимо конкретного магазина.

Начиная работать с большими данными, предприятия обычно проходят несколько этапов – от традиционного анализа отчетности, изучающего лишь прошлое, до стратегического прогнозирования. С чего начать?

Создать спрос

Высшее руководство сети должно поставить задачи, для которых нужен анализ данных. Это вопрос изменения культуры – недавний опрос показал, что 70% директоров принимают решение, опираясь на интуицию. Как только руководители станут принимать решения на основе данных, организация начнет работать с ними более эффективно.

Определиться с источниками данных

Нужно решить, ответ на какой конкретный вопрос вы хотите найти, и определиться, данные из каких источников могут понадобиться. Как правило, у ритейлера накоплено много информации, но она разрозненна и свести ее воедино сложно – необходима инвентаризация. Не исключено, что придется менять IT-архитектуру в организации.

Подобрать команду

Нужно сформировать команду. Это сложно – талантливые специалисты по работе с данными востребованы во всем мире и вряд ли ритейлеру удастся переманить, скажем, экспертов из NASA. Но людей, разбирающихся в данных и имеющих технические навыки, найти можно. Имеет смысл такую команду подчинить напрямую высшему руководству.

Обзавестись нужными IT-инструментами

Потребуется специальная IT-инфраструктура. IT-службе надо определиться, какие инструменты нужны и как их интегрировать между собой. Для этого нужно будет найти внешних подрядчиков и выстроить сотрудничество с ними.

Заняться большими данными ритейлерам нужно срочно. Через несколько лет федеральные сети охватят все регионы страны, где они прежде не были представлены. Все сети будут в состоянии обеспечить сопоставимые цены. Единственным способом дифференциации станут уникальные предложения для покупателя, а их можно разработать, только узнав потребителя лучше. Умение работать с большими данными открывает широкие перспективы и для ритейлеров, и в конечном счете для покупателей.

Автор – эксперт по розничной торговле Bain & Company

Пока никто не прокомментировал этот материал. Вы можете стать первым и начать дискуссию.
Комментировать