Cómo combinar big data con la industria minorista y aplicarlo al combate real
Primero, el valor comercial del "big data"
1. Segmentación de grupos de clientes
"Big Data" puede segmentar grupos de clientes y luego tomar acciones únicas para cada grupo. Dirigir el marketing y los servicios a grupos de clientes específicos siempre ha sido el objetivo de los comerciantes. Las enormes cantidades de datos almacenados en la nube y la tecnología de análisis de "big data" permiten segmentar a los consumidores en tiempo real y a un ritmo muy rentable.
2. Simular la realidad
Utilizar "big data" para simular situaciones reales, descubrir nuevas necesidades y mejorar el retorno de la inversión. Hoy en día, cada vez más productos están equipados con sensores y la proliferación de automóviles y teléfonos inteligentes ha provocado una explosión en la cantidad de datos que se pueden recopilar. Las redes sociales como blogs, Twitter, Facebook y Weibo también generan enormes cantidades de datos.
La computación en la nube y las tecnologías de análisis de "grandes datos" permiten a las empresas almacenar y analizar estos datos, así como datos de comportamiento de transacciones, en tiempo real con una alta rentabilidad. Los procesos de transacciones, el uso de productos y el comportamiento humano se pueden digitalizar. La tecnología de "grandes datos" puede integrar estos datos para la extracción de datos, de modo que, en algunos casos, se pueden utilizar simulaciones de modelos para determinar qué programa tiene el mayor retorno de la inversión bajo diferentes variables (como diferentes programas de promoción en diferentes regiones).
3. Mejorar el retorno de la inversión.
Aumentar el intercambio de resultados de "big data" entre departamentos relevantes y mejorar el retorno de la inversión de toda la cadena de gestión y la cadena industrial. Los departamentos con sólidas capacidades de "grandes datos" pueden compartir los resultados de "grandes datos" con departamentos con capacidades débiles de "grandes datos" a través de la computación en la nube, Internet y motores de búsqueda internos, ayudándolos a utilizar "grandes datos" para crear valor comercial.
4. Arrendamiento de espacio de almacenamiento de datos
Tanto las empresas como los particulares tienen necesidades de almacenamiento masivo de información. Sólo almacenando estos datos correctamente se podrá explotar aún más su valor potencial. Específicamente, este modelo de negocio se puede dividir en dos categorías: almacenamiento de archivos personales y usuarios empresariales. Principalmente a través de API fáciles de usar, los usuarios pueden colocar fácilmente varios objetos de datos en la nube y luego cobrarlos según el uso, como agua y electricidad. Actualmente, muchas empresas han lanzado servicios correspondientes, como Amazon, NetEase y Nokia. Los operadores también han lanzado servicios correspondientes, como el servicio Cai Yun de China Mobile.
5. Gestionar las relaciones con los clientes
El propósito de las aplicaciones de gestión de clientes es realizar un análisis y una comprensión en profundidad de los clientes desde diferentes ángulos en función de sus atributos (incluidos los atributos naturales y los atributos de comportamiento). ), para aumentar nuevos clientes, mejorar la lealtad de los clientes, reducir la tasa de abandono de clientes y aumentar el consumo de clientes. Para los clientes pequeños y medianos, un CRM dedicado es obviamente grande y costoso. Muchas pequeñas y medianas empresas utilizan Fetion como su CRM principal. Por ejemplo, agregue clientes antiguos al grupo Fetion, publique anuncios de nuevos productos y avisos de ventas especiales en Moments y complete servicios de preventa y posventa.
6. Recomendaciones personalizadas y precisas
Dentro de los operadores, es muy común recomendar diversos servicios o aplicaciones en función de las preferencias del usuario, como recomendaciones de software de tiendas de aplicaciones, recomendaciones de programas de vídeo IPTV, etc. . Después de algoritmos de análisis inteligentes, como algoritmos de correlación, extracción de resúmenes de texto y análisis de sentimientos, se puede extender a servicios comerciales y utilizar tecnología de extracción de datos para ayudar a los clientes a realizar un marketing preciso. Las ganancias futuras pueden provenir de una parte de la porción de valor agregado del cliente.
