Cómo combinar big data con la industria minorista y aplicarlo en la práctica

Cómo combinar el big data con la industria minorista y aplicarlo en la práctica

1. El valor comercial del “big data”

1. grupos

p>

El "Big data" puede segmentar grupos de clientes y luego tomar acciones únicas adaptadas a cada grupo. Dirigirse a grupos de clientes específicos para marketing y servicios siempre ha sido el objetivo de las empresas. La enorme cantidad de datos almacenados en la nube y la tecnología de análisis de "big data" permiten realizar una segmentación extrema de los consumidores en tiempo real con capacidades extremadamente rentables.

2. Simular la realidad

Utilizar "big data" para simular la realidad para descubrir nuevas necesidades y mejorar el retorno de la inversión. Los sensores están ahora integrados en cada vez más productos, 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 Blog, Twitter, Facebook y Weibo también generan enormes cantidades de datos.

La computación en la nube y la tecnología de análisis de "grandes datos" permiten a los comerciantes almacenar y analizar estos datos junto con los datos del comportamiento de las 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 y, en algunos casos, utilizar la simulación de modelos para determinar qué programa tiene el mayor retorno de la inversión en 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 los 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 resultados de "grandes datos" con departamentos con capacidades de "grandes datos" más débiles a través de la computación en la nube, Internet y motores de búsqueda internos, ayudándolos a crear valor comercial utilizando "grandes datos".

4. Alquiler de espacio de almacenamiento de datos

Las empresas y los particulares tienen enormes necesidades de almacenamiento de información. Sólo almacenando adecuadamente los datos será posible aprovechar aún más su valor potencial. Específicamente, este modelo de negocio se puede subdividir en dos categorías: almacenamiento de archivos personales y usuarios empresariales. Principalmente a través de API fáciles de usar, los usuarios pueden colocar cómodamente varios objetos de datos en la nube y luego cargarlos según el uso, como agua y electricidad. En la actualidad, muchas empresas han lanzado los servicios correspondientes, como Amazon, NetEase, Nokia, etc. Los operadores también han lanzado servicios correspondientes, como el negocio Caiyun de China Mobile.

5. Gestionar las relaciones con los clientes

El propósito de las aplicaciones de gestión de clientes es analizar y comprender en profundidad a los clientes desde diferentes ángulos en función de sus atributos (incluidos los atributos naturales y los atributos de comportamiento), para así Esto aumenta nuevos clientes, mejora la fidelidad de los clientes, reduce la rotación de clientes, aumenta el consumo de clientes, etc. Para los clientes pequeños y medianos, un CRM especializado es obviamente grande y caro. Muchas pequeñas y medianas empresas utilizan Fetion como CRM principal. Por ejemplo, agregue clientes antiguos al grupo Fetion, publique vistas previas de nuevos productos y notificaciones de ventas especiales en el círculo de amigos del grupo, complete servicios de preventa y posventa, etc.

6. Recomendaciones personalizadas y precisas

Dentro de los operadores es habitual 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. A través de algoritmos de análisis inteligentes, como algoritmos de correlación, extracción de resúmenes de texto y análisis de sentimientos, se puede extender a los servicios comerciales y la tecnología de extracción de datos se puede utilizar para ayudar a los clientes a realizar un marketing preciso. Las ganancias futuras pueden provenir de compartir el valor del cliente. porción agregada.

Tomemos como ejemplo los "mensajes de texto basura" diarios. No todos los mensajes son "basura". Se consideran basura porque los destinatarios no los necesitan. Después de analizar los datos del comportamiento del usuario, la información requerida se puede enviar a las personas que la necesitan, de modo que los "mensajes de texto spam" se conviertan en información valiosa. En McDonald's en Japón, los usuarios descargan cupones en sus teléfonos móviles y luego van al restaurante a pagar con el descuento de 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 con qué frecuencia consumen, 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", también ha aumentado la demanda de búsquedas en tiempo real y a gran escala. volverse cada vez más fuerte. Necesitamos poder buscar en varias redes sociales, comportamiento de los usuarios y otros datos. Su valor de aplicación comercial es conectar 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 del usuario dominada por los operadores hace que los datos obtenidos sean "más completos" y más valiosos comercialmente. Las aplicaciones típicas incluyen “Pangu Search” de China Mobile.

