Big data w e-commerce – 9 przyk艂ad贸w zastosowa艅.

Big Data rozwija si臋 stopniowo od lat 90, kiedy to powsta艂y pierwsze pr贸by i koncepcje analizy du偶ych zbior贸w danych. Dopiero po 2010 roku technologia do艣cign臋艂a pomys艂y naukowc贸w i zacz臋艂a by膰 wykorzystywana w wielu dziedzinach naszego 偶ycia, w tym w handlu online. Ostatnie 8 lat to sta艂y nap艂yw technologii, narz臋dzi, platform i pomys艂贸w, jak wykorzysta膰 Big Data w handlu. Najwi臋cej zyskali innowatorzy, jak np. Amazon, kt贸ry wprowadzi艂 system rekomendacji produkt贸w odpowiedzialny obecnie za 30% wszystkich zakup贸w w platformie. Pierwszym najlepszym momentem by艂 wi臋c pocz膮tek dekady, drugi jest teraz. Przeczytaj, jak mo偶na wykorzysta膰 Big Data w e-Commerce.

Czym jest Big Data?

Big Data ci臋偶ko jednoznacznie zdefiniowa膰. S膮 to zadania wykonywane na du偶ych zbiorach danych. Nie ma jednak jednej technologii, kt贸r膮 si臋 wykorzystuje. Nie ma te偶 definicji ile danych to 鈥渄u偶o danych鈥.

Dosy膰 obrazowym sposobem przedstawiaj膮cym czym zajmuje si臋 Big Data, jest obserwowanie grupy ludzi. Za艂贸偶my, 偶e patrzymy na kilkudziesi臋cioosobow膮 grup臋, Mo偶emy rozpozna膰 ich twarze, zobaczy膰 ich interakcje, mo偶emy te偶 policzy膰 ile z nich to kobiety, a ile m臋偶czy藕ni. Big Data przypomina z kolei obserwowanie t艂umu na festiwalu muzycznym z odleg艂o艣ci. Nie rozpoznamy swoich znajomych, nie wiemy r贸wnie偶 o czym rozmawiaj膮 poszczeg贸lne jednostki. Mo偶emy jednak obserwowa膰 og贸lne zachowania grupy, np, 偶e cz臋艣膰 os贸b ustawia si臋 w kolejce po co艣 do picia.  Mo偶emy te偶 zobaczy膰, 偶e potworzy艂y si臋 podgrupy, a nawet jeste艣my w stanie zdefiniowa膰 kierunek poruszania si臋 tych grup. To w艂a艣nie przypomina analiz臋 Big Data.

W 2001 roku poj臋cie to zosta艂o zdefiniowane jako operowanie na zbiorach danych, kt贸re maj膮 du偶e:

 

1.     Volume, czyli ilo艣膰 danych,

2.     Velocity, czyli zmienno艣膰 danych,

3.     Variety, czyli r贸偶norodno艣膰 danych;

P贸藕niej zosta艂o dodane jeszcze jedno poj臋cie, tym samym tworz膮c model 4V:

1.     Value, dotycz膮ce tego, czy dane s膮 warto艣ciowe;

 

Podsumowuj膮c, Big Data to wszystkie operacje na du偶ych, zmieniaj膮cych si臋, warto艣ciowych danych, pochodz膮cych z r贸偶nych 藕r贸de艂 i przetwarzanych jako jeden zbi贸r. Celem tych operacji jest za艣 odkrycie nowych korelacji, obserwacji i wspieranie decyzji biznesowych.

Aktualnie s膮 to dzia艂ania zarezerwowane g艂贸wnie, aczkolwiek nie wy艂膮cznie, dla najwi臋kszych firm w e-commerce. W dalszej cz臋艣ci artyku艂u, zamie艣cili艣my linki do kilku narz臋dzi dla mniejszych biznes贸w ). Je偶eli chodzi o badanie firm z tzw. Fortune 100 (czyli 100 najwi臋kszych firm na 艣wiecie), to w 2017 roku, a偶 26,8% z nich deklarowa艂o, 偶e inwestuj膮 min. 50 milion贸w dolar贸w w rozw贸j tej technologii.

Big Data w e-commerce鈥 badanie korelacji

Warto wspomnie膰 o tym, 偶e Big Data w e-commerce opiera si臋 z regu艂y na badaniu korelacji, a nie przyczynowo艣ci. Jest to dosy膰 wa偶na r贸偶nica, bo pierwsze m贸wi nam o tym, 偶e w艣r贸d os贸b, kt贸re pal膮 papierosy, wyst臋puje cz臋艣ciej rak p艂uca, a dopiero drugie pozwala potwierdzi膰, 偶e przyczyn膮 raka p艂uca jest palenie.

