Представляем статью о больших данных с DeZyre. С примерами использования науки о данных среди крупных онлайн- и оффлайн-ритейлеров.
Наука о данных и электронная коммерция
Мир опутан данными из разных источников, каждый раз, когда вы кликаете мышкой, что-то покупая, информационный след (данные) фиксируется и сохраняется. Эти данные впоследствии используются онлайн-ритейлерами, чтобы привлечь вас и сделать больше продаж. Например, вы ищете себе новый телефон — в итоге магазины располагают информацией о продуктах, которые вы смотрели, Google хранит запросы, которые вы посылали, а сайты с обзорами отмечают, статьи про какие модели вы читали. А еще вы могли чем-то из этого поделиться в фейсбуке или твиттере. Все эти миллионы твитов, лайков, фото в инстаграме и пинтересте могут быть использованы для помощи электронной коммерции. Данные помогают им понять, что хочет клиент. Сбор, хранение, сортировка и анализ данных — неотъемлемая часть науки о данных и сравнительно нового класса специалистов, data scientist (или «ученый по данным»).
«Прошлое никогда не повторяется, но оно рифмуется» — сказал Марк Твен.
Даже если будущие события будут иметь разные обстоятельства, для них будут характерны схожие модели. «Революция больших данных» принесла технические достижения в области хранения данных, облачных вычислений и науки о данных — все вместе они помогают бизнесу вычислить эти схожие паттерны. Сегодня алгоритмы data science могут предсказать всё — от вспышек гриппа до смертности от преступлений.
Рассмотрим пример с ритейлером, который продает гаджеты в розницу. Давайте предположим, что он сделал большой бизнес на качественной продукции и своевременной доставке. Так как глобальные тренды смещаются, а конкуренция растет — возникает потребность в эко-продуктах. И ключевые клиенты медленно перетекают к конкурентам — для нашего бизнесмена этот факт останется незамеченным, если он исследует рынок вручную. Такие небольшие изменения могут быть замечены учеными по данным, написанные ими алгоритмы могут постоянно анализировать циклы продаж через сопоставление самих продаж с внешними источниками: новостными статьями, обновлениями социальных сетей и т.д. Это делается через нахождение корреляции между данными и покупками продукта. Наука о данных помогает ритейлу сохранять ключевых клиентов, а не просто приобретать новых.
Согласно аналитическому отчету EMC, объем цифровых данных превысит 44 зеттабайт к концу 2020 года, что значит — 5200 ГБ данных на каждую женщину, мужчину или ребенка на земле. Как ожидается, годовое поступление данных удвоится. Как говорят, «данные — новое золото». Конкуренция в онлайн-ритейле становится быстрой и ожесточенной. Привычки пользователя меняются в мгновение ока и каждый ритейлер старается завоевать преимущество. И здравый смысл с интуицией, конечно, полезны, но их недостаточно для того, чтобы делать прогнозы.
Наука о данных актуальна не только для онлайн-бизнеса:
- L’Oreal, популярный ритейлер косметики, нанял ученых по данным, чтобы выяснить влияние разных косметических средств на разные типы кожи.
- Rolls-Royce нанял ученых по данным для анализа данных авиационных двигателей, чтобы составить расписание технического обслуживания (Rolls-Royce производит двигатели для самолетов).
- Feedzai (сервис, предотвращающий мошенничество в сфере электронных платежей) использует анализ данных для обнаружения самих фактов мошенничества.
- Fruition Sciences, инструмент разработки управленческих решений для виноделов, использует большие данные, чтобы точно определить, как часто и когда поливать лозу, чтобы в итоге получить лучшее вино.
Примеры использования науки о данных в электронной коммерции
Рекомендации продуктов для покупателей
«Будущее становится персонализированным, вы будете знать покупателя так же хорошо, как себя» — Том Эблинг, президент и CEO Demandware.
Акции и рекомендации — весьма эффективны, когда основаны на поведении потребителя. Покупатели сегодня зависят от рекомендаций: будь то советы, что купить, какой ресторан посетить и каким сервисом воспользоваться. Большинство сайтов электронной коммерции, таких, как Walmart, Amazon, eBay, Target, имеют собственные команды ученых по данным, которые вычисляют тип товара. вес, функции и ряд других факторов, чтобы реализовать соответствующий рекомендательный алгоритм. Для создания таких рекомендаций есть два главных мотива:
- Кросс-селл. Когда вы покупаете iPhone 6, вы, вероятно, также купите защитный кейс для него. И вам нужно его предложить в рекомендациях.