2. La aplicación combinada del "big data" y la industria minorista

Muchos minoristas físicos también conceden gran importancia al uso de datos y realizan diversos análisis sobre los datos acumulados. por la empresa. Sin embargo, para negocios de ventas específicos, a menudo hay un enredo entre los ideales y la realidad. No hace mucho, una conocida empresa minorista de ropa en el mercado, mientras promocionaba una cotización rentable, reveló que tenía casi mil millones de yuanes en inventario.

Muchas empresas minoristas nacionales son conscientes de los beneficios de las aplicaciones de "grandes datos", pero una vez que integren la aplicación de "grandes datos" en sus propias operaciones comerciales, tendrán un gran problema de incompatibilidad con sus operaciones actuales, lo que ha llevado a Muchas empresas son muy cautelosas al respecto.

1. Combinar la estrategia minorista con la tecnología "big data"

El mayor valor del "big data" discutido por las empresas minoristas es la combinación de la estrategia minorista y la tecnología "big data" y formular estrategias minoristas proactivas en la mayor medida posible para garantizar la realización de los planes de ventas. "Big data" presta atención a cuatro "V": primero, gran volumen de datos (Volumen); segundo, tipos de datos complejos (Variedad), que en su mayoría involucran varios tipos estructurales y no estructurales, tercero, baja densidad de valor (Valor); que corresponde al tamaño grande, cuarto, velocidad de procesamiento y actualización de datos (Velocity).

De acuerdo con estas características, dar de manera proactiva las respuestas estratégicas correspondientes cuando se generan datos comerciales permitirá a las empresas obtener más tiempo y espacio para ajustar la estrategia de mercado. Esto es similar a una advertencia de inundación máxima para un río grande. Lo que sucede en el pico río arriba y qué tipo de respuesta se debe tomar río abajo. Solo cuando los datos se utilizan a este nivel pueden tener valor comercial directo. Esto no es comparable al valor del volumen de ventas, los datos de proporción del plan de ventas mes a mes que pueden guiar el negocio. Por ejemplo, un minorista físico involucrado en negocios en línea a menudo prepara tres conjuntos de estrategias de contingencia durante el período de promoción de 15 minutos para un grupo de productos 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 es 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 cuando regresan a casa después del trabajo. Mientras compran pañales, sus maridos también compran su cerveza favorita.

Cuando el analista descubrió que existe una correlación positiva entre las ventas de cerveza y pañales y realizó un análisis más detallado, descubrió esa situación de compra y ubicó los dos productos que pertenecen a categorías diferentes juntos. Este descubrimiento aporta nuevas combinaciones de ventas a los comerciantes. Por supuesto, no importa cuántas cadenas minoristas conozcan esta historia, es raro encontrar tal combinación en las ventas diarias, aunque sea descabellada.

Por lo tanto, el diseño de estrategias minoristas es el lugar donde los "grandes datos" tienen el mayor valor en la industria minorista, y también es un negocio al que los "grandes datos" pueden brindar soporte directo.

2. Las empresas minoristas deben mantener una actitud correcta hacia el "big data"

Los líderes empresariales primero deben prestar atención al desarrollo del "big data" y prestar atención al centro de datos de la empresa. y recopilar datos de los clientes Los datos son el primer objetivo de las operaciones de marketing corporativo; en segundo lugar, capacitar al personal interno de la empresa y establecer mecanismos de software y hardware para recopilar datos; en tercer lugar, determinar qué datos deben recopilarse en función de las necesidades del negocio; que, basándose en los datos existentes de la empresa o la dirección futura, proporciona un plan de construcción de infraestructura sobre cómo lograr los primeros tres objetivos.

En estas tareas básicas de TI, las empresas necesitan hacer inversiones reales y crear 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 afrontar tal cambio.

Los grandes y medianos minoristas han podido soportar los costes de esta tendencia de la demanda gracias a su propio negocio y a la acumulación de beneficios. Las pequeñas, medianas y microempresas todavía se encuentran en un proceso de rápido desarrollo. Si invierten en todos los aspectos, como las grandes y medianas empresas, pronto se verán abrumadas por las nuevas herramientas de TI o sufrirán grandes pérdidas.

Pero esto no significa que las pequeñas y medianas empresas minoristas no tengan oportunidades. De hecho, el desarrollo de la TI ha proporcionado igualdad de opciones para todas las empresas. La aplicación generalizada de la computación en la nube ha propiciado tal situación. cambio.