Tomemos como ejemplo los "mensajes de texto basura" diarios. No todos los mensajes son "basura" porque los destinatarios no los necesitan y se consideran mensajes basura. Después de analizar los datos de comportamiento del usuario, la información requerida se puede enviar a las personas que la necesitan, convirtiendo los "mensajes de texto basura" en información valiosa. En McDonald's en Japón, los usuarios descargan cupones en sus teléfonos y luego van al restaurante a pagar con la billetera móvil del operador DoCoMo. Los operadores y McDonald's recopilan información de consumo relevante, como qué hamburguesas compran con frecuencia, a qué tiendas van y la frecuencia de consumo, y luego envían cupones con precisión a los usuarios.
7. Búsqueda de datos
La búsqueda de datos no es una aplicación nueva. Con el advenimiento de la era del "big data", la demanda de las personas de búsquedas integrales y en tiempo real es cada vez más fuerte. Necesitamos poder buscar en varias redes sociales, comportamiento de los usuarios y otros datos. Su valor de aplicación comercial radica en vincular el procesamiento de datos en tiempo real con el análisis y la publicidad, es decir, servicios sociales y comerciales de publicidad en tiempo real para publicidad móvil dentro de la aplicación.
La información sobre el comportamiento online de los usuarios que dominan los operadores hace que los datos obtenidos "tengan una dimensión más integral" y tengan más valor comercial. Aplicaciones típicas como “Pangu Search” de China Mobile.
En segundo lugar, la combinación de "big data" y la industria minorista
Muchos minoristas físicos también otorgan gran importancia al uso de datos y hacen varias predicciones sobre los datos acumulados por la empresa y el análisis. Sin embargo, para operaciones de ventas específicas, a menudo existe una lucha entre los ideales y la realidad. No hace mucho, una conocida empresa minorista de ropa en el mercado promocionó su lista de ganancias y también expuso su inventario de casi 654,38 mil millones de yuanes. Muchas empresas minoristas nacionales son conscientes de los beneficios de las aplicaciones de "big data", pero una vez que las integren en sus propias operaciones comerciales, habrá problemas muy grandes que serán incompatibles con las operaciones actuales, lo que hará que muchas empresas sean muy precavido.
1. Combinar la estrategia de retail con la tecnología “big data”.
El mayor valor del "big data" mencionado por las empresas minoristas es combinar la estrategia minorista con la tecnología "big data" para maximizar la estrategia minorista preexistente y garantizar la realización de los planes de ventas. "Big data" presta atención a cuatro "V": en primer lugar, el volumen de datos; en segundo lugar, los diversos tipos de datos, que en su mayoría involucran varios tipos de datos estructurados y no estructurados; en tercer lugar, la baja densidad de valor, correspondiente a un gran volumen, y la rápida actualización de datos; velocidad de procesamiento (Velocity).
Con base en estas características, tomar la iniciativa de dar las respuestas estratégicas correspondientes mientras se generan datos comerciales ganará más tiempo y espacio para los ajustes de la estrategia de mercado de las empresas. Esto es similar a la advertencia de pico de inundación para un río grande. Qué hacer cuando el pico de inundación ocurre en los tramos superiores y qué hacer en los tramos inferiores. Cuando los datos se utilizan a este nivel, tienen un valor comercial directo, que es incomparable con la comparación del volumen de ventas durante el mismo período, mes a mes, y el valor que los planes de ventas pueden guiar el negocio. Por ejemplo, un minorista físico involucrado en negocios en línea a menudo prepara tres conjuntos de estrategias de contingencia para un lote de productos durante el período de promoción de 15 minutos para garantizar que los productos se puedan vender según lo planeado.
En el ámbito del negocio físico, existen muchos casos sobre datos y marketing. Una versión anterior era la relación de datos entre la cerveza y los pañales en Walmart en Estados Unidos. Resulta que las mujeres estadounidenses cuidan a sus hijos en casa, por lo que les piden a sus maridos que les compren pañales en el camino a casa después del trabajo, y sus maridos también les compran su cerveza favorita a sus hijos al mismo tiempo. .
