रिटेलच्या सेवेवर मोठा डेटा

किरकोळ विक्रेते खरेदीदारासाठी तीन प्रमुख पैलूंमध्ये वैयक्तिकरण सुधारण्यासाठी मोठा डेटा कसा वापरतात - वर्गीकरण, ऑफर आणि वितरण, अंब्रेला IT मध्ये सांगितले

1990 च्या दशकाच्या उत्तरार्धात, जीवनाच्या सर्व क्षेत्रातील उद्योजकांना हे समजले की डेटा हा एक मौल्यवान स्त्रोत आहे ज्याचा योग्य वापर केल्यास, प्रभावाचे एक शक्तिशाली साधन बनू शकते. समस्या अशी होती की डेटाचे प्रमाण वेगाने वाढले आणि त्या वेळी अस्तित्वात असलेल्या माहितीची प्रक्रिया आणि विश्लेषण करण्याच्या पद्धती पुरेशा प्रभावी नव्हत्या.

2000 च्या दशकात, तंत्रज्ञानाने क्वांटम लीप घेतली. स्केलेबल सोल्यूशन्स बाजारात दिसू लागले आहेत जे असंरचित माहितीवर प्रक्रिया करू शकतात, उच्च वर्कलोड्सचा सामना करू शकतात, तार्किक कनेक्शन तयार करू शकतात आणि अव्यवस्थित डेटा एखाद्या व्यक्तीला समजू शकतील अशा व्याख्या करण्यायोग्य स्वरूपात अनुवादित करू शकतात.

आज, रशियन फेडरेशन प्रोग्रामच्या डिजिटल इकॉनॉमीच्या नऊ क्षेत्रांपैकी एकामध्ये मोठा डेटा समाविष्ट केला गेला आहे, कंपन्यांच्या रेटिंग आणि खर्चाच्या वस्तूंमध्ये शीर्ष ओळी व्यापलेल्या आहेत. व्यापार, वित्तीय आणि दूरसंचार क्षेत्रातील कंपन्यांकडून बिग डेटा तंत्रज्ञानामध्ये सर्वाधिक गुंतवणूक केली जाते.

10-20 वर्षांमध्ये, मोठा डेटा भांडवलीकरणाचे मुख्य साधन बनेल आणि ऊर्जा उद्योगाच्या तुलनेत समाजात महत्त्वाची भूमिका बजावेल, विश्लेषक म्हणतात.

आजचे गिर्‍हाईक हे यापुढे आकडेवाचक नसून अनन्य वैशिष्ठ्ये आणि गरजा असलेल्या सु-परिभाषित व्यक्ती आहेत. ते निवडक आहेत आणि त्यांची ऑफर अधिक आकर्षक वाटल्यास खेद न बाळगता स्पर्धकाच्या ब्रँडवर स्विच करतील. म्हणूनच किरकोळ विक्रेते मोठा डेटा वापरतात, जे त्यांना "एक अद्वितीय ग्राहक - एक अद्वितीय सेवा" या तत्त्वावर लक्ष केंद्रित करून लक्ष्यित आणि अचूक मार्गाने ग्राहकांशी संवाद साधू देते.

1. वैयक्तिकृत वर्गीकरण आणि जागेचा कार्यक्षम वापर

बर्‍याच प्रकरणांमध्ये, "खरेदी करणे किंवा खरेदी न करणे" हा अंतिम निर्णय आधीच वस्तूंसह शेल्फजवळ असलेल्या स्टोअरमध्ये घेतला जातो. निल्सनच्या आकडेवारीनुसार, खरेदीदार शेल्फवर योग्य उत्पादन शोधण्यासाठी फक्त 15 सेकंद घालवतो. याचा अर्थ असा की व्यवसायासाठी विशिष्ट स्टोअरला इष्टतम वर्गीकरण पुरवणे आणि ते योग्यरित्या सादर करणे खूप महत्वाचे आहे. मागणी पूर्ण करण्यासाठी वर्गीकरणासाठी आणि विक्रीला प्रोत्साहन देण्यासाठी प्रदर्शनासाठी, मोठ्या डेटाच्या विविध श्रेणींचा अभ्यास करणे आवश्यक आहे:

• स्थानिक लोकसंख्याशास्त्र,
• दिवाळखोरी,
• खरेदीची समज,
• लॉयल्टी प्रोग्राम खरेदी आणि बरेच काही.

