Красивые данные. Как Big Data изменила жизнь бьюти-ритейла

Какие данные собирают

Инсайты магазины парфюмерии и косметики получают благодаря анализу собственных продаж. Их интересует, например, какие товары были проданы и на какую сумму, какая выручка получена, какие скидки применены, какая была маржинальность продаж. Источников для получения подобных сведений может быть великое множество:

• CRM-система, собирающая данные, в том числе о действиях с продукцией и в интернет-магазине (просмотр, добавление в корзину или избранное, покупка), и отдельно в мобильном приложении;
• программа лояльности, отражающая данные о применённых скидках и маркетинговых акциях;
• данные из открытых источников и от партнёров.

Вся получаемая информация аккумулируется в едином хранилище данных, построенном с использованием специализированных инструментов — средств управления базами данных (СУБД). В нём данные хранят, обрабатывают, анализируют, обогащают. На основе проводимой аналитики формируются самые разнообразные отчёты, которые могут использовать такие направления, как:

• продажи (для динамического ценообразования, прогнозирования спроса и оптимизации ассортимента);
• логистика (для управления цепочкой поставок, расчёта себестоимости, оптимизации запасов);
• маркетинг (для сегментации клиентов, персонализации предложений, планирования промоакций).

Шесть столпов

Рассмотрим шесть базовых задач, для решения которых бьюти-ритейл активно применяет аналитику данных.

1. Чековая аналитика
   Анализ продаж благодаря данным стал значительно сложнее. Его можно проводить отдельно по регионам, городам, подразделениям вплоть до уровня позиции в чеке. При этом ритейлер может детализировать отчёты, чтобы узнать, какие скидки были применены, какое количество клиентов использовали сертификаты и подарочные карты, сколько за интересующий период пришло оптовых клиентов.
2. Аналитика интернет-магазина
   Анализ продаж интернет-магазина реально провести вплоть до уровня позиции в поставке заказа, конверсии сайта и мобильного приложения компании и просмотрам/добавлениям товаров в корзину.
3. Анализ маржинальности
   Анализируются данные по выручке, себестоимости, валовой прибыли и маржинальности в различных разрезах: магазинах, каналах продаж, товарах в формате self-service. Также возможен расчёт оперативной себестоимости за открытый период.
4. Контроль прайсинга
   Анализ цен на товары в розничных магазинах, анализ стоимости подарочных наборов, сравнение цен с конкурентами, контроль цен и уценок (общесетевых и точечных).
5. Анализ конверсии посетителей
   Измеряется конверсия как для точки продаж в целом, так и для продавцов-консультантов в отдельности. Анализ помогает понять уровень интереса и вовлечённости клиентов, оценить пиковые часы работы магазина с наибольшим количеством посетителей.
6. Анализ товарного запаса
   На ежедневной основе могут анализироваться остатки, приход и расход товаров на складах и в магазинах. Одним из основных показателей является оборачиваемость запасов — число дней, в течение которого продаётся средний товарный запас.

«Аналитика данных помогает нам получить ответы на многие важные вопросы. Например, для управления рисками мы используем данные по инвентаризации. Действительно ли то, что числится в системе магазина, есть в наличии? Нет ли сбоя, недостачи, брака, просрочки? А для логистики нам важно знать, если товара не хватает, то как его проще доставить: одной партией для нескольких магазинов через месяц или индивидуальной поставкой для магазина, что дороже, но быстрее. Конечно, лучше всего заранее знать, когда товар в магазине закончится, чем понимать это по факту. Поэтому прогнозируем спрос. Применяем регрессионные модели и временные ряды. Аналогично аналитика работает и в закупке товара у поставщиков в целом», — отмечает Дмитрий Бондаренко, руководитель центра аналитической поддержки «Летуаль».

Не менее важно для бьюти-ритейла прогнозирование спроса. Например, сеть «Рив Гош» ещё несколько лет назад внедрила предсказание поведения покупателей, в рамках которого среди всех держателей карт лояльности выявляет тех, кто совершит покупку в ближайшие две недели. А также прогнозирует топ-2 покупок по каждому из этих клиентов, определяя из десятков тысяч товарных наименований конкретные позиции до уровня артикула (SKU).

Если говорить о бизнес-результатах использования аналитики данных в бьюти-ритейле, то уже сейчас новые возможности предиктивных моделей позволяют с точностью в 93% рассчитать прогноз покупки на 60 дней вперёд. За 9–20 минут можно выполнять преобработку данных по чекам, за 1,5 минуты пересчитывать товарные остатки и всего за 5–7 секунд открывать и перестраивать отчёты.

Сложности работы с данными

Две фундаментальные проблемы при работе с данными — где их хранить и как обрабатывать. Чем данных больше, тем проблема острее, а решений меньше.

«Обе сложности решает правильный подбор платформы и расчёт необходимых мощностей. Благодаря экспертному дата-инженеру можно решить ряд задач без существенного расширения мощностей, но круг таких задач будет ограничен. Правильный подбор платформы, в свою очередь, позволяет решать более широкий спектр задач, открывая компании новые горизонты в аналитике. Косвенно это также снижает требования к дата-инженерам и аналитикам, прощая некую „небрежность‟ при обращении к данным, производительность запросов будет на высоком уровне», — считает Дмитрий Бондаренко.

Преимущества для покупателей

Чем выше уровень работы с данными в сети магазинов, тем удобнее клиентам ею пользоваться. Например, аналитика промо помогает бьюти-ритейлерам выявлять акции, которые одновременно выгодны как для покупателя, так и для самой сети с точки зрения маржинальности. При этом персонализированный подход в рассылках помогает предлагать клиенту то, что его заинтересует.

«Если покупателю понравился товар, но он его не купил, то мы напомним письмом/push-уведомлением или ретаргетингом в интернете. Не было товара в наличии — уведомим, когда будет. А рекомендательный блок на сайте подскажет, что ещё подойдёт клиенту, основываясь на его действиях», — отмечает представитель сети «Летуаль».

Автор статьи:

Источник: New Retail.