Big data w e-commerce – 9 przykładów zastosowań.

Big Data rozwija się stopniowo od lat 90, kiedy to powstały pierwsze próby i koncepcje analizy dużych zbiorów danych. Dopiero po 2010 roku technologia doścignęła pomysły naukowców i zaczęła być wykorzystywana w wielu dziedzinach naszego życia, w tym w handlu online. Ostatnie 8 lat to stały napływ technologii, narzędzi, platform i pomysłów, jak wykorzystać Big Data w handlu. Najwięcej zyskali innowatorzy, jak np. Amazon, który wprowadził system rekomendacji produktów odpowiedzialny obecnie za 30% wszystkich zakupów w platformie. Pierwszym najlepszym momentem był więc początek dekady, drugi jest teraz. Przeczytaj, jak można wykorzystać Big Data w e-Commerce.

Czym jest Big Data?

Big Data ciężko jednoznacznie zdefiniować. Są to zadania wykonywane na dużych zbiorach danych. Nie ma jednak jednej technologii, którą się wykorzystuje. Nie ma też definicji ile danych to “dużo danych”.

Dosyć obrazowym sposobem przedstawiającym czym zajmuje się Big Data, jest obserwowanie grupy ludzi. Załóżmy, że patrzymy na kilkudziesięcioosobową grupę, Możemy rozpoznać ich twarze, zobaczyć ich interakcje, możemy też policzyć ile z nich to kobiety, a ile mężczyźni. Big Data przypomina z kolei obserwowanie tłumu na festiwalu muzycznym z odległości. Nie rozpoznamy swoich znajomych, nie wiemy również o czym rozmawiają poszczególne jednostki. Możemy jednak obserwować ogólne zachowania grupy, np, że część osób ustawia się w kolejce po coś do picia.  Możemy też zobaczyć, że potworzyły się podgrupy, a nawet jesteśmy w stanie zdefiniować kierunek poruszania się tych grup. To właśnie przypomina analizę Big Data.

W 2001 roku pojęcie to zostało zdefiniowane jako operowanie na zbiorach danych, które mają duże:

 

1.     Volume, czyli ilość danych,

2.     Velocity, czyli zmienność danych,

3.     Variety, czyli różnorodność danych;

Później zostało dodane jeszcze jedno pojęcie, tym samym tworząc model 4V:

1.     Value, dotyczące tego, czy dane są wartościowe;

 

Podsumowując, Big Data to wszystkie operacje na dużych, zmieniających się, wartościowych danych, pochodzących z różnych źródeł i przetwarzanych jako jeden zbiór. Celem tych operacji jest zaś odkrycie nowych korelacji, obserwacji i wspieranie decyzji biznesowych.

Aktualnie są to działania zarezerwowane głównie, aczkolwiek nie wyłącznie, dla największych firm w e-commerce. W dalszej części artykułu, zamieściliśmy linki do kilku narzędzi dla mniejszych biznesów ). Jeżeli chodzi o badanie firm z tzw. Fortune 100 (czyli 100 największych firm na świecie), to w 2017 roku, aż 26,8% z nich deklarowało, że inwestują min. 50 milionów dolarów w rozwój tej technologii.

Big Data w e-commerce– badanie korelacji

Warto wspomnieć o tym, że Big Data w e-commerce opiera się z reguły na badaniu korelacji, a nie przyczynowości. Jest to dosyć ważna różnica, bo pierwsze mówi nam o tym, że wśród osób, które palą papierosy, występuje częściej rak płuca, a dopiero drugie pozwala potwierdzić, że przyczyną raka płuca jest palenie.

Korelacja może, ale nie musi wskazywać nam na wartościową relację. Na stronie http://www.tylervigen.com/spurious-correlations, zostały zebrane różne korelacje, które ewidentnie nie mają cech przyczynowości. Przykładem może być np. liczba osób, która się utopiła w basenie vs liczba filmów, w których wystąpił Nicolas Cage. To doskonale pokazuje, że samo badanie korelacji to za mało. Zakładając jednak pewne ograniczenia, można uzyskać wartościowe wyniki.

