CC BY
24Как розничные сети и интернет-магазины используют собственные данные для принятия решений в бизнесе
Нигматуллина Михринисо
эксперт по стратегическому маркетингу, электронной коммерции и развитию бизнеса клиентов в компании Vista print, nigmatullinaniso@gmail.com
В данной статье рассматривается актуальная для бизнеса в сфере розничной торговли тема использования данных о клиентах. Описывается использование как личной информации, так и данных о поведении покупателей в интернете, которые используют онлайн-плат-формы. Основное внимание уделяется вопросу, каким образом компании собирают данные о клиентах, как обрабатывают, а также как именно их используют. Автор подробно разбирает бизнес-процессы, точки роста, направления работы компаний, которые анализ личных данных позволяет усовершенствовать и сделать более эффективными. В статье проводится ряд примеров, каким образом использование данных о клиентах позволяет делать более персонифицированные предложения, наращивать средний чек и объем продаж, обновлять ассортимент и планировать поставки. Предложенные выводы представляют ценность для широкого круга специалистов, руководителей и менеджеров розничных компаний и интернет-магазинов, специалистов по маркетингу.
Ключевые слова: Ретейл, интернет-магазины, большие данные, клиентский опыт, автоматизация, реклама, персонификация, машинное обучение
Все больше компаний проходят через этап диджитализации и цифровизации, используя технологии для своего развития. Коммуникации с потребителем перетекают из офлайна в онлайн, клиенты делают заказы в интернете, ищут нужные товары на сайтах онлайн-площадок, оформляют доставку через приложение. Покупатели оставляют свои данные, бизнес собирает и использует их для улучшения сервиса и для повышения собственной эффективности. Как именно компании в сфере розничной торговли и электронной коммерции применяют полученных данные о клиентах, рассказывает Михринисо Нигматуллина...
Какие данные пользователей использует бизнес и как их собирает
Использование разных сервисов и возможность онлайн-оплаты требуют от клиента определенной информации - имя, фамилия, дата рождения, банковская карта, местонахождение, возраст и адрес электронной почты. Иногда покупателю предлагают создать учетную запись и входить в систему при каждом просмотре сайта, чтобы она запоминала, что смотрел, покупал, изучал пользователь. Одна из крупнейших американских продуктовых сетей Target присваивает каждому покупателю персональный гостевой номер, привязанный к его банковской карте, имени или электронному адресу. Так у ретей-лера сохраняется вся история покупок.
КАКИМИ ДАННЫМИ ГОТОВЫ ДЕЛИТЬСЯ КЛИЕНТЫ
63% 61%
30% 29% 29% lili
16%
ф Любимые марки ф Личная информация Q Номер телефона
0 Интересы и хобби % Местожительства
% История поиска и покупок # Доход
Рис. 1
Источник: Dept
Для этой же цели используются карты лояльности, которые покупатели предоставляют кассирам при оплате покупок и получают при ее предъявлении определенные скидки и бонусы. Сбор персональных данных, таких как телефон или почта, которые дают возможность бизнесу выстроить коммуникацию с клиентами, и является главной целью программы лояльности. В противном случае, компания просто делится с покупателями частью маржи и дает скидки, ничего не получая взамен.
«Делегировать» анализ данных о пользователях, которых сегодня накапливается столько, что заниматься этим вручную невозможно, бизнес может машинному обучению (machine learning). По данным Capgemini's Digital Transformation Institute, 78% компаний внедряют машинное обучение для того, чтобы повысить операционную эффективность, 75% для увеличения лояльности клиентов, 79% для анализа данных и получения
X X
о
го А с.
X
го m
о
2 О
м
CJ
fO CS
о
CS
in
О Ш
m
X
3
<
m О X X
новых идей. Сейчас технологии машинного обучения автоматизируют многие бизнес-процессы и помогают ретейлу зарабатывать деньги.
Use of Machine Learning in Retail
Customer engagement Supply chain logistics and management Supply and demand predictions Payment processing Data security Product recommendation Customer service (post sales) Physical security data analysis Product design and creation
41%
n retail organizatior
Software Advice.
Рис. 2
По разным оценкам, текущий объем российского рынка больших данных составляет от 10 млрд до 30 млрд руб. По прогнозам Ассоциации участников рынка больших данных, к 2024 году он достигнет отметки 300 млрд руб. Чем больше новостей появляется об утечке персональных данных, тем больше клиенты переживают за свои персональные данные.
