В современной розничной торговле компании собирают о своих клиентах большие массивы информации. Но одного сбора мало, чтобы понимать покупателей и учитывать их потребности. Нужно еще и обрабатывать полученные сведения, а по результатам анализа планировать деятельность, делать краткосрочные и далеко идущие прогнозы.

Сегодня для обработки больших массивов информации (Big Data) представители ритейла все чаще обращаются к технологиям Data Science. Тут не обходится без искусственного интеллекта, инструментов машинного обучения и других модных ноу-хау. Но подобные разработки уже перестали быть чем-то фантастическим. По словам основателя торговой сети «КЛАСС» Александра Лобановского — это будущее, которое все ближе и ближе к украинскому ритейлу.

Что такое Data Science, каким образом эти технологии могут помочь представителям розничной торговли и как их внедрять? Давайте разбираться вместе.

Data Science: что это такое?

Data Science — совокупность технических решений, которые покрывают (берут на себя) все этапы взаимодействия с данными, начиная от сбора и последующей обработки, и заканчивая предоставлением бизнесу именно той информации, в которой он нуждался. Здесь задействуются самые разные дисциплины: математика, статистика, машинное обучение и многое другое.


Важной особенностью Data Science является использование искусственного интеллекта (далее ИИ). Как раз ИИ помогает с обработкой информации, поступающей из самых разных источников. Это может быть история покупок лояльного клиента, сведения по поисковым запросам или даже длительность визитов в супермаркет.

После обработки осуществляется анализ данных и формирование прогноза. Эти сведения помогают ритейлерам предсказывать поведение покупателей, получать другую полезную информацию, позволяющую наращивать прибыль или улучшать другие показатели деятельности.

Если не вникать во все технические подробности, то Data Science для ритейлера — это инструмент, который не просто собирает и обрабатывает большие массивы информации, а помогает повышать эффективность бизнеса. Фактически, как отмечает Александр Лобановский, торговая сеть в результате внедрения этих технологий может как повысить доходность, так и снизить свои расходы.

На какие вопросы помогают отвечать технологии Data Science?

ИИ вместе с инструментами машинного обучения позволяет не просто анализировать данные, но и постепенно совершенствоваться в точности прогнозных моделей. Так, чем больше и чаще будут обрабатываться различные данные, тем выше может быть отдача от Data Science.

На какие вопросы представителей розничной торговли эти технологии способны отвечать? Вот несколько актуальных примеров:

• какие товары и в каком количестве необходимо закупить на следующий месяц/квартал или другой временной отрезок;


• где лучше размещать те или иные товарные позиции, чтобы их лучше раскупали;


• почему при покупке онлайн товар был оставлен в корзине, а заказ не был завершен;


• как распределить потоки посетителей супермаркета, чтобы избежать очередей на кассах и/или чрезмерного скопления людей в различных отделах.

Также технологии Data Science могут быть крайне полезными в маркетинге и логистике. Допустим, большая выборка данных поможет найти оптимальные маршруты движения транспорта, чтобы избежать задержек с поставками товаров и/или сократить операционные затраты (например, на топливо).

Все чаще обработка больших массивов информации становится решением категории must have для маркетинговой деятельности и рекламы ритейлеров, уверены представители отдела маркетинга популярной харьковской сети «КЛАСС». Так, Data Science может применяться для:

• определения подходящих каналов рекламы (как традиционной, так и цифровой);


• продвижения в поисковых системах;


• продвижения продуктов в рекомендательных системах. Без Data Science лояльному покупателю могут быть предложены в лучшем случае те товары, который он уже покупал, но зачастую это лишь случайная выборка. А вот продвинутая рекомендательная система выдает более релевантные (подходящие) конкретному клиенту товарные позиции. И показатели их продаж действительно увеличиваются.

Польза от Data Science для торговых сетей

Фактически за счет внедрения технологий анализа и обработки больших массивов информации можно повысить эффективность большинства бизнес-процессов ритейлера, включая мерчендайзинг, управление запасами, маркетинг, логистику, направление электронной коммерции и т.д.

Если говорить предметнее, то результатами применения Data Science в ритейле становится:

• повышение качества обслуживания и лояльности клиентов, за счет персонализации и предоставления им наиболее ценной информации;


• снижение издержек на планирование;


• повышение производительности труда маркетологов, логистов и других сотрудников;


• автоматизация различных процессов, включая общение с клиентом посредством чат-ботов;


• оптимизация торгового пространства и т.д.

Решениям Data Science уже под силу на основе выполненного анализа данных определять причины, которые мотивируют людей снова возвращаться в магазин или супермаркет, выявлять маркетинговые активности с наибольшей эффективностью. Применимо к лояльным покупателям эти разработки точно предсказывают время для предложения тех или иных промо-товаров. И тут учитываются самые разные факторы, включая внешние, вроде изменений погоды или актуальных инфоповодов.

Как внедрять Data Science в своей торговой сети?

Внедрение подобных проектов и получение реальной отдачи от них — это не сиюминутная задача, а своеобразный марафон. Тут не обойтись без серьезных затрат времени и средств. Без понимания этого ритейлерам не стоит даже задумываться об Data Science.
Помимо ощутимых финансовых вложений нужно закладывать и риски неудач. По данным европейских аналитиков до 80% подобных проектов не заканчиваются успехом. Отчасти это связано с тем, что ИИ опирается на нейронные сети с машинным обучением. Соответственно первые результаты могут быть далеко не так точны, как хотелось бы ритейлеру. И только по мере обучения ошибки в прогнозах будут становиться все менее и менее серьезными.

В связи с этим спешка с реализацией Data Science и ожидание быстрой отдачи — это не лучший вариант для ритейла, уверен Александр Лобановский. По его словам до внедрения подобных проектов нужно проделать серьезную подготовительную работу. А именно:

• поставить конкретную цель, которую можно достичь за счет анализа больших массивов данных;


• определить те параметры, которые нужно моделировать с помощью ИИ, например, сезонные изменения спроса или запасы конкретных товарных позиций;


• выявить факторы влияния и гипотезу на проверку. Допустим, проверяется изменение показателей продаж определенных товаров после маркетинговой компании. Выдвигается гипотеза, что продажи должны вырасти, а уже ИИ определит, так это или нет;


• задать частоту сбора информации. Если массивов данных будет недостаточно, то придется искать другую гипотезу.

Отличные перспективы

Несмотря на определенные сложности с внедрением, Data Science так или иначе станет в ритейле нормой (а в 2022 году может быть ощутимым конкурентным преимуществом). Ведь хорошо обученный ИИ в состоянии предлагать действительно точные и реалистичные прогнозы, анализируя перед этим огромные массивы реальной информации. А такой подход в долгосрочной перспективе, конечно же, лучше, чем опора исключительно на субъективные мнения пусть даже очень компетентных сотрудников.