Как работать с отчетами и статистикой, чтобы анализировать результаты
Анализируйте изменения эффективности
- Улучшенные отчеты о группах объектов позволяют просматривать данные о конверсиях, их ценности, расходах и другие показатели на уровне группы. Вы сможете определять, как разные группы объектов влияют на эффективность и что следует улучшить в первую очередь (например, добавить новые объекты креативов или оптимизировать существующие).
- Просматривайте интерпретации, чтобы следить за колебаниями эффективности. Интерпретации предлагают объяснения того, почему такие колебания могли возникнуть, и содержат рекомендации о том, как устранить проблемы и улучшить результаты.
- Основные сигналы в отчете о стратегии назначения ставок также помогают определить, какие факторы влияют на эффективность. К основным сигналам относятся тип устройства, местоположение, день недели, время суток, поисковые запросы, списки электронных адресов и т. д.
- Проверяйте сведения об изменениях эффективности, чтобы узнавать, с какими группами объектов, товарами и типами товаров они связаны.
Определяйте, какие объекты креативов вызывают наибольший отклик
- Качество объявления позволяет определить качество ваших объектов (низкое, среднее или высокое) и понять, нужно ли вам добавлять новые объекты, которые ИИ от Google будет использовать при создании креативов. Если у вас уже есть максимальное количество объектов, вы можете заменить объекты более низкого качества на новые более качественные.
- С помощью отчета «Комбинации» вы можете определять самые эффективные сочетания объектов в каждой группе и визуализировать, как разные текстовые, графические и видеообъекты используются в разных форматах.
- Проверяйте статистику интереса аудиторий к объектам, чтобы узнавать, какие объекты вызывают наибольший отклик у разных сегментов аудитории. Эта информация поможет вам создавать новые объекты креативов для высокоэффективных аудиторий.
Анализируйте самых ценных клиентов и находите новые аудитории
Просматривайте статистику аудитории, чтобы анализировать ведущие интересы и поведение клиентов, которые совершают конверсии благодаря кампаниям с максимальной эффективностью, и выявлять аудитории с самыми высокими коэффициентами конверсии.
Анализируйте данные о конверсиях для сегментов, которые вы задали как сигналы аудитории: просматривайте статистику сегментов с пометкой «Сигналы»
Уделяйте особое внимание сегментам с пометкой «С оптимизацией». Это новые сегменты, подобранные ИИ от Google, которые вы могли упускать из виду.
Анализируйте поисковое поведение ваших клиентов
- Анализируйте статистику поисковых запросов, в которой приводятся поисковые запросы ваших клиентов, разбитые по категориям. Теперь вы можете применять к ним собственные диапазоны дат и просматривать сведения за прошлые периоды.
- Следите за поисковыми тенденциями, чтобы своевременно реагировать на рост спроса в категориях, важных для вашего бизнеса. Это поможет вам планировать бюджет, ассортимент и промоакции и создавать целевые страницы с учетом уровня интереса потребителей.
Изучайте отчеты, предназначенные для розничной торговли
Using Big Data To Your Advantage
Besides the fact that big data analytics is helping those in the retail sector understand their customers far better, making the experience more personal, engaging and initiative at every stage of the buying journey, it also has notable benefits in other areas:
Demand: By understanding data-based insights on customer habits, retailers can understand which of their products and services are most in-demand and which ones they should potentially stop offering. Not only can these insights serve to save money and where to place investment, but it will also help brands to give the consumer exactly what they want.
Prediction: Trend forecasting algorithms in big data can help brands make key market predictions and forecast consumer trends. Thanks to professional data alerts, retailers monitor the demand fluctuation in real-time, and can develop products that will provide them with the best return on investment.
Pricing: By gaining access to insights on real-time customer transactions, retailers can gain a better understanding which prices yield the best results on particular products. Big data technology can also be utilized for ‘markdown optimization’ — an understanding of when prices on particular items should be dropped. Retail giant Walmart has reaped the rewards of real-time merchandising, and as a result of its success, the brand is now in the process of building the world’s biggest private cloud in a big to dig even deeper into the behaviour of its customers.