Cuando el analista supo que había una correlación positiva entre las ventas de cerveza y pañales, y después de un análisis más detallado, descubrió tal situación de compra, por lo que juntó los dos productos pertenecientes a categorías diferentes. Este descubrimiento aporta una nueva combinación de ventas a los comerciantes. Por supuesto, aunque más cadenas minoristas conozcan esta historia, rara vez encuentran tal combinación en sus ventas habituales, aunque sea descabellada.
Por lo tanto, el diseño de estrategias minoristas es la parte más valiosa del "big data" en la industria minorista, y también es un negocio que el "big data" puede respaldar directamente.
2. Las empresas minoristas deben mantener una actitud correcta hacia el “big data”
Los líderes empresariales deben primero prestar atención al “big data” y al desarrollo de centros de datos corporativos, y considerar la recopilación. los datos de los clientes como prioridad corporativa; el primer objetivo de las operaciones de marketing; en segundo lugar, capacitar a los empleados internos de la empresa y establecer mecanismos de software y hardware para la recopilación de datos; en tercer lugar, determinar qué datos deben recopilarse en función de las necesidades del negocio; Recopilar datos basados en los datos existentes de la empresa o en las direcciones futuras. Implementar el plan de infraestructura para los primeros tres proyectos.
En estas tareas básicas de TI, las empresas necesitan realizar inversiones reales y establecer equipos de información estandarizados. Como la mayor parte de los negocios de China, las pequeñas, medianas y microempresas minoristas parecen imposibles y no tienen capacidades suficientes para enfrentar tales cambios.
Los grandes y medianos minoristas han podido soportar el coste de esta tendencia de la demanda gracias a su propio negocio y a la acumulación de beneficios. Las pequeñas y medianas empresas todavía se encuentran en un proceso de rápido desarrollo. Si invierten en todos los aspectos como las grandes y medianas empresas, pronto se verán arrastradas o gravemente dañadas por las nuevas herramientas de TI.
Pero esto no significa que las pequeñas y medianas empresas minoristas no tengan oportunidades. De hecho, el desarrollo de la TI ofrece igualdad de opciones para todas las empresas, y la aplicación generalizada de la computación en la nube es un regalo temporal de este cambio.
Como pequeña y mediana empresa minorista, no es necesario que consideres la posibilidad de crear un sistema de TI de "grandes datos" por tu cuenta. No son adecuados en términos de energía, coste y capacidad. Por lo tanto, estas empresas pueden subcontratar la construcción de TI a proveedores de servicios adecuados y dedicar toda su energía al desarrollo del distrito comercial.
En la actualidad, algunos operadores de desarrollo de software de TI también han lanzado plataformas básicas de servicios en la nube para empresas minoristas tradicionales, proporcionando a las pequeñas y medianas empresas microempresas el mismo entorno básico y arquitectura de sistema que las grandes empresas y muy grandes empresas. Las pequeñas empresas sólo necesitan planificar claramente sus objetivos y los pasos adecuados, y utilizar la plataforma en la nube para pagar según demanda sin grandes inversiones iniciales ni costos operativos impredecibles.
3. La aplicación real de "big data" en las empresas minoristas
1. Objetivos
La primera historia sobre "big data" ocurrió en los Estados Unidos. Objetivo de supermercado. Las mujeres embarazadas son un valioso grupo de clientes para los minoristas. Pero suelen acudir a tiendas especializadas en maternidad en lugar de comprar productos para el embarazo en Target. Cuando la gente piensa en Target, suele pensar en las necesidades diarias como productos de limpieza, calcetines, papel higiénico, etc., pero ignora que Target tiene todo lo que una mujer embarazada necesita. Para hacer esto, los especialistas en marketing de Target recurrieron al departamento de análisis de datos de clientes de Target en busca de un modelo para identificar a las mujeres embarazadas que esperaban su segundo embarazo. En los Estados Unidos, los registros de nacimiento son públicos. Tan pronto como nace el niño, la madre recién nacida estará rodeada de anuncios abrumadores de descuentos en productos, por lo que las mujeres embarazadas deben tomar medidas cuando estén embarazadas por segunda vez. Si Target pudiera saber qué clienta estaba embarazada antes que todos los minoristas, el departamento de marketing podría enviarles anuncios de descuentos por maternidad personalizados con antelación e identificar recursos valiosos para los clientes con antelación.