Korelacja mo偶e, ale nie musi wskazywa膰 nam na warto艣ciow膮 relacj臋. Na stronie http://www.tylervigen.com/spurious-correlations, zosta艂y zebrane r贸偶ne korelacje, kt贸re ewidentnie nie maj膮 cech przyczynowo艣ci. Przyk艂adem mo偶e by膰 np. liczba os贸b, kt贸ra si臋 utopi艂a w basenie vs liczba film贸w, w kt贸rych wyst膮pi艂 Nicolas Cage. To doskonale pokazuje, 偶e samo badanie korelacji to za ma艂o. Zak艂adaj膮c jednak pewne ograniczenia, mo偶na uzyska膰 warto艣ciowe wyniki.

Big Data a p艂atno艣ci

Pierwszym przyk艂adem s膮 p艂atno艣ci. Big Data jest wykorzystywane m.in. przez Asseco. Nasuwa si臋 pytanie 鈥 po co? Dzi臋ki dost臋powi do:

1.     Ogromnych baz danych wszystkich transakcji (Volume),

2.     Dziej膮cych si臋 setki tysi臋cy razy ka偶dego dnia (Velocity),

3.     Dzi臋ki zebraniu danych z r贸偶norodnych 藕r贸de艂 鈥 m.in.: informacjach o podmiotach i relacjach mi臋dzy nimi, transakcjach, produktach, wnioskach kredytowych oraz czarnych / bia艂ych listach (Variety);

Otrzymujemy niesamowit膮 szans臋 wygenerowania pewnych wniosk贸w, kt贸re nie by艂yby dost臋pne bez Big Data. Tym samym firmy zajmuj膮ce si臋 p艂atno艣ciami online, takie jak Visa czy PayPal, mog膮 w czasie rzeczywistym blokowa膰 transakcje, kt贸re 鈥渟ystem鈥 uwa偶a za niebezpieczne. Big Data w e-commerce jest w tym wypadku stra偶nikiem. Analizuj膮c zachowania i powi膮zania, mo偶e zatrzyma膰 przest臋pstwa finansowe.

Big Data a logistyka

Innym przyk艂adem, kt贸ry pokazuje niesamowity potencja艂 Big Data, jest logistyka. Od 2003 roku UPS wprowadza艂o system ORION (On-Road Integration Optimization and Navigation), kt贸ry wskazuje kierowcom najlepsz膮 drog臋 do dostarczenia ich przesy艂ek ( a jest ich ok. 100 dziennie). Mogliby艣my pomy艣le膰, 偶e przecie偶 wystarczy艂oby wyposa偶y膰 kierowc贸w w GPS. Zadanie jest jednak znacznie bardziej skomplikowane. System bierze pod uwag臋 nie tylko najbli偶sz膮 paczk臋, ale wszystkie, kt贸re s膮 zaplanowane w ramach trasy. Ponadto projektuje te偶 tras臋 w ten spos贸b, 偶eby by艂o jak najmniej skr臋t贸w w lewo (ze wzgl臋du na konieczno艣膰 przepuszczenia innych jest to znacznie mniej efektywne). Wyniki? W 2016 roku pozwoli艂o to zaoszcz臋dzi膰 ok. 38 milion贸w litr贸w paliwa, czyli ok. 300鈥400 milion贸w dolar贸w . Dzia艂ania te okaza艂y si臋 zatem niezwykle skuteczne. (Pe艂ny artyku艂 na ten temat do przeczytania tutaj).

Zarz膮dzanie zasobami

Posiadaj膮c w艂asny magazyn, na pewno spotkali艣my si臋 z sytuacj膮 , 偶e jaki艣 produkt nieprzewidzianie sko艅czy艂 si臋 i musieli艣my go wy艂膮czy膰 z oferty. Prawdopodobnie potrafimy r贸wnie偶 wskaza膰 produkty zalegaj膮ce na p贸艂kach od miesi臋cy, kt贸rych sprzeda偶 nie spe艂nia naszych oczekiwa艅. W przypadku Amazona musimy je przemno偶y膰 przez 1000, albo przez 398 milion贸w produkt贸w (!) Wszyscy przyznamy, 偶e ci臋偶ko jest zapanowa膰 nad takim magazynem r臋cznie.

Amazon analizuje wi臋c poprzez Big Data historyczne dane zakupowe, 艣wi臋ta, festiwale, itd. Wylicza, ile danego produktu powinno by膰 na stanie w ka偶dym mo偶liwym momencie. Pozwala to zapewni膰 wysok膮 dost臋pno艣膰 produkt贸w (czyli polepszy膰 Customer Experience). Dodatkowo znacz膮co ogranicza koszty zwi膮zane z magazynowaniem produkt贸w, nie m贸wi膮c ju偶 o zmniejszeniu liczby przypadkowo uszkodzonych sztuk.

