Читайте новини і аналітику про ритейл та e-commerce в Україні на нашій сторінці в Facebook, на нашому каналі в Telegram, а також підписуйтеся на щотижневу e-mail розсилку.
Як відомі рітейлери використовують великі дані: 3 реальні приклади
Згідно зі звітом Gartner, 77% рітейлерів планують використовувати штучний інтелект у своїх бізнес-процесах. Область застосування великих даних у цій промисловості дуже широка: від прогнозування попиту до оптимізації ланцюгів поставок. Під час спалаху COVID-19 у 2020 році більшість рітейлерів були змушені швидко звернутися по допомогу до технологій, щоб не втратити конкурентоспроможність. Проте ті, хто встиг впровадити інноваційні рішення ще до пандемії, опинившись у більш виграшному становищі, змогли адаптуватися до нових реалій набагато легше та швидше.
Давайте розглянемо успішні приклади використання великих даних відомими рітейлерами і дізнаємося, як рішення SAP допоможуть трансформувати дані для збільшення прибутку.
AMAZON
Динамічне ціноутворення
Компанія Amazon відома своїм динамічним ціноутворенням. Як воно працює? Великі дані допомагають визначити чи здійснить клієнт покупку, чи ні. Наприклад, коли ви кілька разів відкриваєте певний товар, ціна цього товару може змінитися. Портал Business Insider повідомляє, що Amazon змінює ціни на товари близько 2,5 мільйонів разів щодня або кожні 10 хвилин. Ціна на товар залежить від таких аспектів як ціни у конкурентів та кількість товару на складі.
Запобігання шахрайству
Amazon блокує облікові записи користувачів за часте повернення товару. На основі інформації про купівельну активність клієнтів, Amazon використовує великі дані для виявлення підозрілих повернень. Під час виявлення підозрілої активності компанія проводить розслідування. У 2018 році деякі клієнти Amazon повідомили, що їх забанили через часті повернення товару.
Рекомендації продуктів
Особливу увагу Amazon приділяє персоналізованій рекомендації продуктів. Щоб стратегія продажів приносила конкретні результати, компанія інтегрувала систему рекомендацій до своєї платформи електронної комерції. На основі даних про покупки користувачів Amazon прогнозує, що забажають купити клієнти і пропонує їм товари, у яких вони можуть бути зацікавлені. Наприклад, якщо ви часто купуєте зубну пасту, вам пропонуватимуть такі товари, як зубна щітка або зубна нитка. Компанія Amazon пішла ще далі. Amazon запатентував систему Anticipatory Shipping Model для прогнозування того, що покупці збираються купити і доставки цих товарів на склад заздалегідь.
Starbucks
Геолокаційна аналітика
Starbucks переглянула свою геолокаційну стратегію для оцінки ризиків, пов'язаних з розширенням присутності у регіонах, ще у далекому 2013 році. Для відкриття магазинів був застосований підхід, заснований на великих даних.
Цей підхід полягав у системі планування на базі штучного інтелекту, яка допомогла їм швидко відкривати магазини у нових місцях з мінімальними ризиками зниження продажів і "втоми" від бренду. Завдяки геолокаційній аналітиці Starbucks отримує уявлення про цільовий ринок, що допомагає визначити економічну доцільність відкриття нового магазину у тому чи іншому місці.
Розробка продукту на основі аналізу даних
Starbucks використовує великі дані для створення нових продуктів. Завдяки аналізу купівельних звичок компанія генерує ідеї нових продуктів та стратегії їх продажу. Наприклад, ось уже 15 років щороку до Хеллоуіна компанія представляє низку напоїв зі смаком гарбуза. Ще один приклад продаж продуктів Starbucks у супермаркетах для приготування кави вдома. Дані магазинів допомогли компанії визначити, які продукти потрібні тим, хто готує каву вдома.
Меню, що оновлюється
Starbucks також використовує великі дані, щоб оновлювати свої пропозиції в залежності від переваг клієнтів, розташування та часу. Наприклад, у роздруковане меню набагато важче вносити зміни, тому компанії активно використовують крейдяні дошки. Але Starbucks має своє рішення – це цифрові меню-борди. Рішення дозволяє оновлювати меню без додаткових зусиль та витрат хоч кожен день.