Como pequeñas, medianas y microempresas minoristas, no es necesario considerar la posibilidad de construir un sistema de TI de "grandes datos" por sí mismas. Por lo tanto, estas empresas no son adecuadas en términos de energía, costo y capacidad. puede utilizar el sistema informático de la empresa. Al subcontratar la construcción a proveedores de servicios adecuados, toda la energía de la propia empresa puede dedicarse 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, medianas y microempresas comerciales el mismo entorno básico y arquitectura de sistema que las grandes y muy grandes empresas. Las pequeñas empresas solo necesitan planificar claramente sus objetivos y pasos apropiados, y usar la plataforma en la nube para pagar según sea necesario. No necesitan realizar grandes inversiones iniciales ni costos operativos impredecibles.

3. La aplicación real de “big data” en las empresas minoristas

1. Target

La primera historia sobre “big data” ocurrió en los Estados Unidos. . Gran supermercado Target. Las mujeres embarazadas son un valioso grupo de clientes para los minoristas. Pero generalmente acuden a tiendas especializadas en maternidad en lugar de comprar productos para el embarazo en Target. Cuando las personas mencionan Target, a menudo piensan en las necesidades diarias como artículos de limpieza, calcetines y papel higiénico, pero pasan por alto que Target tiene todo lo que una mujer embarazada necesita. Con este fin, los especialistas en marketing de Target recurrieron al departamento de análisis de datos de clientes de Target para crear un modelo para identificar a las mujeres embarazadas en su segundo trimestre.

En Estados Unidos, los registros de nacimiento son públicos. Una vez que nace el niño, la madre recién nacida se verá rodeada de anuncios abrumadores de descuentos en productos, por lo que deberá actuar lo antes posible durante el segundo trimestre. Si Target puede saber qué clientas están embarazadas antes que todos los minoristas, el departamento de marketing puede enviarles anuncios de descuentos por maternidad hechos a medida con antelación y dirigirse a recursos valiosos para los clientes con antelación.

¿Cómo podemos determinar con precisión qué clienta está embarazada? Target pensó que la empresa tenía un formulario de registro para baby showers y comenzó a modelar y analizar los datos de consumo de los clientes en estos formularios de registro. Pronto descubrió muchos patrones de datos muy útiles. Por ejemplo, el modelo encontró que muchas mujeres embarazadas comprarán paquetes grandes de crema de manos sin perfume al comienzo del segundo trimestre y productos para el cuidado de la salud como tabletas Centrum que complementan el calcio, el magnesio y el zinc en las primeras 20 semanas del embarazo. Finalmente, Target seleccionó los datos de consumo de 25 productos básicos para construir un "índice de predicción de embarazo". A través de este índice, Target puede predecir el estado de embarazo de los clientes dentro de un pequeño rango de error, por lo que Target puede anunciar descuentos para mujeres embarazadas con anticipación. clientes.

Para evitar que los clientes sientan que los comerciantes han invadido su privacidad, Target ha mezclado anuncios de descuento para productos de maternidad con una gran cantidad de anuncios de descuento para otros productos no relacionados con el embarazo.

Basado en este modelo de "grandes datos", Target formuló un nuevo plan de publicidad y marketing. Como resultado, las ventas de productos para el embarazo de Target mostraron un crecimiento explosivo. La tecnología de análisis de "grandes datos" de Target comenzó a promocionarse desde el segmento de clientes de mujeres embarazadas a varios otros segmentos de clientes. De 2002 a 2010, cuando Target utilizó "grandes datos", las ventas de Target aumentaron de 44 mil millones de dólares a 67 mil millones de dólares. mil millones.

2. ZARA

El precio medio por prenda de vestir de ZARA es sólo una cuarta parte del de LVHM. Sin embargo, si analizamos los informes financieros anuales de las dos empresas, el precio de ZARA es antes de impuestos. El margen de beneficio bruto es superior al del Grupo LVHM, un 23,6% más.

(1) Analizar las necesidades del cliente

En las tiendas ZARA se instalan cámaras en el mostrador y en cada rincón de la tienda, y el encargado de la tienda lleva consigo una PDA. El propósito es registrar todas las opiniones de sus clientes, como la preferencia del cliente por los patrones de ropa, el tamaño de los botones, el estilo de la cremallera y otras pequeñas acciones. El dependiente de la tienda informará al gerente de la sucursal, quien lo subirá a la red de información global interna de ZARA y transmitirá la información a los diseñadores de la sede al menos dos veces al día. Una vez que la sede toma decisiones, se enviará inmediatamente a la línea de producción. cambiar estilos de productos.