उदाहरणार्थ, विशिष्ट श्रेणीतील वस्तूंच्या खरेदीच्या वारंवारतेचे मूल्यांकन करणे आणि खरेदीदाराची एका उत्पादनातून दुसर्‍या उत्पादनात “स्विच करण्यायोग्यता” मोजणे, कोणती वस्तू चांगली विकते, कोणती अनावश्यक आहे हे त्वरित समजण्यास मदत करेल आणि म्हणूनच, अधिक तर्कशुद्धपणे रोख पुनर्वितरण करा. संसाधने आणि योजना स्टोअर जागा.

मोठ्या डेटावर आधारित उपायांच्या विकासाची एक वेगळी दिशा म्हणजे जागेचा कार्यक्षम वापर. हा डेटा आहे, आणि अंतर्ज्ञान नाही, ज्यावर व्यापारी आता माल टाकताना अवलंबून असतात.

X5 रिटेल ग्रुप हायपरमार्केटमध्ये, किरकोळ उपकरणांचे गुणधर्म, ग्राहकांची प्राधान्ये, वस्तूंच्या विशिष्ट श्रेणींच्या विक्रीच्या इतिहासावरील डेटा आणि इतर घटक लक्षात घेऊन उत्पादन लेआउट स्वयंचलितपणे तयार केले जातात.

त्याच वेळी, लेआउटची शुद्धता आणि शेल्फवरील वस्तूंची संख्या रिअल टाइममध्ये परीक्षण केली जाते: व्हिडिओ विश्लेषणे आणि संगणक दृष्टी तंत्रज्ञान कॅमेर्‍यांमधून येणार्‍या व्हिडिओ प्रवाहाचे विश्लेषण करतात आणि निर्दिष्ट पॅरामीटर्सनुसार इव्हेंट हायलाइट करतात. उदाहरणार्थ, स्टोअरच्या कर्मचार्‍यांना सिग्नल मिळेल की कॅन केलेला मटारच्या जार चुकीच्या ठिकाणी आहेत किंवा कंडेन्स्ड दूध शेल्फ् 'चे अव रुप संपले आहे.

2. वैयक्तिकृत ऑफर

ग्राहकांसाठी वैयक्तिकरण हे प्राधान्य आहे: एडेलमन आणि एक्सेंचरच्या संशोधनानुसार, किरकोळ विक्रेत्याने वैयक्तिक ऑफर दिल्यास किंवा सवलत दिल्यास 80% खरेदीदार उत्पादन खरेदी करण्याची अधिक शक्यता असते; शिवाय, उत्पादनाच्या शिफारशी अचूक नसल्यास आणि गरजा पूर्ण न केल्यास 48% प्रतिसादकर्ते स्पर्धकांकडे जाण्यास अजिबात संकोच करत नाहीत.

ग्राहकांच्या अपेक्षा पूर्ण करण्यासाठी, किरकोळ विक्रेते सक्रियपणे IT सोल्यूशन्स आणि विश्लेषण साधने कार्यान्वित करत आहेत जे ग्राहकांना समजून घेण्यास मदत करण्यासाठी आणि वैयक्तिक स्तरावर परस्परसंवाद आणण्यासाठी ग्राहक डेटा संकलित, रचना आणि विश्लेषण करतात. खरेदीदारांमधील लोकप्रिय स्वरूपांपैकी एक - "आपल्याला स्वारस्य असू शकते" आणि "या उत्पादनासह खरेदी करा" - उत्पादन शिफारसींचा विभाग देखील मागील खरेदी आणि प्राधान्यांच्या विश्लेषणावर आधारित आहे.

Amazon सहयोगी फिल्टरिंग अल्गोरिदम वापरून या शिफारसी व्युत्पन्न करते (एक शिफारस पद्धत जी दुसर्‍या वापरकर्त्याच्या अज्ञात प्राधान्यांचा अंदाज लावण्यासाठी वापरकर्त्यांच्या गटाची ज्ञात प्राधान्ये वापरते). कंपनीच्या प्रतिनिधींच्या मते, सर्व विक्रीपैकी 30% अॅमेझॉन शिफारस प्रणालीमुळे आहेत.

3. वैयक्तिकृत वितरण

ऑनलाइन स्टोअरमधून ऑर्डरची डिलिव्हरी असो किंवा सुपरमार्केटच्या शेल्फ् 'चे अव रुप वर इच्छित उत्पादनांचे आगमन असो याकडे दुर्लक्ष करून, आधुनिक खरेदीदारासाठी इच्छित उत्पादन त्वरीत प्राप्त करणे महत्वाचे आहे. परंतु केवळ वेग पुरेसा नाही: आज सर्वकाही द्रुतपणे वितरित केले जाते. वैयक्तिक दृष्टिकोन देखील मौल्यवान आहे.