Analiza trend贸w

Decyzja, by wyprodukowa膰 kilkaset tysi臋cy nowych produkt贸w zawsze jest ryzykowna. Produkt mo偶e si臋 nie sprzeda膰, a my zostaniemy z ogromnym deficytem w bud偶ecie. Z tego powodu w艂a艣ciciele biznes贸w zwr贸cili si臋 w stron臋 Big Data. Dzi臋ki analizowaniu internetu, social-media, profili u偶ytkownik贸w, hashtag贸w, popularnych s艂贸w kluczowych itd. s膮 w stanie wykry膰 nadchodz膮ce trendy. Dzi臋ki temu znacz膮co zmniejszone jest ryzyko biznesowe. Co ciekawe, niekt贸re algorytmy s膮 na tyle inteligentne, 偶e potrafi膮 np. rozpozna膰, i偶 dana aktorka za艂o偶y艂a na czerwonym dywanie dany model ubioru. To z kolei spowoduje wzrost zainteresowania tym typem produktu. Tutaj p艂ynnie przechodzimy do kolejnego punktu, bo na bazie tych informacji, jeste艣my w stanie wyeksponowa膰 w naszym sklepie podobne produkty, tym samym zwi臋kszaj膮c sprzeda偶.

Personalizacja

Ponownie dzi臋ki zbieraniu gigantycznych zasob贸w danych np. z naszej przegl膮darki, profilu na Facebooku, zapisanych ciasteczek, kod贸w remarketingowych, wcze艣niej przegl膮danych stron, etc. 鈥 w艂a艣ciciele sklep贸w internetowych s膮 w stanie dostosowa膰 ofert臋 do swoich Klient贸w. Pokaza膰 im inne bannery czy wskaza膰 wybrane produkty.

Personalizacja idzie tutaj o krok dalej 鈥 np. firma Nordstrom zbiera dane z wielu 藕r贸de艂, m.in. strony internetowej, social media, zam贸wie艅 Klienta, kart lojalno艣ciowych, etc. Na bazie tych danych definiuje, jaki jest ulubiony kana艂 komunikacji Klienta. Nast臋pnie ca艂a komunikacja jest do niego kierowana tym w艂a艣nie kana艂em. Je艣li Klient lubi rozmawia膰 na messengerze, to w艂a艣nie tam otrzyma najnowsz膮 ofert臋. Woli kontakt mailowy? Oferta pojawi si臋 na mailu.

Ocena zadowolenia Klienta oraz opuszczone koszyki

Wykorzystanie tych samych zbior贸w danych, po艂膮czonych czasami z dodatkowymi 藕r贸d艂ami, takimi jak monitoring sklepu czy komentarze w internecie, pozwala te偶 na ocen臋 satysfakcji Klienta (sentiment analysis) oraz ocen臋 prawdopodobie艅stwa zakup贸w przez danego Klienta.

Inteligentne systemy potrafi膮 te偶 znacz膮co pom贸c w kwestii opuszczonych koszyk贸w. Mo偶e to by膰 m.in. poprzez dob贸r odpowiednich zni偶ek, dob贸r produkt贸w rekomendowanych, ale te偶 dob贸r kana艂u komunikacji. Przyk艂adowo: Klient X by艂 ju偶 bliski zakupu, wi臋c wystarczy mu przypomnie膰, a Klientowi Y zaproponowa膰 zni偶k臋, poniewa偶 nie by艂 jeszcze na tyle zaanga偶owany. Je偶eli dany Klient nie ma sta艂ego kontaktu z e-mailem, to system mo偶e wys艂a膰 mu wiadomo艣膰 za pomoc膮 smsa, albo poprzez chat.

Wyliczanie cen

Powoli docieramy do element贸w , kt贸rych nigdy nie by艂by w stanie zrobi膰 cz艂owiek. Mechanizmy Big Data potrafi膮 bowiem dostosowa膰 cen臋/zni偶k臋 w produkcie w czasie rzeczywistym. Mo偶e si臋 ona zmienia膰 w zale偶no艣ci od:

1.     chwilowej popularno艣ci produktu,

2.     ceny podobnych produkt贸w u konkurencji,

3.     narzutu,

4.     og贸lnego poziomu zadowolenia u偶ytkownika,

5.     jego historii zakupowej,

6.     jego podatno艣ci na zni偶ki,

7.     jego komentarzy na social-media,

8.     jego przywi膮zania do marki, etc.