Cross-channel: In today’s world, the omni-channel experience is a big deal. Google research suggests that 98% of Americans switch between devices in the same day. As mobile technology and social media become all the more sophisticated, consumer craves a retail experience that offers value across a host of mediums and devices. Retail big data gives brands the power to harness insights extracted from these various devices and mediums to create campaigns, initiatives and offers that create a buying journey that works seamlessly both in a digital and physical sense. And as retailers that adopt omni-channel strategies earn 91% greater year-over-year customer retention rates compared to companies that don’t, this is an area that you can’t afford to ignore.
In summary, by using big data analytics to your advantage, you will be able to understand the wants, needs and desires of your customer base, understand demand, predict priceless market trends, make smarter pricing decisions and create valuable cross-channel shopping experiences. In turn, these efforts will boost your brand awareness, customer loyalty and conversion rates exponentially.
Now you understand how you can use big data to gain an all-important competitive edge, let’s look at some big data in retail examples.
Your Chance: Want to test a modern retail analytics software?Use our 14-days free trial & get a taste of the power of big data!
Какие данные собирать и зачем их анализировать?
Ритейлеры первыми задались вопросом, как собирать и использовать большие данные, чтобы увеличить прибыль от продаж. В торговой индустрии, как розничной, так и онлайн-продажах, действительно существует огромное количество данных, которые можно использовать для получения бизнес-инсайтов. Ведь индустрия насчитывает тысячи торговых учреждений, обслуживает миллионы клиентов и обрабатывает еще больше транзакций ежедневно.
Ритейлеры получают данные из разных каналов, включая маркетинговые исследования, данные об активности покупателей, продажах, остатках на складах, и из других источников. Так какие же именно данные собирать в ритейле? На этот вопрос нет однозначного ответа: это и геоданные, и поведение покупателей, и исторические данные о продажах, а также иная информация, которая можно проанализировать. Какие данные анализировать, зависит от специфики ритейлера, его потребностей и возможностей.
Большие данные и их анализ позволяет найти ответы на многие вопросы, связанные с планированием и прогнозированием закупок и продаж. Ниже приведем несколько примеров вопросов, на которые можно найти ответы, проанализировав big data:
Location Based Marketing Strategies With Big Data Insights
Location-Based Marketing Strategies with Big Data Insights
As a retail expert, I’ve witnessed the wonders of location-based marketing strategies with big data insights on sales.
By analyzing customer behavior through mobile devices and social media channels, retailers gain valuable insights about popular products in specific regions.
They also understand customer preferences better by demographic factors such as age, gender, or income level.
Retailers who utilize these powerful tools create personalized offers that resonate strongly with consumers — boosting brand loyalty while increasing foot traffic in stores.
5 Key Points You Need to Know
- Take advantage of vast consumer data available today
- Use geolocation information for targeted campaigns
- Analyze customer behavior via mobile & social media platforms.
- Understand regional product popularity & demographics for personalization opportunities.
- Boost brand loyalty & increase store visits through tailored promotions.
Массивы данных в ритейле
«М.Видео–Эльдорадо»«Максидом»«Магнит»«Поэтому в этом году мы продолжим ряд мероприятий по развитию нашей корпоративной платформы данных и корпоративной модели данных. В рамках работы по прогнозированию спроса под промоакции у нас стартует процесс миграции решения на оборудование новой платформы данных, основанной на технологиях Arenadata Hadoop, Spark и Arenadata DB (Greenplum). В ходе проекта удалось значительно повысить точность промо прогноза, и мы рассчитываем еще улучшить эти результаты после миграции на новую платформу и применения новых математических моделей, которые до текущего моменты мы в полной мере развернуть не могли»
Большие данные на практике
Выявления закономерностей