बहुतेक मोठ्या किरकोळ विक्रेते आणि वाहकांकडे अनेक सेन्सर आणि आरएफआयडी टॅग (वस्तू ओळखण्यासाठी आणि ट्रॅक करण्यासाठी वापरल्या जाणार्‍या) ने सुसज्ज वाहने असतात, ज्यातून मोठ्या प्रमाणात माहिती प्राप्त होते: सध्याचे स्थान, मालवाहूचे आकार आणि वजन, वाहतूक कोंडी, हवामानाची परिस्थिती. , आणि अगदी चालकाची वागणूक.

या डेटाचे विश्लेषण केवळ रिअल टाइममध्ये मार्गाचा सर्वात किफायतशीर आणि वेगवान ट्रॅक तयार करण्यात मदत करत नाही तर खरेदीदारांसाठी वितरण प्रक्रियेची पारदर्शकता देखील सुनिश्चित करते, ज्यांना त्यांच्या ऑर्डरच्या प्रगतीचा मागोवा घेण्याची संधी आहे.

डिलिव्हरी पर्सनलायझेशन हा “लास्ट माईल” टप्प्यावर खरेदीदारासाठी महत्त्वाचा घटक आहे. धोरणात्मक निर्णय घेण्याच्या टप्प्यावर ग्राहक आणि लॉजिस्टिक डेटा एकत्र करणारा किरकोळ विक्रेता ग्राहकाला समस्येच्या ठिकाणाहून वस्तू उचलण्यासाठी त्वरित ऑफर करण्यास सक्षम असेल, जिथे ते वितरित करणे सर्वात जलद आणि स्वस्त असेल. त्याच दिवशी किंवा दुसऱ्या दिवशी वस्तू प्राप्त करण्याची ऑफर, डिलिव्हरीवर सवलत, ग्राहकाला शहराच्या दुसऱ्या टोकापर्यंत जाण्यास प्रोत्साहित करेल.

Amazon, नेहमीप्रमाणे, भविष्यसूचक विश्लेषणाद्वारे समर्थित भविष्यसूचक लॉजिस्टिक तंत्रज्ञान पेटंट करून स्पर्धेच्या पुढे गेले. सर्वात महत्त्वाची गोष्ट अशी आहे की किरकोळ विक्रेता डेटा गोळा करतो:

• वापरकर्त्याच्या मागील खरेदीबद्दल,
• कार्टमध्ये जोडलेल्या उत्पादनांबद्दल,
• विशलिस्टमध्ये जोडलेल्या उत्पादनांबद्दल,
• कर्सर हालचालींबद्दल.

मशीन लर्निंग अल्गोरिदम या माहितीचे विश्लेषण करतात आणि ग्राहक कोणते उत्पादन खरेदी करतील याचा अंदाज लावतात. आयटम नंतर वापरकर्त्याच्या सर्वात जवळच्या शिपिंग हबमध्ये स्वस्त मानक शिपिंगद्वारे पाठविला जातो.

आधुनिक खरेदीदार वैयक्तिक दृष्टिकोन आणि दोनदा अनोख्या अनुभवासाठी पैसे आणि माहितीसह पैसे देण्यास तयार आहे. ग्राहकांच्या वैयक्तिक आवडीनिवडी लक्षात घेऊन योग्य स्तरावरील सेवा प्रदान करणे केवळ बिग डेटाच्या मदतीने शक्य आहे. मोठ्या डेटाच्या क्षेत्रातील प्रकल्पांसह काम करण्यासाठी उद्योगातील नेते संपूर्ण संरचनात्मक युनिट्स तयार करत असताना, लहान आणि मध्यम आकाराचे व्यवसाय बॉक्स्ड सोल्यूशन्सवर सट्टेबाजी करत आहेत. परंतु एक अचूक ग्राहक प्रोफाइल तयार करणे, ग्राहकांच्या वेदना समजून घेणे आणि खरेदीच्या निर्णयावर परिणाम करणारे ट्रिगर निर्धारित करणे, खरेदी याद्या हायलाइट करणे आणि अधिकाधिक खरेदी करण्यास प्रोत्साहन देणारी व्यापक वैयक्तिक सेवा तयार करणे हे सामान्य ध्येय आहे.