Wyobra藕my sobie system, kt贸ry 鈥炁紀ngluj膮c鈥 cenami, potrafi zapewni膰 wzrost sprzeda偶y na poziomie kilkunastu-kilkudziesi臋ciu procent. Prawda, 偶e jest to niezwykle kusz膮ce? Co wi臋cej, inteligentne systemy potrafi膮 nawet stwierdzi膰, 偶e dany produkt sam z siebie si臋 nie sprzeda, ale w opakowaniu zbiorczym ju偶 tak. Tworzenie takich zestaw贸w i manipulowanie cen膮 mo偶e mie膰 znacz膮cy wp艂yw na sprzeda偶. Jak bardzo znacz膮cy? W przypadku Walmartu10鈥15% wzrost sprzeda偶y, zapewniaj膮cy ok. miliard dolar贸w dodatkowego zysku.

Rekomendacje produktowe

Najbardziej tradycyjnym zastosowaniem Big Data w e-commerce jest generowanie rekomendacji produktowych. Bior膮c pod uwag臋 histori臋 zakup贸w u偶ytkownika, system jest w stanie zaproponowa膰 mu produkty, kt贸re:

Jednym z system贸w, kt贸re w Polsce zajmuj膮 si臋 takimi rzeczami na podstawie sztucznej inteligencji i Big Data jest Quarticon.

Inne zastosowania Big Data w e 鈥 commerce

W aktualnej sytuacji technologia Big Data sta艂a si臋 na tyle bud偶etowa (oczywi艣cie dalej m贸wimy o dosy膰 du偶ych nak艂adach finansowych), 偶e z regu艂y tylko wybrane firmy mog膮 sobie pozwoli膰 na jej zastosowanie. Obecnie jest to jednak wy艣cig kreatywny, na zasadzie 鈥 “mo偶e zastosowaliby艣my Big Data do wyliczania X, nie robi tego jeszcze nikt inny, wi臋c pozwoli nam to osi膮gn膮膰 przewag臋 konkurencyjn膮”.

Przedstawiamy wi臋c kilka dodatkowych zastosowa艅 Big Data w e-commerce:

1.     Przewidywanie zasob贸w serwera 鈥 na bazie danych historycznych, wydarze艅, 艣wi膮t i trend贸w systemy s膮 w stanie wyliczy膰 zapotrzebowanie na infrastruktur臋 serwerow膮 i j膮 odpowiednio skalowa膰 w czasie prawie rzeczywistym.

2.     Przewidywanie zwrot贸w 鈥 istniej膮 systemy (np. http://easysize.me/), kt贸re w momencie dodania produktu do koszyka s膮 w stanie oszacowa膰, jakie jest ryzyko jego zwrotu. Np. na bazie zam贸wie艅 historycznych, s膮 w stanie okre艣li膰, 偶e dany produkt cz臋sto by艂 wymieniany ze wzgl臋du na rozmiar. W tym momencie, w czasie rzeczywistym informuje o tym zesp贸艂 obs艂ugi Klienta, kt贸ry mo偶e zareagowa膰, np. kontaktuj膮c si臋 z dan膮 osob膮 i rekomenduj膮c jej zmian臋 rozmiaru. Co wi臋cej, system wykrywa te偶 osoby, kt贸re maj膮 wysokie prawdopodobie艅stwo zakupienia produktu i oddania go po 2 tygodniach. Wg. firmy system pozwala obni偶y膰 liczb臋 zwrot贸w o 15鈥25% (warto wspomnie膰, 偶e jeszcze 3 lata temu firma podawa艂a inne warto艣ci: 35鈥40%).

3.     Systemy Big Data pozwalaj膮 te偶 na prowadzenie dzia艂a艅 marketing automation. Wyobra藕my sobie system, kt贸ry badaj膮c zachowania wszystkich Klient贸w, okre艣la, 偶e dla produkt贸w kupowanych cyklicznie, nast臋puje to 艣rednio po miesi膮cu i na dwa dni przed tym terminem. Nast臋pnie automatycznie wysy艂a informacj臋 do Klienta 鈥 tym samym upewniaj膮c si臋, 偶e zakup zostanie zrobiony w danej firmie , a nie u konkurencji.

 

Dzi臋kujemy za przeczytanie artyku艂u 鈥 prosimy o podzielenie si臋 swoimi przemy艣leniami lub przytoczenie innych przyk艂ad贸w wykorzystania Big Data w e-commerce, kt贸re nie zosta艂y wymienione. W przypadku sklep贸w z du偶ym ruchem i du偶膮 liczb膮 zam贸wie艅 warto zastanowi膰 si臋 nad wykorzystaniem Big Data. Pami臋tajmy, 偶e pierwszym najlepszym momentem na to by艂 pocz膮tek dekady, drugi najlepszy moment jest teraz.

