«Big Data» на примере обычного магазина

Хостинг

В бизнесе уже несколько лет ходит шутка: «Все знают, что такое Big Data, но никто не знает, как с ней работать». И в принципе это действительно так. Термин «Big Data» появился более 8 лет назад в сентябре 2008 года, когда редактор журнала Nature Клиффорд Линч выпустил специальный номер, посвященный возможностям работы с большими объемами данных. Несмотря на огромный интерес и упорную работу десятков тысяч людей по всему миру, сегодня в России еще нет громкого кейса решения проблем «Трех V» (наиболее популярное определение Биг Дата): Volume – объем данных, Velocity – необходимость обрабатывать информацию с большой скоростью и Variety – многообразие и неструктурированность данных. Отчасти это связано с разрывом коммуникации между ИТ и бизнесом, отчасти с тем, что у многих наших компаний стоят задачи банального выживания и им «не до высшего пилотажа».

На основе нашего опыта мы можем ответственно заявить, что отсутствие данных у любой компании и невозможность вследствие этого провести анализ – это не более чем устоявшийся стереотип и отговорка, которая позволяет работать в привычном режиме, пусть даже не всегда эффективном. Но весь секрет в том, что большинство компаний имеют огромное количество данных, которые они могут использовать при разработке маркетинговой стратегии уже сегодня.

Пару месяцев назад мы анализировали розничный магазин на юге России одной местной сети, который выбивался из общей массы других «внутригрупповых» магазинов структурой продаж. Необходимо было разобраться в причинах и дать рекомендации по дальнейшей тактике продвижения именно для этого магазина с учетом его специфики. Алкоголь, сигареты, фрукты, сладости – именно эти SKU формировали основной объем выручки нашего магазина и местные маркетологи считали, что из-за своего расположения в центре и таким популярным SKU основными покупателями должны быть работающие в этом районе «офисный планктон» и туристы.

Для начала мы решили проверить эту гипотезу и выгрузили Z-отчет за последние 6 месяцев, в котором мы могли смотреть построчно наименование товара, его артикул, количество и стоимость купленной продукции, дату и время совершения покупки в каждом случае. Штатным инструментом любого маркетолога – Экселем - это сделать было невозможно, поэтому мы использовали уже другие вещи, которые как раз применяются при расчете больших данных. Мы посмотрели структуру продаж по отдельным товарам и категориям по часам внутри каждых суток и потом свели данные воедино. Получилось вот так:

Поверьте, это лишь небольшой фрагмент получившегося графика. Изучая данные по продажам, мы выделили несколько сегментов покупателей с разной структурой потребительской корзины и разным временем совершения покупок. Вот основные:

Идущие на работу
Обедающие
Домохозяйки (делают покупки с 11 до 13 часов и с 15 до 17 часов)

Всего было выделено 9 сегментов. Это позволило нам уже работать дальше не со «средним покупателем», а с более узкими целевыми группами и адаптировать в дальнейшем ассортимент магазина под них. Мы выяснили, что самый ценный сегмент для магазина — это домохозяйки, а не белые воротнички и туристы, как думали штатные маркетологи. Большинство дорогих продуктов и деликатесов, приносящих основную выручку магазину, покупалось именно домохозяйками.

Если для большей части работ мы могли использовать стационарные компьютеры с питоновскими скриптами, то для построения ассоциативных правил мы уже взяли мощности в облаке Azure от Майкрософта. Что такое ассоциативные правила проще всего объяснить на примере. Если покупатель приобретает жевательную резинку и зажигалку, то с вероятностью 0,85 он возьмет себе и пачку сигарет. Узнаете потребительский сегмент? А вот наоборот не работает. То есть клиент, который покупает пачку сигарет редко приобретает жевательную резинку и зажигалку. Это и есть ассоциативное правило. Вы наверняка увидели огромные в этом плане возможности для cross-sell, мечты любого генерального директора и руководителя отдела продаж. Ведь одно дело «впаривать» все подряд всем клиентам, и совсем другое предлагать каждому человеку то, что ему надо на самом деле! Или другой пример, клиент, который бросил в корзину две упаковки сметаны, с вероятностью 0,73 приобретет и творог. Ассоциативные правила позволяют получать бесценную информацию, на основе которой дальше уже можно разрабатывать эффективные системы стимулирования и оптимизировать выкладку на витринах, чтобы повысить вероятность совместных покупок.

Ассоциативные правила вместе с информацией по выявленным ранее сегментам позволили нам отслеживать в режиме реального времени как меняется покупательская активность каждого сегмента после наших действий по изменению ассортимента и той же выкладки!

При анализе данных, кстати, «попутно» мы заметили, что в магазине регулярно отсутствовали некоторые группы SKU и это негативно сказывалось на объеме продаж. Мы написали на питоне скрипт, который показал, что потери продаж от отсутствия товара на полке по некоторым категориям составляет от 10 до 15%. Да, руководство и до этого знало о трудностях с наличием товара в этом магазине, но когда им были показаны реальные цифры, они сначала ужаснулись, а потом сразу же стали решать эту проблему и сегодня уже кажется невероятной ситуация, когда клиент что-то хочет купить, но в магазине этого нет.

По сути при анализе мы опирались только на данные магазина, которые раньше не анализировались так глубоко и комплексно, но именно эта работа позволила не совершить владельцам сети ряд ошибок (вроде концентрации на работе с белыми воротничками) и увеличить продажи за счет cross-sell, при возможности отслеживать эффективность своих маркетинговых действий практически в режиме реального времени!

Этот пример – лишь небольшая наглядная демонстрация того, что можно сделать с данными, которые есть у 9 из 10 компаний в России сегодня. Но не спешите радостно бросаться в аналитику. Помните - для того, чтобы окончательно проверить свои гипотезы, надо регулярно общаться с клиентами лично, тогда знание об их поведении будет комплексным, без перекоса в математическую схоластику, или всеобъемлющую психологию, а значит, вероятность успеха будем максимальной.

О авторе