Как анализ больших данных помог Walmart увеличить объем продаж: часть 1
Мы в Platforma внимательно следим за новостями и тенденциями в мире больших данных. И недавно нам попалась интересная статья о том, как гигант розничной торговли Walmart использует аналитику больших данных для улучшения потребительского опыта и повышения своей операционной эффективности. Как специалисты в области работы с Big Data, мы решили поделиться с вами этим материалом и адаптировали его для вас.
По оценкам аналитической компании Global Customer Insights, каждую неделю в социальных сетях появляется около 300 тысяч упоминаний Walmart. А штат сотрудников компании насчитывает 2 миллиона человек, причем ежегодно на работу принимается около полумиллиона новых сотрудников.
Каждый час Walmart собирает 2,5 петабайта неструктурированных данных об 1 миллионе покупателей. Для сравнения: один петабайт эквивалентен 20 миллионам картотечных шкафов или одному квадриллиону байт текста. То есть объем данных, которые Walmart получает каждый час, можно сравнить со 167 книгами, хранящимися в Библиотеке Конгресса США.
Интересно, что Walmart начал использовать аналитику больших данных задолго до того, как термин Big Data стал популярным. В 2012 году компания перешла на 250-узловой кластер Hadoop для объединения данных с 10 веб-сайтов. С тех пор Walmart постоянно совершенствует анализ больших данных, стремясь предоставить лучшие в своем классе ecom-технологии и обеспечить превосходное качество обслуживания клиентов.
Основные цели использования Big Data в Walmart — улучшать и персонализировать клиентский путь в магазине через веб-сайт Walmart или мобильные устройства, а также повышать эффективность логистики. Для этого применяются технологии Hadoop и NOSQL, предоставляющие доступ к данным в реальном времени. Эти данные собираются из разных источников и централизуются для более продуктивного использования. Компания также приобрела стартап Inkiru в 2013 году для улучшения таргетинга, мерчандайзинга и предотвращения мошенничества.
Как Walmart использует большие данные
Экосистема, созданная для работы с большими данными в Walmart, ежедневно обрабатывает по несколько терабайт новых и петабайт исторических данных. Анализ охватывает миллионы продуктов и сотни миллионов клиентов из разных источников.
Применение аналитики Big Data привело к изменению стратегии электронной коммерции и увеличению онлайн-продаж Walmart на 10-15%. Это позволило получить дополнительный доход в размере 1 миллиарда долларов.
Рассмотрим некоторые приложения для работы с данными Hadoop в Walmart:
Приложение eReceipts предоставляет покупателям электронные чеки покупок, что очень удобно для ведения учета расходов и возвратов товаров.
Картографическое приложение Walmart использует Hadoop для хранения обновленных версий карт 1000 магазинов Walmart по всему миру. Эти карты настолько детальны, что на них указано точное местонахождение даже небольшого бруска мыла в огромном магазине Walmart.
Также с 2014-го по 2019 год можно было воспользоваться программой Savings Catcher. Она позволяла клиентам сканировать чеки через мобильное приложение, автоматически сравнивая цены с конкурентами. При обнаружении более низкой цены Walmart выдавал электронную подарочную карту, чтобы компенсировать разницу.
Программа гарантировала лучшую цену, тем самым повышая лояльность клиентов и стимулируя их на покупки. За время работы было выдано более $300 млн в виде компенсаций. В итоге программу закрыли, так как Walmart посчитал, что достиг стабильно низких цен по сравнению с конкурентами, и необходимость в постоянном сравнении отпала.
В России похожую программу предлагают в М.Видео — их «Гарантия лучшей цены» также направлена на повышение лояльности клиентов и обеспечение конкурентоспособных цен. Она работает следующим образом: если клиент находит товар дешевле у конкурента, М.Видео снижает цену прямо на кассе или компенсирует разницу при онлайн-покупке. Если же в течение 14 дней после покупки цена в М.Видео снижается, компания возвращает разницу. Компенсация выдается в виде бонусных рублей, которые можно использовать для будущих покупок в М.Видео.
Mupd8 — приложение для обновления карт
Перед Walmart стояла сложная задача: создать приложение, способное в реальном времени анализировать твиты из тысяч географических точек, где расположены их магазины. Для этого требовалась универсальная платформа, которая могла бы обрабатывать огромные потоки информации в режиме реального времени, оставаясь при этом гибкой и масштабируемой.