Big Data rozwija si臋 stopniowo od lat 90, kiedy to powsta艂y pierwsze pr贸by i koncepcje analizy du偶ych zbior贸w danych. Dopiero po 2010 roku technologia do艣cign臋艂a pomys艂y naukowc贸w i zacz臋艂a by膰 wykorzystywana w wielu dziedzinach naszego 偶ycia, w tym w handlu online. Ostatnie 8 lat to sta艂y nap艂yw technologii, narz臋dzi, platform i pomys艂贸w, jak wykorzysta膰 Big Data w handlu. Najwi臋cej zyskali innowatorzy, jak np. Amazon, kt贸ry wprowadzi艂 system rekomendacji produkt贸w odpowiedzialny obecnie za 30% wszystkich zakup贸w w platformie. Pierwszym najlepszym momentem by艂 wi臋c pocz膮tek dekady, drugi jest teraz. Przeczytaj, jak mo偶na wykorzysta膰 Big Data w e-Commerce.

Czym jest Big Data?

Big Data ci臋偶ko jednoznacznie zdefiniowa膰. S膮 to zadania wykonywane na du偶ych zbiorach danych. Nie ma jednak jednej technologii, kt贸r膮 si臋 wykorzystuje. Nie ma te偶 definicji ile danych to 鈥渄u偶o danych鈥.

Dosy膰 obrazowym sposobem przedstawiaj膮cym czym zajmuje si臋 Big Data, jest obserwowanie grupy ludzi. Za艂贸偶my, 偶e patrzymy na kilkudziesi臋cioosobow膮 grup臋, Mo偶emy rozpozna膰 ich twarze, zobaczy膰 ich interakcje, mo偶emy te偶 policzy膰 ile z nich to kobiety, a ile m臋偶czy藕ni. Big Data przypomina z kolei obserwowanie t艂umu na festiwalu muzycznym z odleg艂o艣ci. Nie rozpoznamy swoich znajomych, nie wiemy r贸wnie偶 o czym rozmawiaj膮 poszczeg贸lne jednostki. Mo偶emy jednak obserwowa膰 og贸lne zachowania grupy, np, 偶e cz臋艣膰 os贸b ustawia si臋 w kolejce po co艣 do picia.  Mo偶emy te偶 zobaczy膰, 偶e potworzy艂y si臋 podgrupy, a nawet jeste艣my w stanie zdefiniowa膰 kierunek poruszania si臋 tych grup. To w艂a艣nie przypomina analiz臋 Big Data.

W 2001 roku poj臋cie to zosta艂o zdefiniowane jako operowanie na zbiorach danych, kt贸re maj膮 du偶e:

1.     Volume, czyli ilo艣膰 danych,

2.     Velocity, czyli zmienno艣膰 danych,

3.     Variety, czyli r贸偶norodno艣膰 danych;

P贸藕niej zosta艂o dodane jeszcze jedno poj臋cie, tym samym tworz膮c model 4V:

1.     Value, dotycz膮ce tego, czy dane s膮 warto艣ciowe;

Podsumowuj膮c, Big Data to wszystkie operacje na du偶ych, zmieniaj膮cych si臋, warto艣ciowych danych, pochodz膮cych z r贸偶nych 藕r贸de艂 i przetwarzanych jako jeden zbi贸r. Celem tych operacji jest za艣 odkrycie nowych korelacji, obserwacji i wspieranie decyzji biznesowych.

Aktualnie s膮 to dzia艂ania zarezerwowane g艂贸wnie, aczkolwiek nie wy艂膮cznie, dla najwi臋kszych firm w e-commerce. W dalszej cz臋艣ci artyku艂u, zamie艣cili艣my linki do kilku narz臋dzi dla mniejszych biznes贸w ). Je偶eli chodzi o badanie firm z tzw. Fortune 100 (czyli 100 najwi臋kszych firm na 艣wiecie), to w 2017 roku, a偶 26,8% z nich deklarowa艂o, 偶e inwestuj膮 min. 50 milion贸w dolar贸w w rozw贸j tej technologii.

Big Data w e-commerce鈥 badanie korelacji

Warto wspomnie膰 o tym, 偶e Big Data w e-commerce opiera si臋 z regu艂y na badaniu korelacji, a nie przyczynowo艣ci. Jest to dosy膰 wa偶na r贸偶nica, bo pierwsze m贸wi nam o tym, 偶e w艣r贸d os贸b, kt贸re pal膮 papierosy, wyst臋puje cz臋艣ciej rak p艂uca, a dopiero drugie pozwala potwierdzi膰, 偶e przyczyn膮 raka p艂uca jest palenie.

Korelacja mo偶e, ale nie musi wskazywa膰 nam na warto艣ciow膮 relacj臋. Na stronie http://www.tylervigen.com/spurious-correlations, zosta艂y zebrane r贸偶ne korelacje, kt贸re ewidentnie nie maj膮 cech przyczynowo艣ci. Przyk艂adem mo偶e by膰 np. liczba os贸b, kt贸ra si臋 utopi艂a w basenie vs liczba film贸w, w kt贸rych wyst膮pi艂 Nicolas Cage. To doskonale pokazuje, 偶e samo badanie korelacji to za ma艂o. Zak艂adaj膮c jednak pewne ograniczenia, mo偶na uzyska膰 warto艣ciowe wyniki.

