Препятствия для Big Data или тавтологии в ритейле
Розница – одна из старейших платформ взаимодействия покупателя с продавцом. Ритейлеры использовали ИТ задолго до появления e-Commerce. С развитием технологий торговля перешла на другой уровень. Оборот розничной торговли в России по итогам 2017 года составил порядка 30 трлн рублей (по данным ТАСС).
Ритейл обращается к новым нишевым технологиям, чтобы получить преимущества и повысить прибыль. Одна из таких технологий - Big Data. По данным IDC, по итогам 2017 года расходы на Big Data в мире составили почти 45 миллиардов долларов.
Розничная торговля - идеальный кандидат для применения Big Data. Эта отрасль с высокой скоростью генерирует большой объём разнообразных данных: товары, приобретаемые покупателями, различные способы оплаты, используемые тенденции при покупках, факторы принятия решений, стоимость, скидки, качество, доступность и т.д. и т.п.
Но помимо огромных возможностей для использования Big Data в ритейле, существуют и значительные препятствия, с которыми приходится сталкиваться.
Важный вопрос – какие данные собирать и как? Там, где много данных, там же много и «мусора». В ритейле много данных о купленных товарах, способах оплаты, которые могут быть различными для одной покупки. Клиент может использовать для оплаты банковскую карту члена семьи или использовать карту лояльности другого человека. Необходимо правильно идентифицировать человека и правильно сегментировать его поведение.
Даже у небольшой розницы сегодня есть программное обеспечение для складского учёта, бухгалтерского учёта, POS и если есть CRM. Каждая система хранит данные в определённом формате. Довольно сложная задача - собрать данные из этих различных систем, работающих обособленно, и объединить их для анализа с помощью ETL-процессов. При этом понимание, что это придется сделать, не отменяет проблем при реализации.
В России необходимо соблюдать 152-ФЗ о персональных данных. В Евросоюзе - GDPR. Задачи по обеспечению безопасности данных всегда актуальны. Несмотря на все принятые необходимые меры, важно также соблюдать согласие клиентов и убеждать их в том, что собранные данные будут использоваться безопасным образом.
Что касается человеческого фактора, то внедрение Big Data, как, впрочем, и других ИТ-технологий, не даст нужной отдачи, если персонал не будет правильно использовать их в своей работе.
Инструменты Big Data могут помочь извлечь, трансформировать, загрузить и сегментировать данные, чтобы выявить закономерности и тенденции. Но оперативно и правильно использовать эти данные не всегда удаётся. В ритейле тенденции и закономерности меняются особенно быстро.
Несмотря на некоторые проблемы, возможности Big Data в ритейле огромны. Согласно исследованию HBR, компании, создавшие омниканальный сервис на основе аналитических данных, повысили стоимость акций до 8,5 раз.
Для каждого вышеуказанного препятствия решение заключается в тщательной, продуманной реализации Big Data с использованием зрелых инструментов и грамотной сбалансированной команды аналитиков и разработчиков. Для нынешних продавцов аналитика больших данных - лучший способ получить представление о тайных желаниях клиента!
В наши дни нет недостатка в примерах разрушительного воздействия новаторов цифровых бизнес-моделей. Uber и Lyft в индустрии такси. Netflix сейчас в Голливуде, а десять лет назад в магазинах видеопроката. Facebook и Google в качестве рекламных медиа. И (это, вероятно, не нужно упоминать) Amazon в розничной торговле, облачных вычислениях и (все больше и больше) в рекламном бизнесе.
В процессе работы мы пришли к тому, что классический подход к разработке автотестов, при котором проверка бизнес–логики приложений осуществляется программистами-тестировщиками с использованием высокоуровневых языков программирования, не всегда удобен. О том, как мы решаем эту проблему, рассказывает Анечка.
До 40% населения России к 2024 году должны обладать цифровыми навыками. Соответственно, чтобы обучить широкие группы граждан, современная ситуация требует перехода на рельсы e-learning.