ИСПОЛЬЗОВАНИЕТЕХНОЛОГИЙ СБОРА, ОБРАБОТКИ И АНАЛИЗА БОЛЬШИХ ДАННЫХ В ОТРАСЛЯХ ЭКОНОМИКИ И СОЦИАЛЬНОЙ СФЕРЫ, 2021 .проценты к общему числу организаций
Источник: ВШЭ
ФИНАНСОВЫЙСЕКЮР 45,5 I
И-ОТРАСЛЬ 33,3
ИНФОРМАЦИЯ и связь 32,9
ОПШЯ И РОЗНИЧНАЯ ТОРГОВЛЯ 32,3
ГОСТИНИЦЫ И ОБЩЕПИТ 31,9
ВЫСШЕЕ ОБРАЗОВАНИЕ 31,5
ЭДРАВШРАНЕНИЕ И СПЦУСГУГИ 30,6
ОБРАБАТЫВАЮЩАЯ ПРОМЫШЛЕННОСТЬ 29,9 ВОДОСНАВЖЕНИЕ, УТИЛИЗАЦИЯ отходов 24 ОБЕСПЕЧЕНИЕ ЭНЕРГИЕЙ 25,1
ДОЬЫЧАПОШНЫХИСКОЕТАЕМЫХ 25
ТРАСННОРТИРОВКА И ХРАНЕНИЕ 23,5
СЕЛЬСКОЕ ХОЗЯЙСТВО 23,3
строительство 20,9
ПРОЯСШОНАЛЬНАЯ, НАУМ ДЕЯТЕЛЬНОСТЬ 20,3 ГОСУПРАЕЮИЕ.СОЦОЬЕСПЕЧЕНИЕ 19,5
КУЛЬТУРА И СПОРТ 19,i
ОПЕРАЦИИ С НЕДВИЖИМОСТЬЮ 18,3
Рис. 3
К сожалению, ретейлеры являются лакомыми целями для хакеров. Они хранят миллионы номеров кредитных карт и разных данных клиентов, а их линейный персонал не всегда осведомлен об азах кибербезопасности. Согласно отчету американской телекоммуникационной компании Verizon об утечке данных за 2022 год, игроки розничной торговли сообщили о 629 инцидентах в 2022 году, 241 из которых «подтвердили раскрытие данных».
Но предоставление информации о себе крупным корпорациям несет для клиента не только риск, но и пользу. Потому что, собирая данные о покупателе, онлайн-площадки и сервисы их анализируют, а далее используют полученную в ходе
анализа информацию для предоставления наиболее качественного предложения для покупателя. Таким образом, большие данные нужны бизнесу для анализа поведения покупателей и более персонифицированного общения с ними. Подход бизнеса в работе меняется и компания предоставляет клиенту продукт, который нужен именно ему, исходя из его предыдущих покупок, поисковых запросов, возраста и прочей информации.
По данным исследования PwC «Global Consumer Insights Survey», на вопрос об уровне беспокойства о конфиденциальности личных данных при взаимодействии в повседневной деятельности и с различными организациями 32% респондентов проявляют озабоченность при взаимодействии с потребительскими компаниями и 30% при взаимодействии с розничными торговцами. Авторы исследования такой результат связывают с тем, что отдача от предоставления данных для потребителей в розничной торговле более четкая и прозрачная в виде ваучеров, скидок и специальных предложений, поэтому обеспокоенность не столь высокая, как в других сферах.
В конечном итоге, делая покупателю более точные предложения, бизнес использует персональные данные клиентов еще и для улучшения своей работы. Компании всё больше полагаются на анализ собственных данных, чем внешних, которые собраны сторонними организациями, чтобы увеличить доход, повысить эффективность расходов, увеличить ряд других финансовых показателей бизнеса и найти точки роста для своего бизнеса. Для этого они делают ставку на внутренние проекты в сфере анализа больших данных (big data), создают внутренние подразделения по их разработке, привлекают профильных специалистов. По данным сервиса Treasure Data 64 % бизнес-специалистов говорят, что централизованные данные о клиентах повышают эффективность, а 57 % считают, что это дает больше возможностей для роста бизнеса.
Можно с уверенностью говорить о том, что анонимный шо-пинг с развитием технологий постепенно уходит в прошлое, и клиентам приходится мириться со слежкой со стороны корпораций, в обмен на более индивидуальный подход.
Какую пользу данные о клиентах приносят бизнесу
Рассмотрим несколько направлений работы и ряд бизнес-процессов в ретейле, для которых компании используют данные о клиентах. А также проанализируем, какие ключевые показатели бизнеса позволяет улучшить грамотное использование больших данных.