“Використовуючи дані про близько 90 мільйонів транзакцій на тиждень, ми знаємо, що, де і як купують клієнти. Порівнюючи цю інформацію з іншими даними, наприклад, погодою, рекламою, поточними подіями, ми можемо надати більш персоналізоване обслуговування”, — Джеррі Мартін-Флікінгер, технічний директор Starbucks.
Джерело: cio.com
Ikea
Розумне прогнозування попиту
Нещодавно Ikea розробила інтелектуальний інструмент планування попиту Demand Sensing, запроваджений у Норвегії. Прогнози ґрунтуються на статистичних даних про продаж. Наприклад, це можуть бути дані про продаж та попит за останні кілька років, які допомагають спрогнозувати кількість товарів, необхідних для задоволення попиту у майбутній період. Саме орієнтування на регіональне прогнозування робить цей інструмент цінним для Ikea.
“Правильний та точний прогноз допомагає визначити попит. Якщо попит є надто високим, наші витрати і, отже, ціни для наших клієнтів збільшуються. Якщо попит низький, витрати зменшуються. Цей прогноз дуже впливає на наш бізнес і на обслуговування клієнтів”, — Пітер Грімвалл, менеджер відділу розвитку ланцюгів постачання.
Джерело: about.ikea.com
Персоналізовані рекомендації у режимі реального часу
Ikea пропонує персоналізовані рекомендації по різним каналам, наприклад, рекомендації у кошику покупок тощо. Компанія також використовує моделі рекомендацій на основі штучного інтелекту, такі як «Рекомендації для вас», «Часто купують разом» та інші, щоб підвищити конверсію та оптимізувати шлях до покупки. У співпраці з Google компанія Ikea прискорила впровадження моделі та досягла цінних результатів, включаючи збільшення кількості релевантних рекомендацій, що відображаються на сторінці, а також покращення коефіцієнта конверсії та середньої вартості замовлення.
Джерело: cloud.google.com
Досвід покупок на основі AR
При покупці меблів клієнти часто переживають, як вони виглядатимуть у кімнаті. Щоб покращити досвід покупки меблів, Ikea використовує інструменти розпізнавання зображень та AR у мобільних каталогах. Наприклад, технологія Ikea Place дозволяє віртуально встановлювати меблі у кімнаті, щоб подивитися, чи підходять вони до інтер'єру, і, якщо ні, придбати щось інше.
Що об’єднує всі ці компанії? Ефективність великих даних ґрунтується на доступних обсягах зберігання даних та системах аналітики інтегрованих у бізнес-процеси. Як не відставати від світових рітейлерів?
SAP HANA та SAP Analytics Cloud допоможуть вирішити питання перетворення даних у прибуток
Щоб максимально використовувати великі дані, інтелектуальному підприємству потрібна база даних, яка допоможе виявляти закономірності у необроблених даних та розкривати потенціал даних для підвищення ефективності бізнесу.
SAP HANA 一 інноваційне рішення для керування даними продуктів SAP, включаючи SAP Analytics Cloud, платформу, яка дозволяє приймати бізнес-рішення у режимі реального часу. Завдяки SAP HANA, підприємства можуть ефективно обробляти великі обсяги даних. Оскільки керування даними доступне у хмарному середовищі, воно стає більш економічним та простим в обслуговуванні для організацій.
Якщо ви плануєте перейти до інтелектуального підприємства, впровадження SAP HANA із SAP Analytics Cloud це те, що вам потрібно. Згідно з опитуванням BI&Analytics Survey 21, рішення SAP Analytics Cloud зайняло не менше 19 вищих позицій і 21 лідируючу позицію порівняно зі своїми конкурентами.
Джерело: sap.com
Компанія LeverX – Gold партнер SAP – має професійний досвід консультування щодо рішень SAP, а також їх впровадження, інтеграції та налаштування відповідно до бізнес-цілей клієнта. Зверніться до експертів LeverX та забронюйте безкоштовну консультацію з рішень SAP. Наші консультанти проведуть глибокий аналіз ваших бізнес-процесів, щоб визначити, як SAP HANA та SAP Analytics Cloud можуть розкрити потенціал даних вашої компанії.
А вже 3-го березня компанія проведе безкоштовний вебінар на тему «SAP EWM у складному процесі ланцюгів постачання. 5 причин, чому варто обрати і з чого почати», де Ви зможете отримати безкоштовну консультацію експерта з багаторічним досвідом роботи із SAP-технологіями. Реєстрація тут