«Лента»«За этот период мы развивались в двух направлениях — отрабатывали и совершенствовали аналитические модели и улучшали процессы и организацию, чтобы полученные выводы применять в процессах, влияющих на покупательский опыт наших клиентов»«М.Видео-Эльдорадо»«Несколько лет мы анализируем обезличенные данные клиентов, историю покупок, поисковых запросов и использования бонусных баллов, брошенные корзины и отклики на различные маркетинговые рассылки. Затем сегментируем всю базу клиентов и выделяем тех, кто готов совершить покупку, определяем наиболее эффективный способ привести их на сайт или в магазин, стараемся понять, какие категории и бренды прежде всего интересны покупателям»«М.Видео-Эльдорадо»«Лента»«В течение прошлого года мы еженедельно анализировали динамику. Мы видим большой потенциал в этом направлении и продолжим его развивать в ближайшие годы: будем увеличивать базу, доступную для распространения персональных предложений, за счёт запуска новых каналов и улучшать предсказательные модели для более точного формирования предложений»«Большие данные позволяют точнее предсказать, как промо и распродажи сказываются на спросе и реализации товаров, на которых не распространяются специальные предложения. Это позволяет скорректировать заказы для магазинов. Кроме того, большие данные влияют как на покупательский опыт (клиент всегда находит промо-товар на полке), так и на уровень наших издержек за счёт снижения списаний и хранения лишних запасов»«М.Видео-Эльдорадо»«Мы изучаем характеристики населения, трафик, расположение конкурентов, предпочтения жителей конкретного района и другие факторы. Это позволяет спрогнозировать уровень оборота новых магазинов и не открывать убыточных точек. Data-driven подход помогает вдвое снизить ошибки в прогнозах»
Прогнозирование продаж
«Прогнозирование спроса работает для 30 000 позиций в более чем 1000 магазинах розницы “М.Видео” и “Эльдорадо” на еженедельной основе с учётом географического расположения магазина, трафика, сезонности, а также скорости розничных продаж и потенциальных объёмов самовывоза онлайн-заказов»«По результатам пилота на некоторых категориях, автоматизация позволяет повысить точность планирования примерно на четверть. Таким образом, внедрение алгоритмов машинного обучения позволяет существенно оптимизировать не только сам прогноз, но и сопутствующие расходы, к примеру, на использование складских помещений или организацию транспортной логистики»
Доступность товара на полке (On Shelf Availability)
«Магнита»
Определение Big Data, или больших данных
К большим данным относят информацию, чей объем может быть свыше сотни терабайтов и петабайтов. Причем такая информация регулярно обновляется. В качестве примеров можно привести данные, поступающие из контакт-центров, медиа социальных сетей, данные о торгах фондовых бирж и т. п. Также в понятие «большие данные» иногда включают способы и методики их обработки.
Если же говорить о терминологии, то «Big Data» подразумевает не только данные как таковые, но и принципы обработки больших данных, возможность дальнейшего их использования, порядок обнаружения конкретного информационного блока в больших массивах. Вопросы, связанные с такими процессами, не теряют своей актуальности. Их решение носит важный характер для тех систем, которые многие годы генерировали и копили различную информацию.
Определение Big Data, или больших данных
Существуют критерии информации, определенные в 2001 году Meta Group, которые позволяют оценить, соответствуют ли данные понятию Big Data или нет:
- Volume (объем) — примерно 1 Петабайт и выше.
- Velocity (скорость) — генерация, поступление и обработка данных с высокой скоростью.
- Variety (разнообразие)— разнородность данных, различные форматы и возможное отсутствие структурированности.
Только до25 декабря
Пройди опрос иполучи обновленный курс от Geekbrains
Дарим курс по digital-профессиям
и быстрому вхождения в IT-сферу
Чтобы получить подарок, заполните информацию в открывшемся окне
Перейти
Скачать файл
Зачастую к этим параметрам добавляют еще два фактора:
Следует отметить, что такие формулировки весьма условны, т. к. четкого и единого определения не существует. Есть даже мнение о необходимости отказа от термина «Big Data», т. к. происходит подмена понятий и Big Data часто путают с другими продуктами.
Quick Summary
- Big data helps retailers personalize shopping experiences: Retailers use data to understand customer preferences and tailor their offerings to individual shoppers.
- Data analysis can predict trends and optimize inventory: Retailers can use data to forecast demand and adjust inventory levels accordingly, reducing waste and increasing profits.
- Big data can improve supply chain efficiency: Retailers can use data to track inventory levels, optimize shipping routes, and reduce delivery times.
- Data can help retailers identify and prevent fraud: Retailers can use data to detect fraudulent transactions and prevent losses.
- Big data can improve customer service: Retailers can use data to track customer interactions and identify areas for improvement, leading to better customer experiences.
