По вопросам размещения на сайте, пожалуйста, звоните +7 495 150-08-68

Георгий Шатиров: "Информатизация в ритейле на сегодняшний день находится на очень высоком уровне" 31 августа 2016 года

Аналитика в ритейле всегда являлась одним из ключевых инструментов в развитии как самих объектов, так и их непосредственных арендаторов. На сегодняшний день одним из самых перспективных направлений становится применение технологий "Big Data", поднимающих аналитические данные на новый уровень. О будущем этой технологии в рамках развития торгового сегмента мы поговорили с Георгием Шатировым, начальником отдела продуктизации аналитических решений компании "Техносерв".

Что собой представляет Big Data?

Технически, под платформой Big Data обычно понимают основу для специализированных аналитических систем, которые помогают организации сделать правильные аналитические выводы для развития бизнеса. Но за последние годы термин оброс дополнительными смыслами, стал более ёмким и бизнес-ориентированным, и означает, скорее, общую концепцию управления данными любой организации. Это  одновременно и культура современного цифрового ландшафта, которую учитывают все виды организаций при формировании своих стратегий, чтобы не отстать от конкурентов, и комплекс технологических инструментов, обеспечивающих поддержку новых процессов. Такие процессы, как извлечение данных, очистка, трансформация, обработка, анализ и построение на их базе продуктов и сервисов стали частью большой и дружной семьи технологий работы с большими данными.

Практически любая современная организация имеет накопленный информационный архив и существенный поток вновь производимых данных, которые зачастую просто лежат мертвым грузом и не принимают участия в процессах управления организацией. Например, имеющиеся практически во всех организациях данные систем контроля входа/выхода сотрудников или информация о времени обработки инцидентов каждой из служб уже помогли не одной компании соптимизировать свои операционные затраты. Технологии больших данных, снабженные аналитической надстройкой, умеют работать с разными типами информации - от текста и формализованных баз данных до аудиозаписи и фото-видеоизображений -  и обеспечивать предоставление необходимой управленческой информации тогда, когда она действительно необходима ее потребителю.

Какие задачи в ритейле помогают решить большие данные?

В основном в ритейле применение технологии больших данных начинается с задачи по оценке эффективности размещения магазинов. Следующая по востребованности задача – это оценка клиентских баз и повышение их лояльности за счет более таргетированных предложений на основании профилирования и сегментирования клиентской базы. В этих задачах происходит анализ в разрезе всей клиентской базы, после чего применяется фильтрация по размещению точек в зависимости от города или района. На основе полученных выкладок применяются управленческие решения для повышения эффективности точек продаж, либо их закрытия, либо открытия новых.

Кроме того, в последние пару лет технологиями больших данных начали активно интересоваться владельцы крупных торговых центров. Для них знание о перемещениях посетителей по центру открывает широкие возможности для рассылки таргетированной рекламы и расположения рекламы в наиболее эффективных для ее восприятия местах. Посредствам разбора логов с wi-fi датчиков владельцы получают своевременную информацию и могут оперативно реагировать на изменяющуюся среду. Активно развиваются технологии, распознающие лицо посетителя при входе в центр и автоматически восстанавливающие историю его покупок: информационная система в режиме реального времени предлагает посетителю персональные скидки и новые виды сервисов и услуг, предвосхищая его потребности еще на пороге магазина.

Как происходит сбор информации и ее обработка?

В ритейловых сетях на сегодняшний день очень высокий уровень информатизации. Это позволяет организовать сбор данных на всех участках, начиная от точек продаж и заканчивая сложными системами, находящимися в ЦОДах. Первая задача big data – это очистить данные и «уложить» их в необходимом для аналитики виде. Система, потребляя эти данные, «прогоняет» их  через определенные алгоритмы и в виде рекомендаций, либо сервисов выдает необходимый результат. Например, какой товар и по какой цене лучше сегодня разместить в конкретной точке. В зависимости от этого продуктовая сеть может принимать решение от том, какое количество определенного продукта необходимо отгрузить через логистический центр в данный магазин. Этим путем можно оптимизировать затраты на перевозку товара, чтобы не возникало дополнительной нагрузки в виде довоза акционных товаров. 

Но анализ ведется не только из внутренних систем ритейлера. Большую пользу может принести работа с внешними источниками, такими как местные новостные ленты, социальные сети. Например, с точки зрения событий, которые планируются в том или ином районе города. Давайте рассмотрим конкретный пример. В районе происходит празднование дня города, на который приезжают артисты. Для этого была снята площадь перед торговым центром. Событие широко анонсировалось в СМИ и Интернете, поэтому в день поведения на площадь съехались люди, проживающие на ближайших 5-6 станциях метро. В данной точке экспоненциально возросла потребность в прохладительных напитках. А во время обеда кафе и рестораны в ТЦ не справлялись с наплывом посетителей. Если бы владельцы ТЦ или местные точки общественного питания и продуктовые магазины знали о событии заранее и примерно проанализировали планируемое количество участников и погоду, то в точки продаж был бы дополнительно завезен необходимый ассортимент напитков, увеличен штат обслуживающего персонала, организованы дополнительные места или акции по уличной торговле напитками. Все это смогло бы существенно повысить выручку местных предприятий.

Но есть еще и неочевидные события, информация о которых есть в профилях социальных сетей у постоянных клиентов магазинов. Их нельзя выловить «в лоб» на лентах новостей – например, закрытый квартирник, но с помощью систем big data – это возможно. На такое мероприятие приходит платежеспособная аудитория, которой можно заранее сделать через социальные сети специальное предложение, сообщив, что акция будет проходить поблизости от места события.

Какова погрешность в итоговых данных, например, когда идет проект с использованием  геолокации?