Big Data a płatności

Pierwszym przykładem są płatności. Big Data jest wykorzystywane m.in. przez Asseco. Nasuwa się pytanie – po co? Dzięki dostępowi do:

1.     Ogromnych baz danych wszystkich transakcji (Volume),

2.     Dziejących się setki tysięcy razy każdego dnia (Velocity),

3.     Dzięki zebraniu danych z różnorodnych źródeł – m.in.: informacjach o podmiotach i relacjach między nimi, transakcjach, produktach, wnioskach kredytowych oraz czarnych / białych listach (Variety);

Otrzymujemy niesamowitą szansę wygenerowania pewnych wniosków, które nie byłyby dostępne bez Big Data. Tym samym firmy zajmujące się płatnościami online, takie jak Visa czy PayPal, mogą w czasie rzeczywistym blokować transakcje, które “system” uważa za niebezpieczne. Big Data w e-commerce jest w tym wypadku strażnikiem. Analizując zachowania i powiązania, może zatrzymać przestępstwa finansowe.

Big Data a logistyka

Innym przykładem, który pokazuje niesamowity potencjał Big Data, jest logistyka. Od 2003 roku UPS wprowadzało system ORION (On-Road Integration Optimization and Navigation), który wskazuje kierowcom najlepszą drogę do dostarczenia ich przesyłek ( a jest ich ok. 100 dziennie). Moglibyśmy pomyśleć, że przecież wystarczyłoby wyposażyć kierowców w GPS. Zadanie jest jednak znacznie bardziej skomplikowane. System bierze pod uwagę nie tylko najbliższą paczkę, ale wszystkie, które są zaplanowane w ramach trasy. Ponadto projektuje też trasę w ten sposób, żeby było jak najmniej skrętów w lewo (ze względu na konieczność przepuszczenia innych jest to znacznie mniej efektywne). Wyniki? W 2016 roku pozwoliło to zaoszczędzić ok. 38 milionów litrów paliwa, czyli ok. 300–400 milionów dolarów . Działania te okazały się zatem niezwykle skuteczne. (Pełny artykuł na ten temat do przeczytania tutaj).

Zarządzanie zasobami

Posiadając własny magazyn, na pewno spotkaliśmy się z sytuacją , że jakiś produkt nieprzewidzianie skończył się i musieliśmy go wyłączyć z oferty. Prawdopodobnie potrafimy również wskazać produkty zalegające na półkach od miesięcy, których sprzedaż nie spełnia naszych oczekiwań. W przypadku Amazona musimy je przemnożyć przez 1000, albo przez 398 milionów produktów (!) Wszyscy przyznamy, że ciężko jest zapanować nad takim magazynem ręcznie.

Amazon analizuje więc poprzez Big Data historyczne dane zakupowe, święta, festiwale, itd. Wylicza, ile danego produktu powinno być na stanie w każdym możliwym momencie. Pozwala to zapewnić wysoką dostępność produktów (czyli polepszyć Customer Experience). Dodatkowo znacząco ogranicza koszty związane z magazynowaniem produktów, nie mówiąc już o zmniejszeniu liczby przypadkowo uszkodzonych sztuk.

Analiza trendów

Decyzja, by wyprodukować kilkaset tysięcy nowych produktów zawsze jest ryzykowna. Produkt może się nie sprzedać, a my zostaniemy z ogromnym deficytem w budżecie. Z tego powodu właściciele biznesów zwrócili się w stronę Big Data. Dzięki analizowaniu internetu, social-media, profili użytkowników, hashtagów, popularnych słów kluczowych itd. są w stanie wykryć nadchodzące trendy. Dzięki temu znacząco zmniejszone jest ryzyko biznesowe. Co ciekawe, niektóre algorytmy są na tyle inteligentne, że potrafią np. rozpoznać, iż dana aktorka założyła na czerwonym dywanie dany model ubioru. To z kolei spowoduje wzrost zainteresowania tym typem produktu. Tutaj płynnie przechodzimy do kolejnego punktu, bo na bazie tych informacji, jesteśmy w stanie wyeksponować w naszym sklepie podobne produkty, tym samym zwiększając sprzedaż.