¿Cómo determinar con precisión qué clienta está embarazada? Target pensó que la empresa tenía formularios de registro para baby shower, por lo que comenzó a modelar y analizar los datos de consumo de los clientes en estos formularios de registro y pronto descubrió muchos patrones de datos muy útiles. Por ejemplo, el modelo encontró que muchas mujeres embarazadas comprarán muchos paquetes grandes de crema de manos sin perfume en las primeras etapas de su segundo embarazo; en las primeras 20 semanas de embarazo, comprarán una gran cantidad de pastillas de alta calidad; Complemente el calcio, el magnesio y el zinc y otros productos para la salud.
Finalmente, Target seleccionó datos de consumo de 25 productos básicos típicos para construir un "índice de predicción de embarazo". Utilizando esta métrica, Target puede predecir el embarazo de una clienta con un margen de error muy pequeño, por lo que Target puede enviar anuncios de ofertas de maternidad a los clientes con antelación.
Para evitar que los clientes sintieran que la tienda estaba invadiendo su privacidad, Target mezcló sus anuncios de ofertas de productos de maternidad con una serie de otros anuncios de ofertas de productos no relacionados con el embarazo.
Basado en este modelo de "grandes datos", Target desarrolló un nuevo plan de publicidad y marketing. Como resultado, las ventas de productos para el embarazo de Target experimentaron un crecimiento explosivo. La tecnología de análisis de "grandes datos" de Target se ha extendido desde las mujeres embarazadas a otros segmentos de clientes. Desde 2002, cuando Target utilizó "grandes datos", hasta 2010, las ventas de Target crecieron de 44 mil millones de dólares a 67 mil millones de dólares.
2.
El precio medio de la ropa de ZARA es sólo una cuarta parte del de LVHM, pero si analizamos los informes financieros anuales de las dos empresas, el margen de beneficio bruto antes de impuestos de ZARA es Un 23% más que el de LVHM o un 6%.
(1) Análisis de la demanda del cliente
En las tiendas ZARA, se instalan cámaras en el mostrador y en todos los rincones de la tienda, y el encargado de la tienda lleva consigo una PDA. El propósito es registrar las opiniones de cada cliente, como las preferencias del cliente en cuanto a patrones de ropa, tamaños de botones y estilos de cremalleras. El dependiente de la tienda reportará al director de la sucursal, quien cargará la información en la red de información global interna de ZARA y la transmitirá a los diseñadores en la sede al menos dos veces al día. Una vez que la sede toma una decisión, se enviará inmediatamente a la línea de producción para cambiar el estilo del producto.
Después del cierre de la tienda, el personal de ventas revisará las cuentas, hará un balance de la carga y descarga diaria de mercancías y contará las tasas de compras y devoluciones de los clientes. Combinado con los datos de efectivo en el mostrador, el sistema comercial genera un informe de análisis de las transacciones del día, analiza la clasificación de los productos más vendidos del día y luego los datos llegan directamente al sistema de almacenamiento de ZARA.
Recopila una gran cantidad de opiniones de clientes para tomar decisiones de producción y ventas, reduciendo en gran medida la tasa de inventario. Al mismo tiempo, basándose en estos datos de teléfonos y ordenadores, ZARA analiza una "popularidad regional" similar y crea segmentos de mercado que se acercan más a las necesidades de los clientes en términos de color y diseño de producción.
(2) Combinado con datos de tiendas online
En 2010, ZARA instaló simultáneamente tiendas online en seis países europeos, aumentando la conexión de datos online masivos. En 2011, las plataformas se lanzaron en Estados Unidos y Japón respectivamente. Además de aumentar los ingresos, la tienda online mejora la funcionalidad del motor de búsqueda bidireccional y el análisis de datos. No solo recicla opiniones hasta el final de la producción, sino que también permite a los tomadores de decisiones identificar con precisión el mercado objetivo y también proporciona a los consumidores información sobre moda más precisa, y ambas partes pueden disfrutar de los beneficios del "big data". Los analistas estiman que la tienda online incrementó los ingresos de ZARA al menos un 65.438+00%.
