Ритейл будущего: каким он будет и при чем здесь анализ внешних данных

Какой он – магазин будущего?

Представьте, что ваш любимый онлайн-магазин приветствует вас по имени. Он благодарит вас за прошлую покупку и предлагает товары, запасы которых у вас как раз иссякают. Он также предлагает вам варианты подарков для лучшей подруги, которая через месяц выходит замуж, а вам – подходящие для такого праздника наряд, вашего размера, предпочитаемого фасона и цвета. Магазин также напоминает, что для вашего предстоящего отдыха нужен купальник, и на один из них как раз хорошая скидка – именно в нем фотографировалась ваша любимая актриса в Instagram. И все в этом магазине — начиная от текстов и заканчивая цветами кнопок кажется вам особенно красивым и стильным.

Звучит нереально? На самом деле, уже через несколько лет именно так будет выглядеть среднестатистический магазин. И все благодаря аналитике больших данных.

Как аналитику big data используют сейчас

Истории о том, как флагманы ритейла работают с большими данными уже давно вырвались в топ заголовков всех мировых СМИ. Например, Amazon нашел им применение в создании системы персонализированных рекомендаций товаров и подстраивании интерфейса сайта под предпочтения покупателя. Похожим образом действует и Alibaba: их технология E-commerce Brain изучает все детали онлайн-активности клиента, угадывая подходящие ему товары с удивительной точностью. То есть, если вы купили фитнес-трекер, магазины Alibaba не будут предлагать вам другие трекеры (как это обычно происходит), и даже не ремешки для вашей модели – «технический мозг» проанализирует, что вы искали, на каких товарах останавливались, и чем вы вообще интересуетесь. На разработку таких персонализированных алгоритмов компании потратили годы, но эти инвестиции вполне себя оправдывают: большинство покупок клиенты совершают именно из секции рекомендуемых товаров.

Разумеется, обе эти компании имеют огромные массивы внутренних данных о каждом покупателе. Но мало какой другой ритейл (в том числе и украинский) может похвастаться цифрой в 500 млн активных пользователей. Обычно украинский ритейлер знает про 90% своих клиентов менее 10 покупок – а этого явно недостаточно даже для поверхностной аналитики. Значит ли это, что другим ритейлерам не стоит надеяться на большие данные? Определенно нет – есть решение.  

Что делать тем, у кого нет массивов данных?

Здесь на помощь приходят внешние данные. Анализ клиентов не ограничивается историей покупок – например, это могут быть данные мобильных операторов, банков или социальные сети. Все эти данные описывают различные аспекты жизни и предпочтений клиента. Например, банки знают вашу историю транзакций, а мобильные операторы – ваши перемещения. Но больше всего о вас знают социальные сети – в них есть и ваши друзья, и ваши интересы, и ваше мнение по тем или иным вопросам. Это и есть самая ценная информация для любого ритейла, поднимающая персонализацию на новый уровень.

Как выглядит процесс применения этих данных на практике?

Идея узнать о своих клиентах все, безусловно, привлекает многие компании. Правда, большинство из них идет легким путем – изучают 2-3 поля, которые легко структурировать: например, пол и возраст человека. Куда более полезными для прогнозирования персонализированных рекомендаций будут данные об интересах человека, его чекинах или постах – вот только все эти данные крайне неструктурированы, ведь нельзя просто так взять и запихнуть в математическую модель пост или название ивента, который человек посетил. Многие компании уже сейчас используют аналитику социальных сетей, но ограничиваются лишь теми полями, которые хорошо структурированы. Такие поля дают некоторый положительный эффект, но это лишь 1% всей доступной информации в сети.   

Есть и второй вариант – использование подхода, который разработала компания Artellence. Софт позволяет проанализировать множество точек контакта между покупателем и брендом или ритейлером: это могут быть и отзывы, и акционные посты, и чекины на мероприятиях, и связанные с брендом или ритейлером интересы. В ходе анализа вся неструктурированная информация векторизируется и приводится в один формат – по сути и полезный инсайт из отзыва про товар и чекин на мероприятии переводятся в одно векторное пространство, что позволяет в дальнейшем использовать их в моделях машинного обучения. Таким образом ритейлер получает возможность анализировать оставшиеся 99% полезной информации в сети о своих клиентах.

А что дальше?

The future is now, и потому компании, знающие каждый волосок на голове клиента, получают неоспоримое преимущество видеть своих покупателей как личностей с определенными потребностями, а не набором покупок и демографических данных. Именно такое понимание человека позволяет создать для него максимально комфортную среду для покупок и не отвлекать его внимание на бесконечный поток ненужного спама.

Узнать больше