Ретейл накопил огромный массив big data. Но полноценно использовать его ещё не научился, ограничиваясь точечными решениями.
Применять аналитику данных ретейлеры начали далеко не вчера. Ещё год назад, когда "ДП" опрашивал главных сборщиков данных (банки, сотовых операторов) о том, для чего их покупают торговые сети, чаще всего говорилось, что с помощью data–аналитики можно выбрать наиболее выгодную локацию для строительства магазина. Сейчас на основе этих технологий сети открывают, закрывают, переформатируют новые торговые точки и дарксторы, управляют ассортиментом, выстраивают отношения с покупателями. Отдельные магазины сегодня продолжают работать "по старинке", но крупные сети уже не представляют своей жизни без анализа больших данных.
Пользователи интернета при этом периодически шутят, что пока не вполне понятно, что делать с огромным массивом накопившихся данных. На широко разошедшемся по соцсетям меме изображён скриншот сообщения от ретейлера: "В этом году вы были в любимом супермаркете 144 раза, ваш любимый товар — пакет". Он сопровождается ироничной ремаркой: "Не бойтесь ИИ. У него очень много данных. Но, что с ними делать, он не знает". Эксперты признают, что отчасти это правда, хотя и уверены, что возможности ретейла в использовании больших данных практически безграничны.
Продвинутые и не очень
Управляющий партнёр аналитической компании Marketing Logic Дмитрий Галкин считает, что условно можно выделить следующие направления: геомаркетинг (поиск локаций, управление сетью торговых точек); управление маркетингом на основе данных о клиенте и эффективности каналов продаж; управление ассортиментом и ценообразованием; программы антифрода (предотвращение мошеннических трансакций). Анализ больших данных также стал инструментом управления доставкой, логистикой, договорными отношениями с поставщиками.
В пресс–службе X5 Group "ДП" рассказали, что за счёт аналитики данных становится возможным повышение эффективности промоакций, прогнозирование спроса и сокращение дельты между купленной и проданной продукцией. В компании "Магнит" технологии big data применяют для продаж косметики. Например, решение Haut.AI — персонализированный подбор косметики на основе искусственного интеллекта. Технология анализирует состояние кожи (по отправленному фото или вживую) и даёт рекомендации по уходу. По предварительным расчётам, благодаря этому покупательская корзина может вырасти на 30%.
Группа "М.Видео–Эльдорадо" использует аналитику данных и алгоритмы машинного обучения для создания персонализированного клиентского опыта. После запуска персональных цен в мобильном приложении "М.Видео" конверсия в нём выросла в 1,5 раза, рассказали в пресс–службе компании.
Руководитель разработки продуктов в NtechLab Денис Гришин считает, что одно из наиболее перспективных направлений для применения big data — видеоаналитика. "Она даёт много возможностей: распознавание лиц из чёрного списка (тех, кто ранее забывал оплатить товар) и белого списка (VIP–клиентов и других участников программы лояльности), детекция очередей, контроль наличия товара на полке, подсчёт посетителей по различным параметрам — общее число, число уникальных посетителей, а также по их полу, возрасту и т. д.", — рассказывает он.
Дмитрий Галкин называет ретейл одной из самых продвинутых отраслей по части аналитики больших данных. Использование этих технологий, по его оценке, может дать 15–30% роста прибыли и сокращения издержек. Однако в основном в игру вступают крупные сети. У мелких игроков рынка пока есть сложности как с финансовой, так и с экспертной точки зрения. При этом, как отмечают специалисты, для аналитики ретейлерам не обязательно использовать именно большие данные. В базовом виде это можно делать и в 1С.
Дорого и непонятно
И всё же эксперты пока присваивают рынку big data статус зарождающегося. Часть проблем на нём решить не удаётся. В первую очередь — необходимость больших инвестиций. Руководитель лаборатории НОРБИТ (входит в группу "ЛАНИТ") по AI и big data Дмитрий Демидов оценивает вложения, необходимые для запуска аналитики больших данных, в сумму от 30 млн до 100 млн рублей (в зависимости от того, что нужно сделать и что уже готово). Деньги потребуются на предпроектное обследование, проектирование решения, закупку лицензий, развёртывание облака или "железа", разработку интеграций с источниками данных.
Соль в том, что сами по себе big data не дают дополнительной прибыли. Её генерируют лишь конкретные решения на основе проведённой аналитики. При этом хранить и обрабатывать большие объёмы данных затратно. "Стоимость хорошего сервера для аналитики — от 10 млн до 30 млн рублей, плюс услуги специалиста по big data — 200–300 тыс. в месяц. Ещё нужен специалист по прогнозированию (около 300 тыс. рублей в месяц), и всё это умножим на количество членов команды, плюс добавить сюда руководителя", — приводит примерные подсчёты директор департамента интеграционных проектов цифровой платформы "СберКорус" Андрей Липанов. Эксперт добавляет, что решения с большими данными в ретейле в редком случае — собственные разработки компаний. Чаще всего их покупают у крупных подрядчиков.
Нужно больше камер
Однако дороговизна — не единственная сложность. Среди ретейлеров до сих пор много тех, кто только присматривается к big data. Дмитрий Галкин замечает: "Менеджмент компаний сознаёт, что данные нужно каким–то образом использовать, но не все понимают, с чего начать, чем их обогатить. Самое основное и сложное: структурировать, организовать, чтобы они были пригодны для аналитики".
Актуальной проблемой остаётся и отсутствие инфраструктуры для сбора информации. В случае с той же видеоаналитикой большинство проектов были внедрены компаниями во время пандемии. А для неё, как и для любого кризиса, характерно изменение покупательского поведения. Это значит, что спустя время на аналитику покупательского поведения, полученную в пандемийный год, едва ли можно будет опереться. "Если говорить об инфраструктуре, мы видим, что камер пока недостаточно, следовательно, компании имеют дело с неполным покрытием, — обращает внимание Денис Гришин. — Но мы ожидаем, что в течение ближайших 5 лет аппаратура будет дешеветь, а значит, и решения на основе видеоаналитики станут более экономически эффективными".
Chief Data Officer IT–компании "Платформа ОФД" Дмитрий Батюшенков указывает и на недостаточный охват данных, особенно если речь заходит об узкоспециализированных товарных категориях, где на текущий момент big data могут служить скорее для точечных корректировок, чем для формирования полноценных стратегий развития сети.
Андрей Липанов резюмирует, что у торговых сетей уже предостаточно исторических данных (чеки, закупочные документы, нетоварные накладные, сведения по основным средствам и ремонтам). Проблема, по его мнению, состоит в отсутствии реальных кейсов для их анализа и применения. "Рынку big data в торговле нужен драйвер в виде реальных доходов от анализа исторических и чужих данных. Сейчас это дорогое удовольствие без очевидных выгод", — говорит он.