Además, además del comportamiento transaccional, las tiendas online también son una piedra de toque de marketing antes del lanzamiento de productos activos. Por lo general, ZARA primero realiza encuestas de opinión de los consumidores en línea y luego extrae las opiniones de los clientes de los comentarios en línea para mejorar los productos enviados reales.
ZARA utiliza datos masivos de Internet como indicadores previos a las pruebas de las tiendas físicas. Porque las personas que pueden buscar información sobre moda en Internet son más vanguardistas que el público en general en términos de sus preferencias por la ropa, su comprensión de la información y su capacidad para promover tendencias. Además, los consumidores que son los primeros en conocer ZARA online tienen un alto índice de consumo en las tiendas físicas.
Estos datos de clientes no sólo se utilizan para producción, sino que también son utilizados por todos los departamentos del Grupo Inditex al que pertenece ZARA: incluido centro de atención al cliente, departamento de marketing, equipo de diseño, línea de producción y accesos. A partir de estos enormes datos se conforman los KPI de cada departamento para completar el eje principal de integración vertical dentro de ZARA.
La integración masiva de datos impulsada por ZARA fue posteriormente estudiada y aplicada por ocho marcas del Grupo Inders al que pertenece ZARA. Es previsible que en el futuro círculo de la moda, además de las capacidades de diseño sobre la mesa, la guerra de información y datos debajo de la mesa sea un campo de batalla invisible más importante.
(3) Procesar, corregir y ejecutar datos rápidamente.
H & ampm siempre ha querido mantenerse al día con ZARA y utilizar activamente "big data" para mejorar los procesos de productos, pero el efecto no es bueno. La brecha entre los dos es cada vez más amplia. ¿Por qué?
La razón principal es que la función más importante del "big data" es acortar el tiempo de producción, de modo que el final de producción pueda hacer correcciones rápidamente basadas en las opiniones de los clientes. Sin embargo, los procesos de gestión internos de H&M no pueden soportar la enorme información proporcionada por el “big data”. En la cadena de suministro de H&M, se necesitan unos tres meses desde la impresión hasta el envío, lo que es incomparable con las dos semanas de ZARA.
Porque H&m no es como ZARA, que mantiene casi el mismo diseño y producción que H& en España, mientras que H& se produce en Asia, Centro y Sudamérica. El tiempo de comunicación transfronteriza aumenta el coste temporal de producción. Por lo tanto, los "grandes datos" no se pueden mejorar de inmediato, incluso si reflejan las opiniones de los clientes en varias regiones en H & Como resultado de la separación entre información y producción, la eficacia de los sistemas internos de "big data" de H&M es limitada.
La clave del éxito de las operaciones de "big data" es que el sistema de información debe estar estrechamente integrado con el proceso de toma de decisiones, responder rápidamente y corregir las necesidades de los consumidores e implementar las decisiones de inmediato.
3. Amazon
Amazon no promocionó vigorosamente su negocio publicitario hasta finales de 2012, cuando se supo que Amazon estaba a punto de lanzar una plataforma de comercio de publicidad en tiempo real para desafiar a Facebook. y Google. Este intercambio de anuncios en tiempo real, también conocido como "plataforma del lado de la demanda" (DSP), permite que los anuncios lleguen a consumidores específicos. Los anunciantes pueden pujar por espacios publicitarios inactivos en sitios web en la "plataforma del lado de la demanda". Los objetos de puja incluyen espacios publicitarios y consumidores que cumplan determinadas condiciones.
La "plataforma del lado de la demanda" desarrollada por Amazon puede "ayudar a los anunciantes a llegar a muchos usuarios en Internet y también ayudar a los clientes a encontrar rápidamente información relevante sobre los productos que desean comprar". Aunque Amazon no es pionero en el concepto de "plataforma del lado de la demanda", está respaldado por materiales ricos.