Personalizacja

Ponownie dzięki zbieraniu gigantycznych zasobów danych np. z naszej przeglądarki, profilu na Facebooku, zapisanych ciasteczek, kodów remarketingowych, wcześniej przeglądanych stron, etc. – właściciele sklepów internetowych są w stanie dostosować ofertę do swoich Klientów. Pokazać im inne bannery czy wskazać wybrane produkty.

Personalizacja idzie tutaj o krok dalej – np. firma Nordstrom zbiera dane z wielu źródeł, m.in. strony internetowej, social media, zamówień Klienta, kart lojalnościowych, etc. Na bazie tych danych definiuje, jaki jest ulubiony kanał komunikacji Klienta. Następnie cała komunikacja jest do niego kierowana tym właśnie kanałem. Jeśli Klient lubi rozmawiać na messengerze, to właśnie tam otrzyma najnowszą ofertę. Woli kontakt mailowy? Oferta pojawi się na mailu.

Ocena zadowolenia Klienta oraz opuszczone koszyki

Wykorzystanie tych samych zbiorów danych, połączonych czasami z dodatkowymi źródłami, takimi jak monitoring sklepu czy komentarze w internecie, pozwala też na ocenę satysfakcji Klienta (sentiment analysis) oraz ocenę prawdopodobieństwa zakupów przez danego Klienta.

Inteligentne systemy potrafią też znacząco pomóc w kwestii opuszczonych koszyków. Może to być m.in. poprzez dobór odpowiednich zniżek, dobór produktów rekomendowanych, ale też dobór kanału komunikacji. Przykładowo: Klient X był już bliski zakupu, więc wystarczy mu przypomnieć, a Klientowi Y zaproponować zniżkę, ponieważ nie był jeszcze na tyle zaangażowany. Jeżeli dany Klient nie ma stałego kontaktu z e-mailem, to system może wysłać mu wiadomość za pomocą smsa, albo poprzez chat.

Wyliczanie cen

Powoli docieramy do elementów , których nigdy nie byłby w stanie zrobić człowiek. Mechanizmy Big Data potrafią bowiem dostosować cenę/zniżkę w produkcie w czasie rzeczywistym. Może się ona zmieniać w zależności od:

1.     chwilowej popularności produktu,

2.     ceny podobnych produktów u konkurencji,

3.     narzutu,

4.     ogólnego poziomu zadowolenia użytkownika,

5.     jego historii zakupowej,

6.     jego podatności na zniżki,

7.     jego komentarzy na social-media,

8.     jego przywiązania do marki, etc.

Wyobraźmy sobie system, który „żonglując” cenami, potrafi zapewnić wzrost sprzedaży na poziomie kilkunastu-kilkudziesięciu procent. Prawda, że jest to niezwykle kuszące? Co więcej, inteligentne systemy potrafią nawet stwierdzić, że dany produkt sam z siebie się nie sprzeda, ale w opakowaniu zbiorczym już tak. Tworzenie takich zestawów i manipulowanie ceną może mieć znaczący wpływ na sprzedaż. Jak bardzo znaczący? W przypadku Walmartu – 10–15% wzrost sprzedaży, zapewniający ok. miliard dolarów dodatkowego zysku.

Rekomendacje produktowe

Najbardziej tradycyjnym zastosowaniem Big Data w e-commerce jest generowanie rekomendacji produktowych. Biorąc pod uwagę historię zakupów użytkownika, system jest w stanie zaproponować mu produkty, które:

• z największą dozą prawdopodobieństwa doda do koszyka, 
• przynoszą sklepowi największy zysk.

Jednym z systemów, które w Polsce zajmują się takimi rzeczami na podstawie sztucznej inteligencji i Big Data jest Quarticon.

Inne zastosowania Big Data w e – commerce

W aktualnej sytuacji technologia Big Data stała się na tyle budżetowa (oczywiście dalej mówimy o dosyć dużych nakładach finansowych), że z reguły tylko wybrane firmy mogą sobie pozwolić na jej zastosowanie. Obecnie jest to jednak wyścig kreatywny, na zasadzie – “może zastosowalibyśmy Big Data do wyliczania X, nie robi tego jeszcze nikt inny, więc pozwoli nam to osiągnąć przewagę konkurencyjną”.

