Мы продолжаем делиться с вами интересным материалом о том, как крупнейший мировой ритейлер Walmart использует аналитику больших данных. В первой части мы рассмотрели общий подход компании к работе с данными, а теперь более подробно остановимся на конкретных решениях и технологиях.
Данные социальных сетей представляют собой особую сложность для анализа. Они неструктурированы, неформальны и чаще всего не соответствуют правилам грамматики. Однако бóльшая часть решений Walmart, основанных на данных, базируется именно на информации из социальных сетей — комментариях в Facebook, сообщениях в Pinterest, твитах в Twitter, постах в LinkedIn и так далее.
Так, компания разработала аналитическое решение под названием Social Genome, которое анализирует миллиарды сообщений в Facebook, твитов, видео на YouTube, записей в блогах и других источниках.
Social Genome объединяет публичные данные из интернета, информацию из социальных сетей и собственные данные Walmart, такие как контактная информация и история покупок клиентов. Это помогает лучше понимать контекст действий пользователей.
Например, если система определяет, что женщина часто пишет в Twitter о фильмах, то когда она упоминает фразу «Я люблю соль», алгоритм может понять, что речь идет о популярном голливудском фильме «Salt», а не о приправе.
Другое интересное приложение — Shopycat, которое рекомендует подарки друзьям на основе данных из их профилей в Facebook. Приложение рекомендует подарки друзьям на основе социальных данных, полученных из их профилей в Facebook. Оно также предоставляет ссылки на товары Walmart, чтобы пользователи могли легко и без проблем приобрести выбранный подарок.
Shopycat не только предлагает определенные товары, но и подсказывает, кому из друзей стоит сделать подарок, основываясь на уровне взаимодействия с ними. Кроме того, приложение позволяет пользователям отправлять взаимные сообщения своим друзьям через Facebook и спрашивать их, хотели бы они получить подарочный сертификат или конкретный товар.
Согласно данным Adjust и AppLovin, в 2023 году объем e-commerce продаж на мобильных устройствах достиг 2,2 трлн долларов. Учитывая эту тенденцию, Walmart активно использует возможности Big Data для разработки инструментов и услуг, совершенствующих мобильную стратегию компании.
Статистика показывает, что более половины покупателей Walmart пользуются смартфонами, причем 35% из них — взрослые. Покупатели, использующие мобильные телефоны, особенно важны для Walmart. Они совершают на 4 поездки в магазин больше и тратят на 77% больше, чем обычные покупатели.
Мобильное приложение компании генерирует персонализированные списки покупок на основе анализа покупательских привычек. Функция геозондирования определяет, когда пользователь входит в магазин, и предлагает перейти в «режим магазина». Этот режим помогает пользователям сканировать QE-коды для получения специальных скидок и предложений на интересующие их товары.
Стремясь сократить количество отходов и повысить вовлеченность потребителей, Walmart внедряет «тележки качества» в продуктовых отделах своих магазинов. На момент написания статьи Walmart использовал такие тележки в 500 магазинах, а к концу третьего квартала этого года планировал внедрить их во всех 5 тысячах магазинов США.
Компания использует датчики IoT и аналитику больших данных, чтобы определить, как долго люди задерживаются в отделе свежих продуктов. Анализ показал, что если продукты выглядят достаточно свежими, покупатели проводят больше времени в отделе и покупают больше товаров. Это открытие помогло Walmart оптимизировать выкладку товаров и повысить продажи.
Одна из ключевых задач для Walmart — точное прогнозирование продаж на основе ограниченных исторических данных, особенно в праздничные периоды. Для решения этой проблемы компания провела конкурс на Kaggle, предоставив участникам исторические данные о продажах в 45 магазинах Walmart из разных регионов.
Участники должны были спрогнозировать продажи для каждого отдела магазина, учитывая такие факторы, как праздничные скидки, которые могут увеличивать продажи в 5 раз по сравнению с обычными неделями.
Для конкурса Walmart предоставил несколько наборов данных:
Этот подход не только помог компании улучшить свои модели прогнозирования, но и позволил найти талантливых специалистов с нестандартным опытом и навыками.
Walmart создал собственный аналитический центр под названием Data Café в штаб-квартире в Бентонвилле, штат Арканзас. Это мощная система, способная обрабатывать 2,5 петабайта данных каждый час.
Data Café может манипулировать, моделировать и визуализировать более 200 потоков внешних и внутренних данных, а также 40 петабайт транзакционных данных. Система получает информацию из 200 различных источников, включая телекоммуникационные данные, социальные сети, экономические показатели и цены на бензин.
Аналитические алгоритмы Walmart способны сканировать эти огромные массивы данных за микросекунды, чтобы в режиме реального времени находить решения конкретных бизнес-проблем.
Важно отметить, что содержать крупные дата-центры такого масштаба могут только гиганты розничной торговли, подобные Walmart. Однако сегодня для того, чтобы эффективно прогнозировать спрос и оперативно корректировать бизнес-стратегию, не обязательно быть компанией уровня Walmart.
Если раньше это было доступно только крупнейшим игрокам рынка, то теперь даже небольшие и средние компании могут пользоваться преимуществами аналитики больших данных. Достаточно иметь четкое понимание своей целевой аудитории и желаемых результатов. В этом случае такие инструменты, как наш продукт Прогноз спроса, могут предоставить все необходимые аналитические возможности без необходимости инвестировать в создание собственной масштабной инфраструктуры для работы с данными.
Walmart, как и многие другие компании, сталкивается с нехваткой квалифицированных специалистов по работе с большими данными. Для решения этой проблемы компания предприняла ряд шагов:
Подводя итог, можно сказать, что Walmart демонстрирует впечатляющий пример того, как грамотное использование больших данных и передовых аналитических технологий может трансформировать бизнес-процессы.
Как и Walmart, мы считаем, что будущее розничной торговли за компаниями, которые смогут использовать данные для создания персонализированного опыта покупателей и оптимизации бизнес-процессов.
Наш инструмент Прогноз спроса предугадывает потребности покупателей и помогает эффективно планировать поставки на основе анализа Big Data. Мы предоставляем оперативный мониторинг изменений интересов пользователей и настраиваем кластеры по группам интересов. Такие решения помогают составлять детальные портреты клиентов, расширять ассортимент и корректировать ценовую политику.