Big Data a p艂atno艣ci

Pierwszym przyk艂adem s膮 p艂atno艣ci. Big Data jest wykorzystywane m.in. przez Asseco. Nasuwa si臋 pytanie 鈥 po co? Dzi臋ki dost臋powi do:

1.     Ogromnych baz danych wszystkich transakcji (Volume),

2.     Dziej膮cych si臋 setki tysi臋cy razy ka偶dego dnia (Velocity),

3.     Dzi臋ki zebraniu danych z r贸偶norodnych 藕r贸de艂 鈥 m.in.: informacjach o podmiotach i relacjach mi臋dzy nimi, transakcjach, produktach, wnioskach kredytowych oraz czarnych / bia艂ych listach (Variety);

Otrzymujemy niesamowit膮 szans臋 wygenerowania pewnych wniosk贸w, kt贸re nie by艂yby dost臋pne bez Big Data. Tym samym firmy zajmuj膮ce si臋 p艂atno艣ciami online, takie jak Visa czy PayPal, mog膮 w czasie rzeczywistym blokowa膰 transakcje, kt贸re 鈥渟ystem鈥 uwa偶a za niebezpieczne. Big Data w e-commerce jest w tym wypadku stra偶nikiem. Analizuj膮c zachowania i powi膮zania, mo偶e zatrzyma膰 przest臋pstwa finansowe.

Big Data a logistyka

Innym przyk艂adem, kt贸ry pokazuje niesamowity potencja艂 Big Data, jest logistyka. Od 2003 roku UPS wprowadza艂o system ORION (On-Road Integration Optimization and Navigation), kt贸ry wskazuje kierowcom najlepsz膮 drog臋 do dostarczenia ich przesy艂ek ( a jest ich ok. 100 dziennie). Mogliby艣my pomy艣le膰, 偶e przecie偶 wystarczy艂oby wyposa偶y膰 kierowc贸w w GPS. Zadanie jest jednak znacznie bardziej skomplikowane. System bierze pod uwag臋 nie tylko najbli偶sz膮 paczk臋, ale wszystkie, kt贸re s膮 zaplanowane w ramach trasy. Ponadto projektuje te偶 tras臋 w ten spos贸b, 偶eby by艂o jak najmniej skr臋t贸w w lewo (ze wzgl臋du na konieczno艣膰 przepuszczenia innych jest to znacznie mniej efektywne). Wyniki? W 2016 roku pozwoli艂o to zaoszcz臋dzi膰 ok. 38 milion贸w litr贸w paliwa, czyli ok. 300鈥400 milion贸w dolar贸w . Dzia艂ania te okaza艂y si臋 zatem niezwykle skuteczne. (Pe艂ny artyku艂 na ten temat do przeczytania tutaj).

Zarz膮dzanie zasobami

Posiadaj膮c w艂asny magazyn, na pewno spotkali艣my si臋 z sytuacj膮 , 偶e jaki艣 produkt nieprzewidzianie sko艅czy艂 si臋 i musieli艣my go wy艂膮czy膰 z oferty. Prawdopodobnie potrafimy r贸wnie偶 wskaza膰 produkty zalegaj膮ce na p贸艂kach od miesi臋cy, kt贸rych sprzeda偶 nie spe艂nia naszych oczekiwa艅. W przypadku Amazona musimy je przemno偶y膰 przez 1000, albo przez 398 milion贸w produkt贸w (!) Wszyscy przyznamy, 偶e ci臋偶ko jest zapanowa膰 nad takim magazynem r臋cznie.

Amazon analizuje wi臋c poprzez Big Data historyczne dane zakupowe, 艣wi臋ta, festiwale, itd. Wylicza, ile danego produktu powinno by膰 na stanie w ka偶dym mo偶liwym momencie. Pozwala to zapewni膰 wysok膮 dost臋pno艣膰 produkt贸w (czyli polepszy膰 Customer Experience). Dodatkowo znacz膮co ogranicza koszty zwi膮zane z magazynowaniem produkt贸w, nie m贸wi膮c ju偶 o zmniejszeniu liczby przypadkowo uszkodzonych sztuk.