Przedstawiamy więc kilka dodatkowych zastosowań Big Data w e-commerce:

1.     Przewidywanie zasobów serwera – na bazie danych historycznych, wydarzeń, świąt i trendów systemy są w stanie wyliczyć zapotrzebowanie na infrastrukturę serwerową i ją odpowiednio skalować w czasie prawie rzeczywistym.

2.     Przewidywanie zwrotów – istnieją systemy (np. http://easysize.me/), które w momencie dodania produktu do koszyka są w stanie oszacować, jakie jest ryzyko jego zwrotu. Np. na bazie zamówień historycznych, są w stanie określić, że dany produkt często był wymieniany ze względu na rozmiar. W tym momencie, w czasie rzeczywistym informuje o tym zespół obsługi Klienta, który może zareagować, np. kontaktując się z daną osobą i rekomendując jej zmianę rozmiaru. Co więcej, system wykrywa też osoby, które mają wysokie prawdopodobieństwo zakupienia produktu i oddania go po 2 tygodniach. Wg. firmy system pozwala obniżyć liczbę zwrotów o 15–25% (warto wspomnieć, że jeszcze 3 lata temu firma podawała inne wartości: 35–40%).

3.     Systemy Big Data pozwalają też na prowadzenie działań marketing automation. Wyobraźmy sobie system, który badając zachowania wszystkich Klientów, określa, że dla produktów kupowanych cyklicznie, następuje to średnio po miesiącu i na dwa dni przed tym terminem. Następnie automatycznie wysyła informację do Klienta – tym samym upewniając się, że zakup zostanie zrobiony w danej firmie , a nie u konkurencji.

 

Dziękujemy za przeczytanie artykułu – prosimy o podzielenie się swoimi przemyśleniami lub przytoczenie innych przykładów wykorzystania Big Data w e-commerce, które nie zostały wymienione. W przypadku sklepów z dużym ruchem i dużą liczbą zamówień warto zastanowić się nad wykorzystaniem Big Data. Pamiętajmy, że pierwszym najlepszym momentem na to był początek dekady, drugi najlepszy moment jest teraz.

Big Data rozwija się stopniowo od lat 90, kiedy to powstały pierwsze próby i koncepcje analizy dużych zbiorów danych. Dopiero po 2010 roku technologia doścignęła pomysły naukowców i zaczęła być wykorzystywana w wielu dziedzinach naszego życia, w tym w handlu online. Ostatnie 8 lat to stały napływ technologii, narzędzi, platform i pomysłów, jak wykorzystać Big Data w handlu. Najwięcej zyskali innowatorzy, jak np. Amazon, który wprowadził system rekomendacji produktów odpowiedzialny obecnie za 30% wszystkich zakupów w platformie. Pierwszym najlepszym momentem był więc początek dekady, drugi jest teraz. Przeczytaj, jak można wykorzystać Big Data w e-Commerce.

Czym jest Big Data?

Big Data ciężko jednoznacznie zdefiniować. Są to zadania wykonywane na dużych zbiorach danych. Nie ma jednak jednej technologii, którą się wykorzystuje. Nie ma też definicji ile danych to “dużo danych”.

Dosyć obrazowym sposobem przedstawiającym czym zajmuje się Big Data, jest obserwowanie grupy ludzi. Załóżmy, że patrzymy na kilkudziesięcioosobową grupę, Możemy rozpoznać ich twarze, zobaczyć ich interakcje, możemy też policzyć ile z nich to kobiety, a ile mężczyźni. Big Data przypomina z kolei obserwowanie tłumu na festiwalu muzycznym z odległości. Nie rozpoznamy swoich znajomych, nie wiemy również o czym rozmawiają poszczególne jednostki. Możemy jednak obserwować ogólne zachowania grupy, np, że część osób ustawia się w kolejce po coś do picia.  Możemy też zobaczyć, że potworzyły się podgrupy, a nawet jesteśmy w stanie zdefiniować kierunek poruszania się tych grup. To właśnie przypomina analizę Big Data.