Hay dos tipos de información que comparten Amazon y los anunciantes. Uno se basa en la clasificación general del comportamiento online de los usuarios, como ser apasionado por la moda, amar los productos electrónicos, ser madre, amar el café, etc. El otro es el historial de búsqueda de productos del usuario. En cuanto a la información de compras real de los consumidores, Amazon no parece incluir el intercambio. Incluso si los anunciantes no pueden conocer los registros de consumo reales, aún pueden conocer los registros de búsqueda de productos de los clientes potenciales; si Amazon hace todo lo posible para ingresar al mercado de la publicidad en línea, aún puede cambiar en gran medida la ecología de la industria.
Los ingresos por publicidad de Amazon en 2012 fueron de aproximadamente 500 millones de dólares y alcanzarán los mil millones de dólares en 2013. Esto se convertirá en una nueva fuerza impulsora para el crecimiento de los ingresos de Amazon en los próximos años. Es más, podría ser uno de los negocios más rentables de Amazon.
4. Supermercado Walmart
En 2011, los ingresos del comercio electrónico de Walmart fueron solo una quinta parte de los de Amazon, y la brecha se amplió año tras año, por lo que Walmart tuvo que trabajar duro para alcanzarlo. Infórmate y descúbrelo. Varios modelos para aumentar los ingresos digitales. Al final, Wal-Mart optó por probar suerte en el comercio móvil en sitios de redes sociales, lo que permitió que más y más información ingresara a las decisiones de ventas internas de Wal-Mart. Cada recomendación de compra de Walmart es el resultado de una gran cantidad de cálculos de datos.
En abril de 2011, Walmart adquirió Kosmix, un sitio web comunitario especializado en clasificados, por 300 millones de dólares. Kosmix no solo puede recopilar y analizar datos masivos (big data) en Internet para empresas, sino también personalizar información y proporcionar sugerencias de compra para los consumidores finales (estos hábitos de consumo sutiles son difíciles de rastrear si no se rastrea la información de pago en la tienda). inspección). Esto significa que el modelo de "grandes datos" utilizado por Walmart ha evolucionado desde "extraer" las necesidades de los clientes hasta "crear" las necesidades de los consumidores.
Wal-Mart en sí es un sistema de datos masivo, adecuado para diversas actividades de análisis empresarial. Como el gigante minorista más grande del mundo (lectura especial), Walmart tiene más de 2 millones de empleados en todo el mundo, un total de 110 centros de distribución muy grandes y procesa más de mil millones de datos cada día. Debido a la enorme cantidad de datos, la tarea más importante del sistema de "big data" de Walmart es reducir los costos de ejecución tanto como sea posible y crear nuevas oportunidades de consumo antes de tomar cada decisión.
El sistema de "big data" que Kosmix creó para Walmart se llama "Social Genome" y está conectado a redes sociales como Twitter y Facebook. Los ingenieros parten de las últimas noticias diarias y lanzan productos que responden a los eventos sociales actuales y crean la demanda de los consumidores. El alcance de la clasificación incluye consumidores, eventos noticiosos, productos, regiones, organizaciones y temas noticiosos. Al mismo tiempo, en vista de la naturaleza rápida de los mensajes de las redes sociales, el laboratorio interno de "grandes datos" de Walmart ha desarrollado especialmente un sistema de seguimiento, que combina el acceso móvil a Internet para gestionar y rastrear enormes dinámicas sociales, y puede procesar más de 654,38 mil millones de datos cada día.
Las aplicaciones de la "genómica social" son diversas. Por ejemplo, el software interno de Walmart Labs puede analizar los artículos que los consumidores de diferentes regiones compran con más frecuencia el Black Friday a partir de los registros de check-in en la plataforma Foursquare y luego emitir sugerencias de compra en diferentes regiones.
Lo anterior es el contenido relevante que el editor compartió con usted sobre cómo se pueden combinar los big data con la industria minorista real. Para obtener más información, puede seguir a Global Ivy para compartir más información detallada.