Big Data w handlu – nowa odsłona wyścigu zbrojeń

Gwałtowny rozwój Internetu odcisnął głębokie piętno na handlu w jego tradycyjnym kształcie. Dostępność informacji za jednym kliknięciem, możliwość szybkiego porównania nie tylko cen, ale także asortymentu, przejrzystości oferty, czy warunków dostawy, zaostrzyły walkę konkurencyjną. Tradycyjne sieci handlowe również przeniosły część swoich operacji do sieci, a niektóre z nich próbują zintegrować kanały tradycyjne i cyfrowe (podejście ommnichannel) zarówno z punktu widzenia operacji (dystrybucji, logistyki), jak i personalizacji oraz kontynuacji kontaktu z klientem „podróżującym” między kanałami sprzedaży.

Gromadzenie i analiza danych transakcyjnych pochodzących z systemów operacyjnych dostarcza wystarczającej wiedzy do efektywnego zarządzania przedsiębiorstwem, monitorowania głównych wskaźników efektywności i okresowej optymalizacji procesów. Jednak Big Data przenosi zasady konkurowania na inny poziom. Czym jest Big Data w handlu? Z punku widzenia czystego e-commerce to dane opisujące ścieżkę zakupową klienta w obrębie e-sklepu: nawigacja po podstronach, opróżnianie lub porzucanie koszyka, czytanie regulaminu i warunków dostawy, a nawet ruchy myszki i czas pomiędzy kliknięciami. Natomiast w tradycyjnych punktach handlowych pojawia się coraz więcej nowych technologii takich jak czipy RFID, beacony czy wideomonitoring. Ich rolą jest obsługa lub analiza jakiegoś konkretnego zjawiska, ale mogą one też być włączone w szerzej rozumiany proces sprzedażowy.

Surowe Big Data nie niesie z sobą żadnej istotnej wartości informacyjnej, która miałaby wpływ na efektywność funkcjonowania biznesu. Aby uzyskać wymierną wartość z dostępnych danych, konieczne jest zaprzęgnięcie metod analitycznych.
Eksplorację Big Data można w uproszczeniu podzielić na dwa etapy:

1. Poszukiwanie istotnych wzorców i zależności (data mining). Tutaj wykorzystuje się zautomatyzowane metody statystyczne i uczenie maszynowe, ale należy zaznaczyć, że wykryte wzorce wymagają klasyfikacji i interpretacji biznesowej. Wyniki analizy eksploracyjnej rzucają nowe światło na funkcjonowanie organizacji czy zachowania klientów, wiążą ze sobą pozornie odległe fakty i mogą się przyczynić do istotnej modyfikacji poszczególnych procesów, a co za tym idzie, do osiągania konkretnych korzyści biznesowych: zwiększenia sprzedaży, zwiększenia poziomu zadowolenia i lojalności klientów, optymalizacji stanów magazynowych itp.
   
   

   Przykład praktyczny: Macy’s. Z historią dłuższą niż 80 lat, Macy’s jest jedną z najlepiej rozpoznawanych marek detalicznych w USA. Miliony lojalnych klientów codziennie odwiedzają sklepy Macy’s zarówno tradycyjne, jak i internetowy. Aby lepiej zrozumieć doświadczenia klientów powołano nową organizację: Macys.com. Jej głównym celem jest bieżące gromadzenie i analizowanie Big Data, strumienia danych pochodzących ze wszystkich kanałów sprzedaży, ale także uwag i komentarzy klientów oraz budowanie prawdziwie spersonalizowanej oferty. Tradycyjny handel głośno narzeka na tzw. „showrooming”. Remedium na to zjawisko wg Macy’s to pełna, dwukierunkowa integracja kanałów tradycyjnych i cyfrowych: bez względu na to, w którym miejscu rozpoczyna się interakcja z klientem, Macy’s asystuje mu w jego indywidualnej ścieżce zakupowej. Dzięki spersonalizowanej komunikacji Macy’s znacznie ograniczyło wolumen masowej korespondencji elektronicznej ze swoimi klientami, a jednocześnie o 20% wzrosła baza klientów odwiedzających e-sklep więcej niż jeden raz. Podejście omnichannel wymusiło na Macy’s zmianę modelu operacyjnego: integracja strumienia zamówień z kanałów cyfrowych i tradycyjnych sklepów zaowocowała przejściem z procesowania w trybie wsadowym do procesowania w trybie ciągłym. Macy’s wykorzystuje Big Data w całym cyklu zatowarowania od prognozowania popytu na poziomie SKU i lokalizacji, poprzez zarządzanie rozmiarowaniem (size optimization) po analitycznie sterowany program przecen.” Skala korzyści jest ogromna.