1. Ассортимент. Технологии и большие данные позволяют подобрать оптимальный ассортимент для каждого конкретного магазина, исходя из поведения его покупателей. Клиентская аналитика позволяет ретейлерам автоматизировать процесс обновления ассортимента и облегчить работу категорийным менеджерам. Так, анализ пользовательских сессий на сайте магазина позволяет его сотрудникам выявить потребности аудитории, «прогнать» через рекомендательный алгоритм модели, учитывающие их целевые бизнес-показатели (оборот, маржа, количество чеков) и уникальность товара, и на выходе получить список моделей, рекомендуемый к размещению в конкретной торговой точке. На основе больших данных принимается также решение, как именно ассортимент будет размещен в пространстве магазина. Схемы выкладки товаров в ретейле генерируются автоматически с учетом свойств торгового оборудования, предпочтений покупателей, данных об истории продаж отдельных категорий товаров и других факторов.
А также магазин может подобрать ассортимент под каждого конкретного покупателя, но уже в онлайне. Так, онлайн-платформа Lamoda персонализировала каталог с помощью искусственного интеллекта. ИИ оценивает товары из каталога и строит индивидуальную выдачу для каждого пользователя,
на основе информации о том, какими брендами, цветами и стилями интересовался конкретный клиент, в каком ценовом диапазоне совершались покупки и т.д.
2. Персональные рекомендации. Данные о покупателях позволяют торговому бизнесу делать покупателям наиболее релевантные персональные предложения для стимуляции спроса. Для этого торговые сети сегментируют клиентскую базу посредством анализа обезличенных данных клиентов, истории покупок, поисковых запросов и использования бонусных баллов. Далее ретейлеры выделяют тех покупателей, кто готов совершить покупку, определяют наиболее эффективный способ привести их на сайт или в магазин, анализируют, какие категории и бренды прежде всего интересны определенным группам покупателей. Так, онлайн-площадки могут отправлять покупателям рекомендации и уведомления по товарам, которые они изучили, но не добавили в корзину, товары, связанные с их недавно купленными позициями, а также лидеров продаж из недавно просмотренных категорий. Согласно исследованию McKinsey, 71% потребителей ожидают от компаний персонализированного взаимодействия, 76% покупателей расстраиваются, когда этого не происходит.
88% are more likely to continue shopping on relailer sites that personalizes their experience
_к_
1
■ Much more ■ Somewhat more ■ A little more ■ Not at all more
Puc. 4
Image credit: Elastic.
3. Рост продаж и увеличение среднего чека. Управление большими данными - это способ повысить продажи и рентабельность бизнеса, при грамотном использовании более качественных знаний о клиентах. Получая более подходящее предложение, покупатель откликнется на него с более высокой долей вероятности и совершит покупку, тем самым увеличив продажи торговой сети. А релевантные предложения по смежным позициям (секция товарных рекомендаций «вам может быть интересно» и «с этим товаром покупают») позволяют нарастить средний чек за счет дополнительных покупок. По данным McKinsey, компании, использующие данные как основу для принятия решений, добиваются увеличения выручки не менее чем на 10 %.
не просто общую рекламную рассылку, а релевантную рекомендацию и индивидуальное предложение, содержащее информацию о товаре, необходимом именно ему. Таким образом, гиперперсонализация способствует формированию прочного контакта с клиентами и положительному позиционированию бренда. Правильные инструменты и стратегии помогают бизнесу завоевать доверие потребителя и показать ему, что онлайн-магазин может предвидеть его потребности. Лояльность клиентов коррелирует также с количеством повторных покупок, такие покупатели становятся постоянными, что позитивно влияет на продажи торгового бизнеса. Так как привлечение новых клиентов обходится бизнесу дороже, чем удержание старых, использование данных и в этом случае позволяет компании расходовать средства более эффективно.
5. Реклама товара и скидки. Данные о покупках и профилях клиентов ретейлеры могут использоваться для предсказания будущих трат. Например, предлагать беременным покупательницам товары для детей. Таргетированные рекламные кампании повышают как продажи и конверсию, так и лояльность клиента. А индивидуальные скидочные предложения на релевантные товары найдут у покупателя отклик за счет более персонифицированного подхода. Так, если из истории покупок магазин знает, что покупатель раньше всегда покупал картофельные чипсы, а потом перестал, система после обработки данных карты лояльности может предложить покупателю скидку на чипсы, чтобы простимулировать покупку.