Ответом стала разработка Mupd8 for Fast Data. Эта платформа позволяет создавать приложения, которые могут эффективно обрабатывать потоковые данные, уделяя особое внимание качеству генерируемой информации.
Ключевое преимущество Mupd8 заключается в том, что она значительно упрощает процесс разработки. Платформа использует фреймворк Map Update, который позволяет разработчикам создавать приложения, комбинируя настраиваемые операторы map и update. Благодаря этому подходу разработчики могут сосредоточиться на бизнес-логике приложения, не беспокоясь о технических аспектах управления нагрузкой и распределения данных между процессорными ядрами — этими задачами автоматически управляет Mupd8.
Например, с помощью Mupd8 можно написать приложение, которое будет подписываться на каждый тред в Twitter. Такое приложение может анализировать твиты, чтобы определять наиболее влиятельных пользователей или выявлять внезапные заметные события по мере их возникновения.
Как Walmart отслеживает интересы покупателей
Walmart уделяет большое внимание индивидуальному подходу к каждому потребителю. У компании есть исчерпывающие данные о почти 145 миллионах американцев. Команда по работе с большими данными в Walmart Labs анализирует буквально каждое действие клиентов на Walmart.com. Это информация о том, что они покупают, где живут, как влияют на покупки локальные события, погода, тренды из социальных сетей и многое другое.
Walmart активно использует анализ больших данных для обнаружения закономерностей в данных. Этот анализ помогает Walmart находить интересные паттерны, которые затем используются для предоставления рекомендаций пользователям. Например, система предлагает товары на основе того, какие продукты часто покупаются вместе или какие товары обычно приобретаются перед покупкой определенного продукта. Благодаря эффективному анализу данных Walmart удалось повысить коэффициент конверсии покупателей.
Один из самых известных примеров — это обнаружение интересной закономерности с помощью методики обучения ассоциативным правилам. Оказалось, что продажи клубничных поп-тартов перед ураганами увеличиваются в 7 раз. Используя эту информацию, компания стала размещать клубничные поп-тарты на кассах, если синоптики прогнозируют бурю.
Другое интересное приложение — Shopycat, которое рекомендует подарки друзьям на основе социальных данных, полученных из их профилей в Facebook. Оно также предоставляет удобные ссылки на товары Walmart, чтобы пользователи могли легко и без проблем приобрести выбранный подарок.
Методика обучения ассоциативным правилам не нова. Например, еще в 1992 году аналитики Osco Drug обнаружили, что между 17:00 и 19:00 часами пиво и подгузники чаще всего покупают вместе.
Ритейл активно использует аналитику собственных данных о покупках по сей день. Так, в Самокат.Tech изучают комплементарные товары — продукты, которые обычно приобретаются вместе и приносят больше пользы в сочетании, чем по отдельности. В корзинах покупателей часто встречаются такие комбинации как огурцы и помидоры, кофе и круассан, хлеб и масло, авокадо и лосось. В то же время комплементарность товаров не постоянна. На нее влияют различные факторы, включая географию, время суток, сезонность, разнообразие ассортимента и другие. Например, по утрам энергетические напитки чаще покупают вместе с творогом, а по вечерам — с сосисками.
Внедрение аналитики комплементарных товаров в Самокат.Tech принесло ощутимые результаты. Время, которое категорийные менеджеры тратят на подбор и обновление ассортимента, сократилось на 3%.
Как Walmart добивается реальных результатов в увеличении продаж
- Запуск новых продуктов. Walmart активно использует данные социальных сетей, чтобы узнавать о модных продуктах и оперативно поставлять их в свои магазины. Например, проанализировав данные соцсетей, компания выяснила, что пользователи с нетерпением ждут пирожные «кейк-попсы», и быстро добавила их в ассортимент.
- Улучшенная предиктивная аналитика. Используя предиктивную аналитику, Walmart увеличил минимальную сумму онлайн-заказа с 45 до 50 долларов для получения права на бесплатную доставку. Также компания добавила несколько новых продуктов для улучшения покупательского опыта. Кроме того, с помощью предиктивной аналитики Walmart может прогнозировать спрос в определенные часы и определять, сколько сотрудников потребуется на конкретных кассах.