Analiza trend贸w

Decyzja, by wyprodukowa膰 kilkaset tysi臋cy nowych produkt贸w zawsze jest ryzykowna. Produkt mo偶e si臋 nie sprzeda膰, a my zostaniemy z ogromnym deficytem w bud偶ecie. Z tego powodu w艂a艣ciciele biznes贸w zwr贸cili si臋 w stron臋 Big Data. Dzi臋ki analizowaniu internetu, social-media, profili u偶ytkownik贸w, hashtag贸w, popularnych s艂贸w kluczowych itd. s膮 w stanie wykry膰 nadchodz膮ce trendy. Dzi臋ki temu znacz膮co zmniejszone jest ryzyko biznesowe. Co ciekawe, niekt贸re algorytmy s膮 na tyle inteligentne, 偶e potrafi膮 np. rozpozna膰, i偶 dana aktorka za艂o偶y艂a na czerwonym dywanie dany model ubioru. To z kolei spowoduje wzrost zainteresowania tym typem produktu. Tutaj p艂ynnie przechodzimy do kolejnego punktu, bo na bazie tych informacji, jeste艣my w stanie wyeksponowa膰 w naszym sklepie podobne produkty, tym samym zwi臋kszaj膮c sprzeda偶.

Personalizacja

Ponownie dzi臋ki zbieraniu gigantycznych zasob贸w danych np. z naszej przegl膮darki, profilu na Facebooku, zapisanych ciasteczek, kod贸w remarketingowych, wcze艣niej przegl膮danych stron, etc. 鈥 w艂a艣ciciele sklep贸w internetowych s膮 w stanie dostosowa膰 ofert臋 do swoich Klient贸w. Pokaza膰 im inne bannery czy wskaza膰 wybrane produkty.

Personalizacja idzie tutaj o krok dalej 鈥 np. firma Nordstrom zbiera dane z wielu 藕r贸de艂, m.in. strony internetowej, social media, zam贸wie艅 Klienta, kart lojalno艣ciowych, etc. Na bazie tych danych definiuje, jaki jest ulubiony kana艂 komunikacji Klienta. Nast臋pnie ca艂a komunikacja jest do niego kierowana tym w艂a艣nie kana艂em. Je艣li Klient lubi rozmawia膰 na messengerze, to w艂a艣nie tam otrzyma najnowsz膮 ofert臋. Woli kontakt mailowy? Oferta pojawi si臋 na mailu.

Ocena zadowolenia Klienta oraz opuszczone koszyki

Wykorzystanie tych samych zbior贸w danych, po艂膮czonych czasami z dodatkowymi 藕r贸d艂ami, takimi jak monitoring sklepu czy komentarze w internecie, pozwala te偶 na ocen臋 satysfakcji Klienta (sentiment analysis) oraz ocen臋 prawdopodobie艅stwa zakup贸w przez danego Klienta.

Inteligentne systemy potrafi膮 te偶 znacz膮co pom贸c w kwestii opuszczonych koszyk贸w. Mo偶e to by膰 m.in. poprzez dob贸r odpowiednich zni偶ek, dob贸r produkt贸w rekomendowanych, ale te偶 dob贸r kana艂u komunikacji. Przyk艂adowo: Klient X by艂 ju偶 bliski zakupu, wi臋c wystarczy mu przypomnie膰, a Klientowi Y zaproponowa膰 zni偶k臋, poniewa偶 nie by艂 jeszcze na tyle zaanga偶owany. Je偶eli dany Klient nie ma sta艂ego kontaktu z e-mailem, to system mo偶e wys艂a膰 mu wiadomo艣膰 za pomoc膮 smsa, albo poprzez chat.

Wyliczanie cen

Powoli docieramy do element贸w , kt贸rych nigdy nie by艂by w stanie zrobi膰 cz艂owiek. Mechanizmy Big Data potrafi膮 bowiem dostosowa膰 cen臋/zni偶k臋 w produkcie w czasie rzeczywistym. Mo偶e si臋 ona zmienia膰 w zale偶no艣ci od:

1.     chwilowej popularno艣ci produktu,

2.     ceny podobnych produkt贸w u konkurencji,

3.     narzutu,

4.     og贸lnego poziomu zadowolenia u偶ytkownika,

5.     jego historii zakupowej,

6.     jego podatno艣ci na zni偶ki,

7.     jego komentarzy na social-media,

8.     jego przywi膮zania do marki, etc.

Wyobra藕my sobie system, kt贸ry 鈥炁紀ngluj膮c鈥 cenami, potrafi zapewni膰 wzrost sprzeda偶y na poziomie kilkunastu-kilkudziesi臋ciu procent. Prawda, 偶e jest to niezwykle kusz膮ce? Co wi臋cej, inteligentne systemy potrafi膮 nawet stwierdzi膰, 偶e dany produkt sam z siebie si臋 nie sprzeda, ale w opakowaniu zbiorczym ju偶 tak. Tworzenie takich zestaw贸w i manipulowanie cen膮 mo偶e mie膰 znacz膮cy wp艂yw na sprzeda偶. Jak bardzo znacz膮cy? W przypadku Walmartu 鈥 10鈥15% wzrost sprzeda偶y, zapewniaj膮cy ok. miliard dolar贸w dodatkowego zysku.