Погрешность не может быть универсальной. Она зависит от конкретных данных и технологии их получения. Например, мы хотим получить данные по геолокации человека в торговом центре. Погрешность в этом случае зависит от источника получения координат. Так, телеком оператор может предоставить данные по геолокации с  точностью от 200 метров до 15 км. Это связано с тем, что сотовые сети при разворачивании не предполагали потребности в определении точной геолокации. Сейчас операторы активно работают над этой задачей, чтобы точность достигала бы радиуса 50 м. Если же мы говорим о получении данных из систем GPS или ГЛОНАСС, то здесь точность варьируется радиусом 5 метров. Но есть еще более точные системы, например, банковские транзакции по картам. По этому источнику можно точно понять -  где сейчас находится человек, и каков его статус. Правда, эта информация персонализирована и ее передача не возможна другим юридическим лицам. Системы класса bluetooth или wi-fi способны определять место нахождения человека с точностью до нескольких сантиметров. Эта технология применима с точки зрения эффективности мерчендайзинга товаров на полках. Мы можем сделать выводы о том, как перемещается покупатель вдоль полок, где задерживается, а затем совместить эти данные с тем, как продавались те или товары, расположенные на этих полках.

Насколько эффективно использование больших данных при поиске локации для новых торговых объектов?

Ритейловые сети генерируют ежесекундно многотысячное количество транзакций на основе чеков. Покупки привязаны к конкретным геолокациям, клиенты часто оплачивают покупки банковскими картами и применяют карты лояльности. На основании этих трех факторов можно получить представление – что за человек наш клиент, где он предпочитает совершать покупки, и какова его среднестатистическая потребительская корзина. Эта информация хорошо коррелируется с информацией, которую можно «подтянуть» по этому человеку из открытых источников. Далее на базе определенных алгоритмов строится профиль клиента, а затем ритейлер может оценить удобство  размещения конкретной точки продаж с точки зрения геолокации. Посредством такой аналитики можно также получить информацию о степени нагрузки магазина, и насколько точка корректно размещена к месту жительства основной клиентской базы, или же руководству стоит задуматься о новом помещении. Надо сказать, что такие системы построены на анализе порядка сотни параметров, таких как проходимость данной локации, количестве проживающих и работающих в районе, оценке их профилей и уровня платежеспособности и др. Также учитываются демографические параметры – пол, возраст, наличие детей и пр. Кстати, торговые центры, обладая такой системой, могут делать настройки под потребности каждого из своих потенциальных арендаторов – точек питания, магазинов одежды, игрушек, кафе и т.д.

Интересны кейсы по проверки эффективности систем геолокации. Правильней всего, сделав первые расчеты, открыть точку и проверить правильность выводов системы по ключевым показателям работы за первые два – три месяца работы. После такой сверки – мы оцениваем погрешность работы системы и закладываем риски в рабочую модель. В целом эффективность использования подобных решений на Западе сейчас перешла за границу эффективности обычных аналитических инструментов, который сейчас повсеместно используются у нас в стране. Что я имею в виду. Сегодня перед открытием магазина обычно  сеть заключает контракт с аналитическим агентством, сотрудники которого на улице замеряют количество проходящих людей, и в зависимости от этой информации и здравого смысла принимается решение об открытии точки. Такой метод не учитывает платежеспособность людей, их потребность в товарах будущего магазина, не рассматривается информация - откуда приехали эти люди или это местные жители и пр.

Чем использование больших данных отличается от традиционных средств аналитики в ТЦ?

Здесь нужно переключиться внутрь торгового центра. Любой ТЦ и его арендаторы  заинтересованы в анализе посетителей. Большие ТЦ интересуются  - какие бутики наиболее посещаемы, какова проходимость на том или ином ряду комплекса. Все эти данные легко можно получить с помощью технологий big data. Причем в отличие от обычной аналитики, мы не ограничиваемся выгрузкой частных выборок, мы работаем со сплошными большими выборками и большим набором данных. Мы коррелируем информацией из многих источников: профилей соц.сетей, данных телеком-операторов, открытых источников в Сети, и так далее. В итоге качество анализа повышается на порядок.

Сколько времени требует внедрение системы с использованием больших данных?

Это зависит от того, насколько система является инфраструктурной. Если система относится к разряду сервисных и предоставляется из облака, то услуга подключается за считанные минуты. Если стоит задача  создать собственную внутреннюю систему, то можно говорить о нескольких месяцах или годе.

Какова стоимость использования big data и от чего она зависит?

Изначально сервисы big data относились к разряду недорогих систем, так как они разрабатывались на решениях open source, а значит не требовали затрат на закупку лицензий. Также системы показывали хороших результаты, работая на недорогом оборудовании. Зависимость стоимости системы big data находится в прямой зависимости от задач заказчика. Если это собственная система для ТЦ, то необходимо заложить расходы на разработчиков, и создание инфраструктуры, а также поддержании ее работоспособности в дальнейшем. Если мы говорим о сервисном подходе на облачных платформах, то затраты равняются стоимости запросов или подписок, которые нужны сети. Стоимость таких сервисов может варьироваться от десятков копеек за один запрос, до нескольких сот рублей в месяц за подписки.

Какой процент ритейлеров уже начали использовать эти системы?

В России технологии big data начинали развиваться с применения у телеком операторов, затем шли банки и страховые компании, а после подключился ритейл. Вообще, ритейл является потребителем тех сервисов big data, которые производятся в телекоммуникационных и банковских сферах. Пока мне известны  примеры трех крупных ритейл-сетей, которые уже полтора-два года активно пользуются результатами систем big data.

Беседу вел Антон Мошкин

← к статьям