Después de cerrar la tienda, el personal de ventas realizará la salida, hará un inventario de los productos dentro y fuera de los estantes todos los días y hará estadísticas sobre las compras de los clientes y las tasas de devoluciones. Combinado con los datos de efectivo del mostrador, el sistema comercial genera un informe de análisis de transacciones para el día y analiza la clasificación de los productos más vendidos ese día, luego, los datos se envían directamente al sistema de almacenamiento de ZARA.

Recopilar cantidades masivas de opiniones de clientes para tomar decisiones de producción y ventas reduce en gran medida la tasa de inventario. Al mismo tiempo, basándose en estos datos de teléfonos y ordenadores, ZARA analiza "tendencias regionales" similares y acerca los segmentos del mercado a las necesidades de los clientes en la producción de colores y estilos.

(2) Combinado con datos de tiendas online

En 2010, ZARA estableció simultáneamente tiendas online en seis países europeos, aumentando la conectividad de la ingente cantidad de datos en Internet. En 2011, se lanzaron plataformas en línea en Estados Unidos y Japón respectivamente. Además de aumentar los ingresos, la tienda en línea fortaleció las funciones de motores de búsqueda bidireccionales y análisis de datos. No solo recicla opiniones en el lado de la producción, lo que permite a los tomadores de decisiones identificar con precisión el mercado objetivo, sino que 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 las tiendas online aumentarán los ingresos de ZARA al menos un 10%.

Además, además del comportamiento de las transacciones, 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 Internet y luego recopila las opiniones de los clientes a partir de comentarios en línea para mejorar los productos reales enviados.

ZARA considera la masiva data en Internet como un indicador previo al test para las tiendas físicas. Porque las personas que buscan información sobre moda en Internet tienen preferencias más vanguardistas por la ropa, conocimiento de la información y capacidad para crear tendencias que el público en general. Además, los consumidores que conocen ZARA por primera vez a través de Internet tienen un alto índice de acudir a tiendas físicas para consumir.

Además de ser utilizados en la parte de producción, estos datos de clientes también son utilizados por diversos departamentos de todo el Grupo Inditex al que pertenece ZARA: incluidos centros de atención al cliente, departamentos de marketing, equipos de diseño, líneas de producción y canales, etc A partir de esta ingente cantidad de datos se forman los KPI de cada departamento para completar el eje principal de integración vertical dentro de ZARA.

La integración masiva de datos promovida por ZARA fue posteriormente aprendida y aplicada por ocho marcas del Grupo Yingdes de ZARA. Es previsible que en la futura industria 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) Procesamiento, corrección y ejecución rápidos de datos

H&M siempre ha querido estar a la altura de ZARA y ha utilizado activamente "big data" para mejorar los procesos de sus productos, pero los resultados fueron No es significativo. 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, lo que permite al lado de producción realizar correcciones rápidamente basadas en las opiniones de los clientes. Sin embargo, el proceso de gestión interna de H&M no puede soportar la enorme información proporcionada por el "big data". En la cadena de suministro de H&M, se necesitan unos tres meses desde la confección del patrón hasta el envío, lo que es completamente incomparable con las dos semanas de ZARA.

Porque H&M no es como ZARA, que mantiene casi la mitad de su diseño y producción en España, mientras que los centros de producción de H&M están repartidos por Asia, Centro y Sudamérica. El tiempo necesario para la comunicación transfronteriza aumenta el coste temporal de producción. Como resultado, el "big data" no se puede mejorar inmediatamente, incluso si refleja las opiniones de los clientes en cada distrito el mismo día. Como resultado de la separación de información y producción, la efectividad del sistema interno de "big data" de H&M es menor. limitado.

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 a las necesidades de los consumidores, hacer correcciones e implementar decisiones de inmediato.