Rekomendacje produktowe

Najbardziej tradycyjnym zastosowaniem Big Data w e-commerce jest generowanie rekomendacji produktowych. Bior膮c pod uwag臋 histori臋 zakup贸w u偶ytkownika, system jest w stanie zaproponowa膰 mu produkty, kt贸re:

Jednym z system贸w, kt贸re w Polsce zajmuj膮 si臋 takimi rzeczami na podstawie sztucznej inteligencji i Big Data jest Quarticon.

Inne zastosowania Big Data w e 鈥 commerce

W aktualnej sytuacji technologia Big Data sta艂a si臋 na tyle bud偶etowa (oczywi艣cie dalej m贸wimy o dosy膰 du偶ych nak艂adach finansowych), 偶e z regu艂y tylko wybrane firmy mog膮 sobie pozwoli膰 na jej zastosowanie. Obecnie jest to jednak wy艣cig kreatywny, na zasadzie 鈥 鈥渕o偶e zastosowaliby艣my Big Data do wyliczania X, nie robi tego jeszcze nikt inny, wi臋c pozwoli nam to osi膮gn膮膰 przewag臋 konkurencyjn膮鈥.

Przedstawiamy wi臋c kilka dodatkowych zastosowa艅 Big Data w e-commerce:

1.     Przewidywanie zasob贸w serwera 鈥 na bazie danych historycznych, wydarze艅, 艣wi膮t i trend贸w systemy s膮 w stanie wyliczy膰 zapotrzebowanie na infrastruktur臋 serwerow膮 i j膮 odpowiednio skalowa膰 w czasie prawie rzeczywistym.

2.     Przewidywanie zwrot贸w 鈥 istniej膮 systemy (np. http://easysize.me/), kt贸re w momencie dodania produktu do koszyka s膮 w stanie oszacowa膰, jakie jest ryzyko jego zwrotu. Np. na bazie zam贸wie艅 historycznych, s膮 w stanie okre艣li膰, 偶e dany produkt cz臋sto by艂 wymieniany ze wzgl臋du na rozmiar. W tym momencie, w czasie rzeczywistym informuje o tym zesp贸艂 obs艂ugi Klienta, kt贸ry mo偶e zareagowa膰, np. kontaktuj膮c si臋 z dan膮 osob膮 i rekomenduj膮c jej zmian臋 rozmiaru. Co wi臋cej, system wykrywa te偶 osoby, kt贸re maj膮 wysokie prawdopodobie艅stwo zakupienia produktu i oddania go po 2 tygodniach. Wg. firmy system pozwala obni偶y膰 liczb臋 zwrot贸w o 15鈥25% (warto wspomnie膰, 偶e jeszcze 3 lata temu firma podawa艂a inne warto艣ci: 35鈥40%).

3.     Systemy Big Data pozwalaj膮 te偶 na prowadzenie dzia艂a艅 marketing automation. Wyobra藕my sobie system, kt贸ry badaj膮c zachowania wszystkich Klient贸w, okre艣la, 偶e dla produkt贸w kupowanych cyklicznie, nast臋puje to 艣rednio po miesi膮cu i na dwa dni przed tym terminem. Nast臋pnie automatycznie wysy艂a informacj臋 do Klienta 鈥 tym samym upewniaj膮c si臋, 偶e zakup zostanie zrobiony w danej firmie , a nie u konkurencji.

Dzi臋kujemy za przeczytanie artyku艂u 鈥 prosimy o podzielenie si臋 swoimi przemy艣leniami lub przytoczenie innych przyk艂ad贸w wykorzystania Big Data w e-commerce, kt贸re nie zosta艂y wymienione. W przypadku sklep贸w z du偶ym ruchem i du偶膮 liczb膮 zam贸wie艅 warto zastanowi膰 si臋 nad wykorzystaniem Big Data. Pami臋tajmy, 偶e pierwszym najlepszym momentem na to by艂 pocz膮tek dekady, drugi najlepszy moment jest teraz.

[x]

Ta strona u偶ywa cookies

Wyra偶am zgod臋 na przetwarzanie moich danych osobowych zawartych w plikach cookies (zar贸wno sesyjnych jak i trwa艂ych) przez Orba sp. z o.o. z siedzib膮 w Warszawie, w celu dostosowania tre艣ci strony internetowej do moich preferencji, optymalizacji korzystania ze stron internetowych, tworzenia anonimowych statystyk, kt贸re umo偶liwiaj膮 zrozumienie sposobu korzystania u偶ytkownika ze stron internetowych.

Akceptuj臋