Анализ больших данных для выявления трендов и прогнозирования будущих изменений
Для начала анализа больших данных необходимо собрать и хранить все доступные данные, включая информацию о клиентах, продуктах, рынке и конкурентах. Современные технологии позволяют бизнесам собирать данные из разных источников, таких как социальные сети, веб-сайты, мобильные приложения и т.д. Кроме того, с помощью специальных инструментов можно проводить анализ больших данных в реальном времени, что позволяет оперативно реагировать на изменения на рынке и принимать соответствующие меры.
После сбора данных необходимо провести анализ, чтобы выявить тренды и узнать, какие факторы оказывают наибольшее влияние на бизнес-процессы. Для этого можно использовать различные методы статистического анализа, машинного обучения и искусственного интеллекта. Например, можно применить методы кластеризации для выделения групп схожих объектов, регрессионный анализ для оценки влияния факторов на результаты или алгоритмы прогнозирования для предсказания будущих изменений.
Одним из преимуществ анализа больших данных является возможность создания точных прогнозов на основе исторических данных. Большие данные предоставляют компаниям информацию о прошлых трендах и позволяют прогнозировать будущие изменения с большой точностью. Например, розничные сети могут анализировать информацию о покупках клиентов и прогнозировать спрос на определенные товары в будущем. Это позволяет оптимизировать запасы, улучшить обслуживание клиентов и увеличить прибыль компании.
Важно отметить, что анализ больших данных требует использования специализированных инструментов и компетентных специалистов. Для обработки и анализа больших данных используются различные программы и языки программирования, такие как Hadoop, Python, R и др
Кроме того, бизнесу необходимо иметь специалистов, которые смогут интерпретировать результаты анализа и принять необходимые решения.
Какие данные мы собирали
- данные об открытии писем и переходов по ссылкам из используемых сервисов типа Mailchimp и Dotmailer;
- данные о последующей активности на сайте, включая просмотр конкретных карточек товаров и страниц товарных категорий, данные о совершении покупки после рассылки.
Эти данные доступны для большинства компаний, включая молодых. Наиболее ценные данные о клиентах и аудитории можно найти в CRM, маркетинговых инструментах, а также сервисах интернет-аналитики, платформах по управлению контентом.
Мы также отслеживали активность повторных посещений постоянных клиентов, собирая данные по просмотрам товаров до совершения покупки.
Например, привычка просматривать письма по утрам или поздно вечером, время совершения покупок — так, отправка письма утром или вечером может оказаться решающей для совершения покупки.
Кроме этого, профиль клиента формируют:
- данные о времени нахождения на сайте до совершения покупки;
- содержание корзины — конкретные товары и категории товаров, которые приобретал клиент;
- частоту покупок, откликов на SMS-рассылку, откликов на email-рассылку — открывает ли потребитель письмо, игнорирует ли или совершает переход и покупает.
Мы отслеживаем, какие продукты вызывают интерес, какова реакция на скидки, а также данные о новых просмотрах каких-либо категорий товаров на сайте и других триггеров, говорящих о намерении совершить покупку.
Учитывая все эти сведения, мы обеспечиваем максимально персонализированный подход и выбираем наиболее оптимальные каналы для коммуникаций, время, частоту, товар или группу товаров для рекомендации по правильной цене.
Мы своевременно реагируем на появляющиеся сигналы о намерениях клиента.
Что мешает дальнейшему развитию
Технические проблемы, связанные с использованием решений Big Data, в течение последних лет удалось полностью устранить. Задачи, для решения которых недостаточно текущего набора технологий, встречаются крайне редко. Тем не менее, есть несколько факторов, замедляющих развитие big data.
Часто бизнес-процессы в компании недостаточно отлажены для применения новых технологий. Разные отделы компаний создают аналитические хранилища для своих нужд, данные в этих хранилищах оказываются рассогласованными и в результате, когда появляется необходимость решать более масштабные аналитические задачи, интеграция данных из разных источников оказывается сильно затруднена — требуется переход на общий стек технологий и кропотливая совместная работа аналитиков. Таких ситуаций можно избежать, если изначально ответственно подходить к хранению данных — стремиться к централизации, так называемой «единой версии правды».
Психологической преградой к внедрению Big Data до сих пор является мнимая дороговизна таких решений. При словах большие данные в голове возникает картинка дата-центра со стройными рядами серверов астрономической стоимости. На самом деле, сейчас существует большое количество платформ, предоставляющих виртуальные вычислительные ресурсы. Самые масштабные из них — такие как Amazon Web Services и Microsoft Azure — берут на себя практически все управление кластерами клиентов.