6. Прогноз поведения клиентов или проблем в цепочке поставок. Данные о поведении покупателей помогают бизнесу быть более гибким и устойчивым в период, когда нужно быстро предвидеть изменение спроса на определенные продукты, структуры трафика клиентов и моделей покупок, а значит не потратить деньги впустую. Например, ретейлеры анализируют чеки, чтобы выявить закономерности в покупательском поведении. Большие данные позволяют точнее предсказать, как промо и распродажи сказываются на спросе и реализации товаров, а значит скорректировать объем поставок в магазины определенных товарных позиций, сокращать дефицит, избегать затоваривания, улучшить планирование и снизить уровень списаний.
7. Оптимизация кадров. Собрав массив данных о покупателях бизнес может отдать их машинному обучению, этот инструмент проведет всю аналитическую работу. Например, сегментирует клиентов. Таким образом, рутинные задачи можно поручить ИИ, и разгрузить сотрудников, например, отдел маркетинга, оставив за ним только креативные задачи.
Which data sources are used to support personalization efforts?
100% 93 8
BHjg^SV.l
77.178.8
Purchase Email Mobile Website POS Sales 3rd party
history activity actions behavioral system associate data data data
■ Retail ■ Travel & Hospitality ■ Insurance
SOURCE: MONETATE 2019 PERSONALIZATION DEVELOPMENT STUDY
Puc. 5
4. Лояльность клиента. Знания о клиентах и их грамотное использование повышают лояльность покупателя и эффективность коммуникации с ним. Потому что потребитель получает
Заключение
Собирая разнообразные данные о клиенте (адрес, почта, телефон, местонахождение, дата рождения, а также поисковые запросы и предыдущий опыт шоппинга) розничные сети и интернет-магазины анализируют их и делают определенные выводы. Далее компании используют их для предоставления более качественного сервиса и индивидуального предложения клиентам, что позволяет увеличить объем покупок, оптимизировать ряд бизнес-процессов компании, сделать многие операции более эффективными. Аналитика больших данных трансформирует отрасль розничной торговли, именно вопрос грамотной обработки и использования имеющегося массива данных становится главной задачей для ретейлеров. На фоне растущей конкуренции за внимание и кошелек покупателя, данные о клиенте являются инструментом борьбы за него, позволяющим предвосхитить ожидания потребителя и предложить ему наиболее подходящий товар. В перспективе стоит ожидать увеличения затрат ретейлеров на сбор, обработку и анализ данных о покупателях, которые позволяют бизнесу автоматизировать ряд процессов и находить новые точки роста.
X X
о го А
с.
X
го m
о
2 О № СО
fO
сч о cs
in
Литература
1. «Как правильно собирать персональные данные клиента в рознице.» Retail & Loyalty, 04 февраля 2022, https://retail-loyalty.org/expert-forum/kak-pravilno-sobirat-personalnye-dannye-klienta-v-roznitse/.
2. «Big Data на службе розничной торговли.» РБК Тренды, 28 сентября 2020, https://trends.rbc.ru/trends/innovation/5d66c23c9a79476e7d9aff95.
3. Careless, J. «5 cyber threats retailers are facing — and how they're fighting back.» CSO, 29 марта 2023, https://www.csoonline.com/article/3691821/5-cyber-threats-retailers-are-facing-and-how-they-re-fighting-back.html.
4. Henry, K. «That Will Dominate 2023: Trailblazers Weigh In.» Salesforce The 360 Blog, 15 февраля 2023, https://www.salesforce.com/blog/ecommerce-predictions/.
5. Morrison, S. «How retailers track your every move in exchange for coupons and convenience.» Vox, 4 декабря 2020, https://www.vox.com/recode/21587779/shopping-deals-coupons-privacy-data-collection-retail.
6. Николаев, М. «В традиционном ритейле есть место для data-driven решений — рассказываем, где и зачем.» RB.RU, 20 октября 2021, https://rb.ru/opinion/data-driven-retail/.
7. Kim,D. «How Real-Time Data Can Power Ultra-Personalized Retail.» Total Retail, 23 февраля 2023, https://www.mytotalretail.com/article/how-real-time-data-can-power-ultra-personalized-retail/.
8. Fontanella, K. «How to Calculate Customer Lifetime Value (CLV) & Why It Matters.» Hubspot, 8 февраля 2023, https://blog.hubspot.com/service/how-to-calculate-customer-lifetime-value#how-to-calc-cltv.
9. «Report: 84% of online shoppers say personalization influences their purchases.» VentureBeat, 15 августа 2022, https://venturebeat.com/data-infrastructure/report-84-of-online-shoppers-say-personalization-influences-their-purchases/
10. «Customer Data Maturity: Strategies, Capabilities & Trends.» Treasure Data, https://www.treasuredata.com/i/customer-data-maturity-study/.