W 2001 roku pojęcie to zostało zdefiniowane jako operowanie na zbiorach danych, które mają duże:

1.     Volume, czyli ilość danych,

2.     Velocity, czyli zmienność danych,

3.     Variety, czyli różnorodność danych;

Później zostało dodane jeszcze jedno pojęcie, tym samym tworząc model 4V:

1.     Value, dotyczące tego, czy dane są wartościowe;

Podsumowując, Big Data to wszystkie operacje na dużych, zmieniających się, wartościowych danych, pochodzących z różnych źródeł i przetwarzanych jako jeden zbiór. Celem tych operacji jest zaś odkrycie nowych korelacji, obserwacji i wspieranie decyzji biznesowych.

Aktualnie są to działania zarezerwowane głównie, aczkolwiek nie wyłącznie, dla największych firm w e-commerce. W dalszej części artykułu, zamieściliśmy linki do kilku narzędzi dla mniejszych biznesów ). Jeżeli chodzi o badanie firm z tzw. Fortune 100 (czyli 100 największych firm na świecie), to w 2017 roku, aż 26,8% z nich deklarowało, że inwestują min. 50 milionów dolarów w rozwój tej technologii.

Big Data w e-commerce– badanie korelacji

Warto wspomnieć o tym, że Big Data w e-commerce opiera się z reguły na badaniu korelacji, a nie przyczynowości. Jest to dosyć ważna różnica, bo pierwsze mówi nam o tym, że wśród osób, które palą papierosy, występuje częściej rak płuca, a dopiero drugie pozwala potwierdzić, że przyczyną raka płuca jest palenie.

Korelacja może, ale nie musi wskazywać nam na wartościową relację. Na stronie http://www.tylervigen.com/spurious-correlations, zostały zebrane różne korelacje, które ewidentnie nie mają cech przyczynowości. Przykładem może być np. liczba osób, która się utopiła w basenie vs liczba filmów, w których wystąpił Nicolas Cage. To doskonale pokazuje, że samo badanie korelacji to za mało. Zakładając jednak pewne ograniczenia, można uzyskać wartościowe wyniki.

Big Data a płatności

Pierwszym przykładem są płatności. Big Data jest wykorzystywane m.in. przez Asseco. Nasuwa się pytanie – po co? Dzięki dostępowi do:

1.     Ogromnych baz danych wszystkich transakcji (Volume),

2.     Dziejących się setki tysięcy razy każdego dnia (Velocity),

3.     Dzięki zebraniu danych z różnorodnych źródeł – m.in.: informacjach o podmiotach i relacjach między nimi, transakcjach, produktach, wnioskach kredytowych oraz czarnych / białych listach (Variety);

Otrzymujemy niesamowitą szansę wygenerowania pewnych wniosków, które nie byłyby dostępne bez Big Data. Tym samym firmy zajmujące się płatnościami online, takie jak Visa czy PayPal, mogą w czasie rzeczywistym blokować transakcje, które “system” uważa za niebezpieczne. Big Data w e-commerce jest w tym wypadku strażnikiem. Analizując zachowania i powiązania, może zatrzymać przestępstwa finansowe.

Big Data a logistyka

Innym przykładem, który pokazuje niesamowity potencjał Big Data, jest logistyka. Od 2003 roku UPS wprowadzało system ORION (On-Road Integration Optimization and Navigation), który wskazuje kierowcom najlepszą drogę do dostarczenia ich przesyłek ( a jest ich ok. 100 dziennie). Moglibyśmy pomyśleć, że przecież wystarczyłoby wyposażyć kierowców w GPS. Zadanie jest jednak znacznie bardziej skomplikowane. System bierze pod uwagę nie tylko najbliższą paczkę, ale wszystkie, które są zaplanowane w ramach trasy. Ponadto projektuje też trasę w ten sposób, żeby było jak najmniej skrętów w lewo (ze względu na konieczność przepuszczenia innych jest to znacznie mniej efektywne). Wyniki? W 2016 roku pozwoliło to zaoszczędzić ok. 38 milionów litrów paliwa, czyli ok. 300–400 milionów dolarów . Działania te okazały się zatem niezwykle skuteczne. (Pełny artykuł na ten temat do przeczytania tutaj).