С точки зрения разработки ПО для Big Data ситуация также очень изменилась за последние три года. Многие open source проекты перешли из стадии тестирования в стабильные релизные версии, технологии виртуализации и контейнеризации позволяют разворачивать приложения любой сложности на кластерах любых конфигураций. На рынке появляется все больше специалистов, готовых работать с этими технологиями.
Раздел 1
Одним из способов применения Big Data является анализ данных о клиентах. Сбор и анализ больших объемов данных позволяют получить полное представление о поведении клиентов, их предпочтениях и потребностях. На основе этих данных можно разработать более эффективные маркетинговые стратегии, персонализированные предложения и улучшить качество обслуживания.
Другим способом применения Big Data является оптимизация производственных процессов. Собирая и анализируя данные об участках производства, можно выявить недостатки и узкие места, оптимизировать расходы и повысить эффективность производственной цепочки. Это позволяет снизить издержки, сократить время производства и улучшить качество продукции.
| Преимущества применения Big Data в бизнесе: |
|---|
| 1. Более точные прогнозы и аналитика. |
| 2. Улучшенное понимание потребностей клиентов. |
| 3. Повышение оперативности принятия решений. |
| 4. Оптимизация бизнес-процессов. |
| 5. Повышение конкурентоспособности. |
Применение Big Data может быть сложным процессом, требующим квалифицированных специалистов и системы аналитики данных. Однако, он может стать мощным инструментом для улучшения результативности бизнес-процессов и достижения успеха на рынке.
3 главных принципа работы с большими данными
Ключевыми положениями для работы с большими данными являются:
Горизонтальная адаптивность
Количество данных неограниченyо, поэтому обрабатывающая их система должна иметь способность к расширению: при возрастании объемов данных должно пропорционально увеличиваться количество оборудования для поддержания работоспособности всей системы.
Стабильность в работе при отказах
Горизонтальная адаптивность предполагает наличие большого числа машин в компьютерном узле. К примеру, кластер Hadoop насчитывает более 40 000 машин. Само собой, что периодически оборудование, изнашиваясь, будет подвержено поломкам. Системы обработки больших данных должны функционировать таким образом, чтобы безболезненно переживать возможные сбои.
Дарим скидку от 60% на обучение «Аналитик больших данных» до 14 января
Уже через 9 месяцев сможете устроиться на работу с доходом от 150 000 рублей
Забронировать скидку
Концентрация данных
В масштабных системах данные распределяются по большому количеству оборудования. Допустим, что местоположение данных — один сервер, а их обработка происходит на другом сервере. В этом случае затраты на передачу информации с одного сервера на другой могут превышать затраты на сам процесс обработки. Соответственно, чтобы этого избежать необходимо концентрировать данные на той же аппаратуре, на которой происходит обработка.
Концентрация данных
В настоящее время все системы, работающие с Big Data, соблюдают эти три положения. А чтобы их соблюдать, нужно разрабатывать соответствующие методики и технологии.
Важные личные качества
Big Data Analyst работает с огромными массивами информации, что накладывает отпечаток на его характер. Чтобы справляться с обязанностями, аналитику больших данных надо:
быть дисциплинированным, усидчивым, терпеливым и методичным;
уметь долго концентрировать внимание;
быть способным работать в режиме многозадачности;
обладать развитым техническим и аналитическим мышлением;
уметь работать в команде.
Кроме того, аналитик больших данных должен быть достаточно прагматичным, уверенным в своих силах, ведь от его умения делать выводы на основании полученной информации во многом зависит успех бизнеса и принятие стратегически важных решений.
Шаг 4. Создание таблицы в наборе данных BigQuery
Быстрее остальных
История использования Big Data одним из крупнейших американских ритейлеров Target теперь считается канонической. В 2012 году в компании нашли способ рассказывать молодым матерям про товары для малышей задолго до того, как это сделают конкуренты.