11. « The value of getting personalization right—or wrong—is multiplying.» McKinsey & Company , 12 ноября 2021 https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying.
12. «Consumers seek frictionless experiences in a world of disruptions.» PwC's February 2023 Global Consumer Insights Pulse Survey, 16 февраля 2023, https://www.pwc.com/gx/en/industries/consumer-markets/consumer-insights-survey.html
13. «Retail.» Data Breach Investigations Report, https://www.verizon.com/business/resources/reports/dbir/interacti ve/industry/retail/.
14. «Catch them if you can: How leaders in data and analytics have pulled ahead.» McKinsey & Company, 19 сентября 2019, https://www.mckinsey.com/capabilities/quantumblack/our-insights/catch-them-if-you-can-how-leaders-in-data-and-analytics-have-pulled-ahead.
How retail chains and online stores use their own data to make business
decisions Nigmatullina M.
Vista print
JEL classification: B00, D20, E22, E44, L23, L51, L52, M11, M20, M30, Z33
This article discusses the topic of using customer data that is relevant for retail businesses. Describes the use of both personal information and data about the behavior of buyers on the Internet who use online platforms. The focus is on how companies collect customer data, how they process it, and how they use it. The author analyzes in detail business processes, points of growth, areas of work of companies that the analysis of personal data can improve and make more efficient. The article provides a number of examples of how the use of customer data allows you to make more personalized offers, increase the average check and sales volume, update the assortment and plan deliveries. The proposed conclusions are of value to a wide range of specialists, executives and managers of retail companies and online stores, and marketing specialists. Keywords: Retail, online stores, big data, customer experience, automation,
advertising, personification, machine learning References
1. "How to properly collect customer personal data in retail." Retail & Loyalty, February
04, 2022, https://retail-loyalty.org/expert-forum/kak-pravilno-sobirat-personalnye-dannye-klienta-v-roznitse/.
2. "Big Data at the service of retail." RBC Trends, September 28, 2020,
https://trends.rbc.ru/trends/innovation/5d66c23c9a79476e7d9aff95.
3. Careless, J. "5 cyber threats retailers are facing - and how they're fighting back."
CSO, March 29, 2023, https://www.csoonline.com/article/3691821/5-cyber-threats-retailers-are-facing-and-how-they-re-fighting-back.html.
4. Henry, K. "That Will Dominate 2023: Trailblazers Weigh In." Salesforce The 360
Blog, February 15, 2023, https://www.salesforce.com/blog/ecommerce-predictions/.
5. Morrison, S. "How retailers track your every move in exchange for coupons and
convenience." Vox, December 4, 2020,
https://www.vox.com/recode/21587779/shopping-deals-coupons-privacy-data-
collection-retail.
6. Nikolaev, M. "In traditional retail there is a place for data-driven solutions - we tell
you where and why." RB.RU, October 20, 2021, https://rb.ru/opinion/data-driven-retail/.
7. Kim, D. "How Real-Time Data Can Power Ultra-Personalized Retail." Total Retail,
February 23, 2023, https://www.mytotalretail.com/article/how-real-time-data-can-power-ultra-personalized-retail/.
8. Fontanella, K. "How to Calculate Customer Lifetime Value (CLV) & Why It Matters."
Hubspot, February 8, 2023, https://blog.hubspot.com/service/how-to-calculate-customer-lifetime-value#how-to-calc-cltv.
9. "Report: 84% of online shoppers say personalization influences their purchases."
VentureBeat, August 15, 2022, https://venturebeat.com/data-infrastructure/report-84-of-online-shoppers-say-personalization-influences-their-purchases/
10. "Customer Data Maturity: Strategies, Capabilities & Trends." Treasure Data, https://www.treasuredata.com/i/customer-data-maturity-study/.
11. "The value of getting personalization right—or wrong—is multiplying." McKinsey &
Company , November 12, 2021 https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying .
12. "Consumers seek frictionless experiences in a world of disruptions." PwC's February 2023 Global Consumer Insights Pulse Survey, February 16, 2023, https://www.pwc.com/gx/en/industries/consumer-markets/consumer-insights-survey.html
13. Retail. Data Breach Investigations Report, https://www.verizon.com/business/resources/reports/dbir/interactive/industry/ret ail/.
14. "Catch them if you can: How leaders in data and analytics have pulled ahead."
McKinsey & Company, September 19, 2019, https://www.mckinsey.com/capabilities/quantumblack/our-insights/catch-them-if-you-can-how-leaders-in-data-and-analytics-have- pulled-ahead.
o
Ш
m x
<
m о x
X