Zarządzanie zasobami

Posiadając własny magazyn, na pewno spotkaliśmy się z sytuacją , że jakiś produkt nieprzewidzianie skończył się i musieliśmy go wyłączyć z oferty. Prawdopodobnie potrafimy również wskazać produkty zalegające na półkach od miesięcy, których sprzedaż nie spełnia naszych oczekiwań. W przypadku Amazona musimy je przemnożyć przez 1000, albo przez 398 milionów produktów (!) Wszyscy przyznamy, że ciężko jest zapanować nad takim magazynem ręcznie.

Amazon analizuje więc poprzez Big Data historyczne dane zakupowe, święta, festiwale, itd. Wylicza, ile danego produktu powinno być na stanie w każdym możliwym momencie. Pozwala to zapewnić wysoką dostępność produktów (czyli polepszyć Customer Experience). Dodatkowo znacząco ogranicza koszty związane z magazynowaniem produktów, nie mówiąc już o zmniejszeniu liczby przypadkowo uszkodzonych sztuk.

Analiza trendów

Decyzja, by wyprodukować kilkaset tysięcy nowych produktów zawsze jest ryzykowna. Produkt może się nie sprzedać, a my zostaniemy z ogromnym deficytem w budżecie. Z tego powodu właściciele biznesów zwrócili się w stronę Big Data. Dzięki analizowaniu internetu, social-media, profili użytkowników, hashtagów, popularnych słów kluczowych itd. są w stanie wykryć nadchodzące trendy. Dzięki temu znacząco zmniejszone jest ryzyko biznesowe. Co ciekawe, niektóre algorytmy są na tyle inteligentne, że potrafią np. rozpoznać, iż dana aktorka założyła na czerwonym dywanie dany model ubioru. To z kolei spowoduje wzrost zainteresowania tym typem produktu. Tutaj płynnie przechodzimy do kolejnego punktu, bo na bazie tych informacji, jesteśmy w stanie wyeksponować w naszym sklepie podobne produkty, tym samym zwiększając sprzedaż.

Personalizacja

Ponownie dzięki zbieraniu gigantycznych zasobów danych np. z naszej przeglądarki, profilu na Facebooku, zapisanych ciasteczek, kodów remarketingowych, wcześniej przeglądanych stron, etc. – właściciele sklepów internetowych są w stanie dostosować ofertę do swoich Klientów. Pokazać im inne bannery czy wskazać wybrane produkty.

Personalizacja idzie tutaj o krok dalej – np. firma Nordstrom zbiera dane z wielu źródeł, m.in. strony internetowej, social media, zamówień Klienta, kart lojalnościowych, etc. Na bazie tych danych definiuje, jaki jest ulubiony kanał komunikacji Klienta. Następnie cała komunikacja jest do niego kierowana tym właśnie kanałem. Jeśli Klient lubi rozmawiać na messengerze, to właśnie tam otrzyma najnowszą ofertę. Woli kontakt mailowy? Oferta pojawi się na mailu.

Ocena zadowolenia Klienta oraz opuszczone koszyki

Wykorzystanie tych samych zbiorów danych, połączonych czasami z dodatkowymi źródłami, takimi jak monitoring sklepu czy komentarze w internecie, pozwala też na ocenę satysfakcji Klienta (sentiment analysis) oraz ocenę prawdopodobieństwa zakupów przez danego Klienta.

Inteligentne systemy potrafią też znacząco pomóc w kwestii opuszczonych koszyków. Może to być m.in. poprzez dobór odpowiednich zniżek, dobór produktów rekomendowanych, ale też dobór kanału komunikacji. Przykładowo: Klient X był już bliski zakupu, więc wystarczy mu przypomnieć, a Klientowi Y zaproponować zniżkę, ponieważ nie był jeszcze na tyle zaangażowany. Jeżeli dany Klient nie ma stałego kontaktu z e-mailem, to system może wysłać mu wiadomość za pomocą smsa, albo poprzez chat.