Обычно маркетологи просто мониторили архив, в который вносились данные о новорожденных. А в Target решили, что товары для детей можно предлагать будущим мамам еще до того, как малыш появится на свет. Такую задачу можно было бы решить при помощи, например, баннерной рекламы, учитывающей запросы пользователей. Но в компании не стали доверять тому, что искали в сети клиенты и поступили иначе — обработали огромное количество собственных данных о поле, возрасте и покупках, совершенных за определенный период времени. В итоге в Target научились вычислять будущих мам по набору продуктов, которые с наибольшей вероятностью берут именно беременные женщины и еще целому ряду показателей. Так компания получила конкурентное преимущество по сравнению с остальными ритейлерами.
Определение Big Data, или больших данных
К большим данным относят информацию, чей объем может быть свыше сотни терабайтов и петабайтов. Причем такая информация регулярно обновляется. В качестве примеров можно привести данные, поступающие из контакт-центров, медиа социальных сетей, данные о торгах фондовых бирж и т. п. Также в понятие «большие данные» иногда включают способы и методики их обработки.
Если же говорить о терминологии, то «Big Data» подразумевает не только данные как таковые, но и принципы обработки больших данных, возможность дальнейшего их использования, порядок обнаружения конкретного информационного блока в больших массивах. Вопросы, связанные с такими процессами, не теряют своей актуальности. Их решение носит важный характер для тех систем, которые многие годы генерировали и копили различную информацию.
Определение Big Data, или больших данных
Существуют критерии информации, определенные в 2001 году Meta Group, которые позволяют оценить, соответствуют ли данные понятию Big Data или нет:
- Volume (объем) — примерно 1 Петабайт и выше.
- Velocity (скорость) — генерация, поступление и обработка данных с высокой скоростью.
- Variety (разнообразие)— разнородность данных, различные форматы и возможное отсутствие структурированности.
Узнай, какие ИТ — профессии входят в ТОП-30 с доходом от 210 000 ₽/мес
Павел Симонов
Исполнительный директор Geekbrains
Команда GeekBrains совместно с международными специалистами по развитию карьеры
подготовили материалы, которые помогут вам начать путь к профессии мечты.
Подборка содержит только самые востребованные и высокооплачиваемые специальности и направления в
IT-сфере. 86% наших учеников с помощью данных материалов определились с карьерной целью на ближайшее
будущее!
Скачивайте и используйте уже сегодня:
Павел Симонов
Исполнительный директор Geekbrains
Топ-30 самых востребованных и высокооплачиваемых профессий 2023
Поможет разобраться в актуальной ситуации на рынке труда
Подборка 50+ бесплатных нейросетей для упрощения работы и увеличения заработка
Только проверенные нейросети с доступом из России и свободным использованием
ТОП-100 площадок для поиска работы от GeekBrains
Список проверенных ресурсов реальных вакансий с доходом от 210 000 ₽
Получить подборку бесплатно
pdf 3,7mb
doc 1,7mb
Уже скачали 25519
Зачастую к этим параметрам добавляют еще два фактора:
Следует отметить, что такие формулировки весьма условны, т. к. четкого и единого определения не существует. Есть даже мнение о необходимости отказа от термина «Big Data», т. к. происходит подмена понятий и Big Data часто путают с другими продуктами.
Improving Overall Business Performance By Harnessing The Power Of Big Data
Improving Retail Business Performance with Big Data
As a retail store owner, my ultimate goal is to improve overall business performance.
Big data has become an invaluable tool for achieving this objective by providing valuable insights into customer behavior and preferences.
By analyzing purchasing patterns, retailers can make informed decisions that positively impact their bottom line.
Personalization: A Key Benefit of Big Data
One of the key benefits of using big data in improving business performance lies in personalization.
Retailers have access to vast amounts of information about customers such as purchase history, demographics, social media interactions, etc., which enables them to deliver personalized experiences tailored towards each shopper’s unique interests and needs.
This means I can create targeted promotions based on specific groups’ interests rather than relying on generic marketing campaigns.
Other Ways Big Data Improves Business Performance
In addition to personalization, there are other ways big data improves overall business performance:
- Accurate inventory management through demand prediction
- Improved supply chain efficiency
- Enhanced fraud detection capabilities
Moreover, we could also use real-time analytics tools powered by AI/ML models trained over historical transactional records along with external factors like weather forecasts & holidays schedules -to predict future demands more accurately while considering various parameters affecting it; thus enabling better decision-making regarding procurement planning activities.