Индивидуальные рекомендации. Подобно тому, как Google отслеживает персонализированную рекламу, алгоритмы больших данных Walmart анализируют покупки по кредитным картам и предоставляют персональные рекомендации каждому клиенту на основе истории его покупок.
Персонализированные товарные рекомендации активно используются и на российском рынке. Этот метод эффективен, так как покупатель видит предложения, учитывающие его интересы и прошлые покупки. Это, в свою очередь, позволяет увеличить продажи и средний чек. Похожим образом работает метод «look-alike», который использует данные о схожей аудитории для подбора рекомендаций.
Интересный пример использования предиктивной аналитики показал «Магнит». Компания начала совместное прогнозирование с одним из поставщиков. Объединение моделей ритейлера и поставщика — логичный шаг, так как обе стороны зависят друг от друга. Им полезно иметь общий прогноз поставок, учитывающий возможности производителя и потребности магазина. В «Магните» отметили, что это улучшило точность прогнозов, наличие товаров на полках и уровень сервиса.
Интересно, что Walmart и сейчас не останавливается на достигнутом и продолжает использовать инновации в своем подходе. В 2021 году компания протестировала ПО Pactum AI для автоматизации переговоров с поставщиками в Канаде. Программа помогла автоматизировать обсуждение скидок, условий оплаты и цен. Она использует данные о прошлых переговорах, конкурентах и рынке. Результаты превзошли ожидания: более 60% поставщиков достигли соглашений с Walmart, хотя ожидалось только 20%.
«Walmart был и продолжает оставаться на острие прогресса. Компания начала работу в направлении Big Data еще в начале 2010-х. Они шли по новому пути, где еще не было общепринятых отраслевых решений, и искали подходящие для себя методологии и источники данных.
Сейчас ситуация изменилась: Big Data и Machine Learning находятся на своеобразном «плато продуктивности», когда технология уже обкатана множеством компаний. Теперь же главное — применить лучшие практики для повышения продаж и эффективности именно в своей компании. Например, управление операционной деятельностью может увеличить выручку до 3%, а управление ассортиментом и дистрибуцией — до 2%.
Искусственный интеллект действительно может обрабатывать огромные объемы данных из разных источников, искать в них инсайты и закономерности, применять алгоритмы машинного обучения для прогнозирования будущих периодов и моделирования различных сценариев. Многие компании ставят его себе на вооружение. Те, что побольше, строят хранилища данных и нанимают специалистов по их обработке. Те, кто поменьше, отдают такие задачи на аутсорс.
Чтобы найти свой путь и развивать дата-дривен культуру, я рекомендую проводить пилотные проекты, оценивать результаты и искать инструменты, подходящие для конкретного бизнеса и отрасли».
Наш продукт Прогноз спроса использует передовые технологии анализа больших данных, подобные тем, что применяет Walmart. Мы работаем с обезличенными данными о покупках, транзакциях и интернет-активности от крупнейших игроков рынка. Это позволяет нам создавать точные прогнозы для стратегического планирования с показателем точности до 95%. С помощью инструментов Прогноза спроса вы сможете лучше узнать своих клиентов, предложить им персонализированные рекомендации, оптимизировать ассортимент, установить конкурентные цены и спрогнозировать продажи будущих периодов.
Оказалось, что продажи клубничных поп-тартов перед ураганами увеличиваются в 7 раз.
Интересно, что у нас покупают перед ураганами))
А еще камеры на кассах анализируют настроение клиента в момент совершения покупки. Много таких уловок, которые используют куча ритейлеров
ждут пирожные «кейк-попсы», и быстро добавила их в ассортименттоже захотелось)
Персональные рекомендации товаров на мой взгляд до сих пор работают странно — я купила, допустим, телек, зачем мне предлагают еще один телек, но побольше?))
Другое интересное приложение — Shopycat, которое рекомендует подарки друзьям на основе социальных данных, полученных из их профилей в Facebook
Вот это крутая идея! У меня так часть вишлиста уже бы была собрана
Перед Walmart стояла сложная задача: создать приложение, способное в реальном времени анализировать твиты из тысяч географических точек, где расположены их магазины.
А карта твитов потом была составлена?)