3. Amazon

Amazon no promocionó su negocio publicitario con mucha fanfarria hasta finales de 2012. Se informó que Amazon estaba a punto de lanzar una plataforma de comercio de publicidad en tiempo real para desafiar a Facebook y Google. Esta plataforma de comercio de publicidad en tiempo real, también conocida como "Plataforma del lado de la demanda" (DSP), permite que los anuncios lleguen a los consumidores objetivo. Los anunciantes pueden ofertar por espacios publicitarios no utilizados en sitios web en la "plataforma del lado de la demanda", y la oferta incluye espacios publicitarios y consumidores que cumplen ciertas 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". La plataforma del lado de la demanda" no es la primera de su tipo de Amazon, pero está respaldada por datos enriquecidos.

Hay dos tipos de información que Amazon comparte con los anunciantes. Uno es la clasificación general basada en el comportamiento online de los usuarios, como ser apasionado por la moda, amar los productos electrónicos, ser madre, amar el café, etc. .; el segundo son los registros de búsqueda de productos del usuario. En cuanto a la información de compras real de los consumidores, Amazon parece no haberla incluido aún en el intercambio. Incluso si los anunciantes no pueden conocer los registros de consumo reales, pueden conocer los registros de búsqueda de productos de los clientes potenciales; si Amazon ingresa de lleno 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 sus ingresos por publicidad en 2013 alcanzarán los mil millones de dólares. Esto se convertirá en una nueva fuerza impulsora para el crecimiento de los ingresos de Amazon en los próximos años y, lo que es más importante, puede ser uno de los márgenes de beneficio más altos entre las empresas de Amazon.

4. Walmart

En 2011, los ingresos del comercio electrónico de Walmart fueron sólo una quinta parte de los de Amazon, y la brecha se amplió año tras año, lo que obligó a Walmart a intentar ponerse al día. Varios modelos para aumentar los ingresos digitales. Al final, Wal-Mart optó por probar el comercio móvil en los sitios de redes sociales, permitiendo que información más masiva y rápida ingrese a las decisiones de ventas internas de Wal-Mart. Cada una de las sugerencias de compra de Wal-Mart es el resultado de una gran cantidad de cálculos de datos.

En abril de 2011, Walmart adquirió Kosmix, un sitio web de redes sociales especializado en clasificados, por 300 millones de dólares. Kosmix no solo puede recopilar y analizar cantidades masivas de información (big data) en Internet para empresas, sino también personalizar esta información y brindar sugerencias de compra a los consumidores finales (si no fuera por el seguimiento de la información de pago, estos sutiles hábitos de consumo serían difíciles para entender) Encontrado en la patrulla de la tienda). Esto significa que el modelo de "big data" utilizado por Walmart ha pasado de "extraer" las necesidades de los clientes a poder "crear" las necesidades de los consumidores.

Wal-Mart en sí es un sistema de datos masivo, adecuado para diversos comportamientos de análisis empresarial. Sus funciones integrales. Como gigante de la industria minorista (lectura especial) más grande del mundo, Wal-Mart tiene más de 2 millones de empleados. En todo el mundo hay 110 centros de distribución muy grandes en total, que procesan más de mil millones de datos cada día. Debido a que la cantidad de datos es demasiado grande, la tarea más importante del sistema de "grandes datos" de Wal-Mart es minimizar los costos de ejecución y crear nuevas oportunidades de consumo antes de tomar cada decisión.

El sistema de "big data" creado por Kosmix para Walmart se llama "Genoma Social" y está vinculado a redes sociales como Twitter y Facebook. Los ingenieros utilizan las noticias de actualidad a diario para lanzar productos que respondan a los acontecimientos sociales actuales y creen la demanda de los consumidores. El alcance de la clasificación incluye consumidores, eventos noticiosos, productos, regiones, organizaciones y temas de noticias. Al mismo tiempo, en vista de la naturaleza del rápido flujo de noticias en las redes sociales, el laboratorio interno de "big data" de Walmart ha desarrollado especialmente un sistema de seguimiento, combinado con acceso móvil a Internet, para gestionar y rastrear enormes dinámicas sociales, y puede procesar más más de mil millones de piezas de información cada día.

El “genoma social” se puede utilizar de diversas formas.

Por ejemplo, el software interno de Walmart Labs puede analizar los artículos comprados con mayor frecuencia por los consumidores en diferentes regiones durante el Black Friday a partir de registros de registro en la plataforma Foursquare y luego proporcionar recomendaciones de compra para diferentes regiones.

Lo anterior es el contenido relevante compartido por el editor sobre cómo se combinan los big data con la industria minorista y se aplican en el combate real. Para obtener más información, puedes seguir a Global Ivy para compartir más información útil