- Апселл. Например, вы смотрите LED TV, а вам рекомендуют следующее поколение этого же телевизора, всего на несколько долларов дороже.
Также алгоритмы помогают менять рекламные баннеры под конкретного пользователя или изменять порядок вывода товаров для десктопной и мобильной версии сайта.
Пунит Гупта, главный технический директор в Brillio (американская компания, разработчик ПО) сказал: «С предиктивной аналитикой и машинным обучением, игроки рынка e-commerce смогут получить четкое представление о поведенческих паттернах пользователей, в том числе об истории покупок и представлению разных продуктов на сайте».
Лучший пример этого — рекомендательная система Amazon, которая использует предиктивное моделирование. Рекомендательный движок исследует и делает математическое представление взаимосвязей данных в прошлом, чтобы классифицировать и предсказать будущие события.
Мы в REES46 по поведению пользователей определяем не только физиологические параметры (рост, возраст, размер одежды и обуви и т.д.), но и взаимоотношения между пользователями. То есть распознаем, если у пользователя есть супруг/супруга и дети. Поэтому в рекомендациях появляются товары не только для человека, который в данный момент смотрит сайт, но и для его близких.
Понимание потребительских инсайтов для удержания клиентов, кросс-селла и апселла
Вместе с изменением покупательских привычек, снижением лояльности и высокими ожиданиями, сбор и анализ потребительских инсайтов (неосознанных мотиваторов, драйверов покупки) стал для онлайн-ритейла жизненно важной частью бизнеса.
На каких вопросах стоит сосредоточиться любому ecommerce-сайту:
- Кто эти люди, покупающие вашу продукцию?
- В каких местах они живут?
- Какие типы продуктов их интересуют?
- Как бизнес может послужить им лучше?
- Что заставляет их покупать?
Ответы на эти вопросы обычно могут дать аналитики данных. Алгоритмы науки о данных могут добавить более продвинутую аналитику: классификаторы, сегментация, неконтролируемая кластеризация, прогнозное моделирование, наряду с моделированием заголовка и извлечением ключевых слов.
Blue Yonder, немецкая компания-разработчик ПО, создала самообучаемую технологию, которая использует науку о данных, чтобы помочь Otto (крупнейгий европейский онлайн-ритейлер одежды). Технология помогает узнавать, какие клиенты заходят в оффлайн-магазины или подсоединяются к Wi-Fi ритейлера, или заходят на сайт, или в мобильное приложение. Покупателям отправляются push-уведомления в зависимости от их местонахождения. Недавно у нас была отдельная статья, посвященная push-ам — там эта механика раскрывается более полно.
Определение стратегии продукта для оптимального ассортимента
Электронной торговле приходится сталкиваться с такими вопросами, как:
- Какие продукты нужно продавать?
- Какая цена должна быть предложена за продукт и когда ее предложить?
Алгоритмы помогают определить оптимальный ассортимент продукции, а также ответить на другие вопросы:
- Какие есть пробелы в ассортименте?
- На что они влияют?
- Какой объем продукции нужно заказать в качестве начальной партии у завода-изготовителя?
- Когда они должны приостановить поставку этой продукции?
- Когда товары будут распроданы?
Конечно, это далеко не полный список возможностей науки о данных.
Прогнозирование модели цепочки поставок
Интернет-магазины должны иметь определенное количество продукции в определенное время. Товары могут иметь короткий период спроса (вспомните новогодние атрибуты), и если бизнес не попадает в это окно, то неизбежно накопит кучу бесполезных товаров на складе. Алгоритмы науки о данных выполняют детальный анализ, чтобы снизить фактор такого риска.
Персонализированные маркетинговые стратегии
Наука о данных играет важную роль в персонализированных маркетинговых кампаниях. Онлайн-ритейл всегда ищет способ поощрить текущих клиентов, чтобы сделать больше продаж или узнать стратегии по привлечению новых покупателей. Ученые по данным могут способствовать этому через оптимизацию рекламного ретаргетинга, набора каналов продвижения, контекста.
Большие данные — ядро современной электронной коммерции, и они могут быть использованы не только для продаж, но и для обнаружения мошенничества, веб-аналитики или, например, управления кадрами.