Wyliczanie cen

Powoli docieramy do elementów , których nigdy nie byłby w stanie zrobić człowiek. Mechanizmy Big Data potrafią bowiem dostosować cenę/zniżkę w produkcie w czasie rzeczywistym. Może się ona zmieniać w zależności od:

1.     chwilowej popularności produktu,

2.     ceny podobnych produktów u konkurencji,

3.     narzutu,

4.     ogólnego poziomu zadowolenia użytkownika,

5.     jego historii zakupowej,

6.     jego podatności na zniżki,

7.     jego komentarzy na social-media,

8.     jego przywiązania do marki, etc.

Wyobraźmy sobie system, który „żonglując” cenami, potrafi zapewnić wzrost sprzedaży na poziomie kilkunastu-kilkudziesięciu procent. Prawda, że jest to niezwykle kuszące? Co więcej, inteligentne systemy potrafią nawet stwierdzić, że dany produkt sam z siebie się nie sprzeda, ale w opakowaniu zbiorczym już tak. Tworzenie takich zestawów i manipulowanie ceną może mieć znaczący wpływ na sprzedaż. Jak bardzo znaczący? W przypadku Walmartu – 10–15% wzrost sprzedaży, zapewniający ok. miliard dolarów dodatkowego zysku.

Rekomendacje produktowe

Najbardziej tradycyjnym zastosowaniem Big Data w e-commerce jest generowanie rekomendacji produktowych. Biorąc pod uwagę historię zakupów użytkownika, system jest w stanie zaproponować mu produkty, które:

• z największą dozą prawdopodobieństwa doda do koszyka, 
• przynoszą sklepowi największy zysk.

Jednym z systemów, które w Polsce zajmują się takimi rzeczami na podstawie sztucznej inteligencji i Big Data jest Quarticon.

Inne zastosowania Big Data w e – commerce

W aktualnej sytuacji technologia Big Data stała się na tyle budżetowa (oczywiście dalej mówimy o dosyć dużych nakładach finansowych), że z reguły tylko wybrane firmy mogą sobie pozwolić na jej zastosowanie. Obecnie jest to jednak wyścig kreatywny, na zasadzie – “może zastosowalibyśmy Big Data do wyliczania X, nie robi tego jeszcze nikt inny, więc pozwoli nam to osiągnąć przewagę konkurencyjną”.

Przedstawiamy więc kilka dodatkowych zastosowań Big Data w e-commerce:

1.     Przewidywanie zasobów serwera – na bazie danych historycznych, wydarzeń, świąt i trendów systemy są w stanie wyliczyć zapotrzebowanie na infrastrukturę serwerową i ją odpowiednio skalować w czasie prawie rzeczywistym.

2.     Przewidywanie zwrotów – istnieją systemy (np. http://easysize.me/), które w momencie dodania produktu do koszyka są w stanie oszacować, jakie jest ryzyko jego zwrotu. Np. na bazie zamówień historycznych, są w stanie określić, że dany produkt często był wymieniany ze względu na rozmiar. W tym momencie, w czasie rzeczywistym informuje o tym zespół obsługi Klienta, który może zareagować, np. kontaktując się z daną osobą i rekomendując jej zmianę rozmiaru. Co więcej, system wykrywa też osoby, które mają wysokie prawdopodobieństwo zakupienia produktu i oddania go po 2 tygodniach. Wg. firmy system pozwala obniżyć liczbę zwrotów o 15–25% (warto wspomnieć, że jeszcze 3 lata temu firma podawała inne wartości: 35–40%).

3.     Systemy Big Data pozwalają też na prowadzenie działań marketing automation. Wyobraźmy sobie system, który badając zachowania wszystkich Klientów, określa, że dla produktów kupowanych cyklicznie, następuje to średnio po miesiącu i na dwa dni przed tym terminem. Następnie automatycznie wysyła informację do Klienta – tym samym upewniając się, że zakup zostanie zrobiony w danej firmie , a nie u konkurencji.

Dziękujemy za przeczytanie artykułu – prosimy o podzielenie się swoimi przemyśleniami lub przytoczenie innych przykładów wykorzystania Big Data w e-commerce, które nie zostały wymienione. W przypadku sklepów z dużym ruchem i dużą liczbą zamówień warto zastanowić się nad wykorzystaniem Big Data. Pamiętajmy, że pierwszym najlepszym momentem na to był początek dekady, drugi najlepszy moment jest teraz.