2. Eksploracja Big Data na bardziej szczegółowym poziomie, na przykład w celu wykrycia mikrosegmentów (małych grup klientów cechujących się homogenicznym zachowaniem) prowadzi do odkrycia prawidłowości, które same z siebie nie są istotne, ale ułożone w sekwencję zdarzeń, wyjaśniają, którzy klienci reagują na konkretne bodźce i w jakiej kolejności. W tym drugim etapie mamy do czynienia z analityką preskrypcyjną Big Data, która ma największe znaczenie biznesowe wtedy, gdy może być zastosowana w czasie rzeczywistym. Innymi słowy wykrycie konkretnego zachowania klienta uruchamia określone, zaprogramowane działanie (to może być np. dynamiczna modyfikacja listy prezentowanych produktów albo sugestia wizyty w najbliższym punkcie handlowym, gdzie towar jest dostępny), co powoduje określoną reakcję klienta i uruchomienie kolejnego działania, itd. Innymi słowy jest to przykład personalizacji sterowanej analityką. Zmorą marketingu opartego o targetowane promocje są klienci określani mianem „sure things”. Kupiliby produkt nawet bez atrakcyjnego rabatu. Dla handlowca to zbędne koszty sprzedaży i niższy zysk. Dzięki analityce preskrypcyjnej możliwa jest znacząca redukcja tego zjawiska. Zamiast predefiniowanej oferty do ściśle określonych, statycznych grup targetowych, silnik Big Data ma do dyspozycji wiele algorytmów postępowania, które są analizowane automatycznie, w miarę jak klient podąża ścieżką zakupową. Finalna oferta jest optymalnie dobrana z punktu widzenia osiąganych korzyści. Ważne jest, aby proces działał w czasie rzeczywistym, w trakcie podejmowania decyzji zakupowych przez klienta.
   
   

   Przykład praktyczny: Catalina Marketing to jedna z największych agencji marketingowych oferujących dynamiczne targetowanie w oparciu o Big Data i analitykę preskrypcyjną. Wspiera sieci spożywcze, wielkopowierzchniowe i apteki w USA, Europie i Japonii. Zarejestrowany klient, płacąc za zakupy, otrzymuje spersonalizowany kupon promocyjny (drukowany przez kasjera ze specjalnej drukarki lub przesłany na urządzenie mobilne). Treść kuponu odzwierciedla nie tylko historię zakupową klienta i dostępne oferty producentów i handlowców, ale także zawartość bieżącego koszyka dla tego właśnie klienta (na podstawie jego profilu zakupowego i danych zewnętrznych). Jeśli klient kupił właśnie 3 opakowania frytek, kupon rabatowy „kup następnym razem 3 opakowania czwarte dostaniesz gratis” jest modyfikowany do „kup następnym razem 4 opakowania piąte dostaniesz gratis”. Dwóch klientów z tą samą zawartością koszyka otrzymuje dwa różne kupony. Jaka jest siła oddziaływania spersonalizowanego marketingu, który ma miejsce w chwili finalizacji zakupów? Klienci bardzo lubią „triggered coupons” i próbują na własną rękę rozgryźć stojącą za nimi logikę. Wskaźnik wykorzystania takich kuponów dochodzi do 7%, co jest wynikiem ponad dziesięciokrotnie wyższym od średniej dla branży. Zaś marki, które korzystają z usług Cataliny, notują wyższe wskaźniki rozpoznawalności (do 24%) i zwiększony wolumen zakupowy (do 30% w porównaniu do grup kontrolnych).