Инновационные решения Walmart на основе больших данных: часть 2

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.

Инновационные решения Walmart на основе больших данных: часть 2

Содержание:

Аналитика социальных медиа

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.

Аналитика мобильных данных

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.

Тележки Walmart

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.

Прогнозирование продаж

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:

  • Информация о 45 магазинах с указанием типа и размера каждого.
  • Исторические данные о продажах с 2010 по 2012 год.
  • Дополнительная информация о каждом магазине, включая среднюю температуру в регионе, стоимость топлива, уровень безработицы, индекс потребительских цен и данные о рекламных акциях.

Этот подход не только помог компании улучшить свои модели прогнозирования, но и позволил найти талантливых специалистов с нестандартным опытом и навыками.

Как это работает?

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.

Борьба с нехваткой специалистов

Walmart, как и многие другие компании, сталкивается с нехваткой квалифицированных специалистов по работе с большими данными. Для решения этой проблемы компания предприняла ряд шагов:

  • Программа ротации аналитиков. Каждый новый сотрудник аналитического отдела Walmart Labs проходит через различные подразделения компании, чтобы понять, как аналитика Big Data используется в разных сферах бизнеса.
  • Кампания по набору персонала. Walmart использовал хэштег #lovedata в своей рекрутинговой кампании, чтобы привлечь внимание растущего сообщества специалистов по науке о данных.
  • Конкурсы Kaggle. Walmart проводит соревнования на платформе Kaggle, предоставляя участникам реальные наборы данных и бизнес-задачи. Это помогает компании находить талантливых аналитиков, которые могли бы не пройти стандартный процесс отбора по резюме.

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.

3838
22
8 комментариев

Не очень поняла, а как работают такие тележки качества?

Ответить

Казалось бы, какой сейчас бум на IT-специалистов и аналитиков данных, а квалифицированных кадров все равно не хватает даже Волмарту

Ответить

Они совершают на 4 поездки в магазин больше и тратят на 77% больше, чем обычные покупатели.

А есть какое-то объяснение, почему так происходит?

Ответить

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.

Забавно будет, если женщина просто часто намекала кому-то, что любит соленые блюда)

Ответить

Интересно, сколько времени уходит у программы Social Genome, на анализ всех данных из соцсетей? И как часто такой анализ проводится?

Ответить

Это помогает компании находить талантливых аналитиков, которые могли бы не пройти стандартный процесс отбора по резюме.Интересная история кстати для привлечения кандидатов. И особенно в айти, чтобы обойти эйчаров, которые не всегда могут адекватно оценить айтишника

Ответить

Они совершают на 4 поездки в магазин больше и тратят на 77% больше, чем обычные покупатели.А как поняли, что это разные люди? Вдруг это один и тот же. И как тогда объяснить что с мобилки они тратят больше

Ответить