Ассортимент
У каждой крупной розничной сети всегда ведётся такая статистика:
- что покупают в магазинах чаще всего;
- как продажи разных товаров зависят от площади магазина;
- как покупатели ходят внутри магазина;
- какие продукты нужно ставить рядом с другими продуктами, чтобы они лучше продавались;
- как зависит ассортимент от проходимости за день.
Всё это собирается по каждому магазину, заносится в единую большую базу. На выходе дата-сайентисты получают картину необходимого ассортимента для нужной площади. Анализ больших данных выдаст нам именно те товары, которые будут продаваться в нашем магазине лучше всего.
Big data в бизнесе
Для оптимизации расходов внедрил Big data и «Магнитогорский металлургический комбинат», который является крупным мировым производителем стали. В конце прошлого года они внедрили сервис под названием «Снайпер», который оптимизирует расход ферросплавов и других материалов при производстве. Сервис обрабатывает данные и выдаёт рекомендации для того, чтобы сэкономить деньги на производстве стали.
Большие данные и будущее — одна из самых острых тем для обсуждения, ведь в основе коммерческой деятельности лежит информация. Идея заключается в том, чтобы «скормить» компьютеру большой объем данных и заставить его отыскивать типовые алгоритмы, которые не способен увидеть человек, или принимать решения на основе процента вероятности в том масштабе, с которым прекрасно справляется человек, но который до сих пор не был доступен для машин, или, возможно, однажды — в таком масштабе, с которым человек не справится никогда.
Продажа дополнительных услуг
Рост происходит за счет:
-
Продажи новых услуг потенциально интересных вашим текущим и будущим клиентам.
-
Допродажи уже существующих услуг. Клиент обратился за определенным товаром/услугой, и вы предлагаете и обосновываете приобретение дополнительных товаров или комплекса услуг.
Нюансы:
Рассеивается фокус внимания специалистов: помимо продажи основных услуг прибавляется нагрузка в виде дополнительных.
Возникают сложности на этапе продажи, так как необходимо:
-
грамотно донести до клиента необходимость покупки, так как потребность в ней еще не сформирована;
-
не потерять доверие — никто не любит, когда ему что-то навязывают.
Сбор NPS — обратная связь от клиентов
Увеличение продаж происходит за счет повышения качества сервиса и самого продукта. Вы анализируете процесс производства/оказания услуг и совершенствуете его.
Здесь у вас 2 источника данных:
-
обратная связь от клиентов.
-
внутренний анализ процессов, в том числе аудит звонков и работ, выполненных для клиентов.
Нюансы:
-
Необходимо формализовать сбор обратной связи — утвердить критерии, определить вопросы для оценки по каждой категории товаров/услуг или для каждого клиента.
Клиенты не всегда готовы давать обратную связь и участвовать в совершенствовании ваших бизнес-процессов.
Важно внимательно работать с данными и не допускать ошибок при переносе в CRM. Иначе вы не сможете оценить результаты и использовать эту информацию.
Сотрудники могут быть против такого нововведения и будут бойкотировать процесс сбора NPS.. Пример таблицы с результатами опроса клиентов Completo
Пример таблицы с результатами опроса клиентов Completo
Откуда берутся данные и в чем их преимущества?
К ключевым источникам больших данных относят:
- информацию из Интернета: социальных сетей, блогов, СМИ, форумов, сайтов;
- показания различных устройств: IoT-датчиков, аудио- и видеорегистраторов, умных гаджетов, смартфонов, сотовой связи и т. д.;
- корпоративные сведения: архивы, внутренние сведения предприятий и организаций и др.
Благодаря аналитике больших данных (Big Data Analytics), можно быстро и качественно интерпретировать разную информацию, находить закономерности и составлять прогнозы. Например, с помощью Big Data определяют, в какой части города существует потребность в определенных товарах или услугах, какая продукция заинтересует потенциальных покупателей, предсказывают всплески заболеваний и даже места, где вероятнее всего произойдут преступления. Чем больше сведений удастся изучить, тем точнее будет конечный результат.
Например, метеорологи берут данные о погоде за последние 100 лет и анализируют их. В результате они выявляют закономерности, в какой период года/месяца наступает потепление, похолодание или начинается сезон осадков. На основе этих сведений они могут спрогнозировать погоду на ближайший период.
