Большие данные - это преходящая тенденция или они навсегда останутся? Так как онлайн-торговля составляет всего 9% от общей доли розничной торговли в США, актуальны ли большие данные для предприятий розничной торговли? Готов ли мой бизнес к большим данным? Что означает мышление в отношении больших данных?
В этой статье я подробнее рассмотрю эти и другие вопросы.
Актуальность больших данных
Давайте внимательнее рассмотрим компании по оценке в 2008 году. В списке преобладают нефтяные, телекоммуникационные и FMCG-компании.
Microsoft - единственный «цифровой» воин, попавший в десятку лучших. Оценка, основанная на данных, по-прежнему не имеет значения.
Переходя к 2017 году, первые данные компаний, включая Amazon, Alphabet, Facebook (и Apple или Microsoft с их постоянно растущими доходами от данных), последовательно возглавляют список 10 лучших.
Поскольку ведущие ритейлеры, включая Amazon, Alibaba и Tencent, формируют будущее розничной торговли, настало время для всей розничной сети наверстать упущенное.
Что значит быть готовым к большим данным
Эта сцена из Moneyball действительно подводит итог тому, как процесс принятия решений по-прежнему происходит в розничной торговле.
Https://www.youtube.com/watch?v=pWgyy_rlmag
Слишком часто внимание потребителей и пространство разума - розничные товары премиум-класса - подпитываются нерелевантными рекомендациями по продуктам от розничных продавцов, основанными на интуиции, устаревших данных и копированием того, что делает успешный конкурент.
Причина, по которой розничные торговцы терпят неудачу в своей стратегии таргетинга, заключается либо в том, что они еще не внедрили подход datafirst, либо в том, что они не наилучшим образом используют свою инфраструктуру данных.
Итак, как нам, как бизнесу, подготовить большие данные?
Все начинается с признания данных как актива! Современные технологии позволяют нам собирать данные для каждого шага розничной транзакции, начиная с первого клика, вызванного этим посещением веб-сайта, до жизненной ценности (LTV), относящейся к каждому потребителю и продукту.
Дополнительная информация: Рассчитайте LTV своего клиента, чтобы увеличить количество повторных покупок
Каждая из этих точек данных может предоставить невероятно мощную аналитическую информацию о маркетинге и продажах как в Интернете, так и в автономном режиме в режиме реального времени.
Успех или неудача подхода datafirst зависит от качества собираемых и потребляемых данных.
Маркетинговые платформы электронной коммерции на основе искусственного интеллекта, такие как OnlineSales.ai, помогут вам подготовить большие данные для всех ваших маркетинговых потребностей.
Вот несколько советов, как найти подходящую платформу:
Профиль клиента - это, по сути, подробное описание вашей целевой демографической группы, которое включает:
Ищите платформу, которая имеет прямую интеграцию API с популярными коммерческими движками, включая Magento, Shopify, BigCommerce, Vinculum и KartRocket.
Затем вы можете выбрать предпочитаемый движок и получить готовую и немедленную интеграцию из одного места.
Найдите платформу, которая автоматизирует создание интеллектуальных каналов и быстро сопоставляет электронную коммерцию вашего продукта с известными системами покупок, включая Google, Facebook и Amazon.
Платформа, на которой вы можете определить свои бизнес-цели, и платформу, которая предоставляет вам управляемый данными механизм с интеллектуальными опциями для выбора аудитории, предпочтениями мерчендайзинга и опциями устройств, настоятельно рекомендуется, чтобы избежать ручного труда и ошибок, на которые нужно тратить.
Обязательно разместите пиксель отслеживания. Найдите платформу с запатентованной технологией отслеживания, которая позволит в реальном времени проводить когортную аналитику по частоте недавних посетителей веб-сайта, перемещению продукта по аудиториям и городам, сезонности заказов и коэффициентам конверсии, разделенным по воронкам.
Поверьте, вам понадобятся эти цифры (много!)
Попробуйте найти платформу, которая позволяет интегрировать данные онлайн-маркетинга с данными CRM офлайн-продаж, обеспечивая сквозное представление о воронке продаж клиентов.
Поведение больших данных - сочетание корреляции и причинно-следственной связи
Большие данные бросают вызов традиционному подходу к принятию решений в розничной торговле - гипотезе меньшего набора данных, применяемой к большей части населения. Этот подход в первую очередь основан на анализе причинно-следственной связи.
Подход Big Data заключается в том, чтобы перевернуть эту философию с ног на голову и расширить набор выборок до n = все (или как можно ближе).
Вычислительная мощность резко возросла, и даже большие петабайтовые наборы данных могут быть проанализированы за считанные секунды. При обработке огромных объемов данных доказательство причинно-следственной связи может занять много времени и дорого с точки зрения упущенных возможностей.
Учитывая характер розничных продаж, с подходом больших данных корреляция является высокоэффективным методом, который может стимулировать дополнительные продажи.
Например, если аналитика докажет, что определенная марка часов регулярно покупается молодыми женщинами в Калифорнии в определенное время суток, умные платформы, такие как OnlineSales, поднимут голову и автоматически скорректируют ставки на эти часы на это время и только на это время. аудитория и гео.
Сделав еще один шаг вперед, такие платформы, как OnlineSales, развертывают алгоритмы самообучения, которые помогают находить новые комбинации для наиболее эффективных продуктов и сегментов аудитории. (Другое дело, что OnlineSales - единственный в своем роде;))
Причинно-следственная связь очень важна, когда мы анализируем когорты данных.
Если мы анализируем воронку конверсии на веб-сайте, становится чрезвычайно важным, чтобы любое падение коэффициента конверсии в этой воронке было тщательно проанализировано для выяснения причины.
Например, коэффициент конверсии между добавлением в корзину и оформлением корзины для клиента упал на 50%.
При дальнейшем анализе было установлено, что падение было вызвано перемещением доли кода купона в начале корзины непосредственно перед оформлением заказа.
Переменные бесконечны, но должны быть исследованы и немедленно исправлены, чтобы гарантировать отсутствие утечек из воронки.
Сила вероятности
Любой крупной и сложной проблеме свойственно то, что результаты не всегда можно предсказать со 100% точностью.
Когда наборы данных малы, различные измерения можно разрезать и разрезать, чтобы прийти к конкретной гипотезе, которая затем может быть применена к альтернативным ситуациям.
Однако в случае розничного маркетинга сложность значительно возрастает, когда мы рассматриваем все движущиеся части - объем продуктов, тип рекламных копий и форматов, сегменты клиентов, разделенные по демографическим характеристикам, географическому положению и интересам, целевые устройства, время и предпочтительные дни. недели и др.
Как розничный торговец, я могу ждать волшебного сочетания идеального продукта и рекламного объявления с покупателем, однако шансы попасть в яблочко всегда невелики.
Большие данные в сочетании с надежными алгоритмами машинного обучения позволяют получить возможно выигрышную комбинацию в определенном диапазоне вероятностей (скажем, ›вероятность 85%).
Мощность машинного обучения такова, что рекламные копии можно анализировать на предмет наиболее эффективных изображений, заголовков, описаний, цветного фона для миллионов комбинаций продуктов и клиентов.
Экспериментируя с клиентскими сегментами по демографии, интересам и географическому положению, можно прийти к следующему набору «героев» клиентских сегментов с точностью 90–95%.
Риски с большими данными
С большой мощностью приходит большая ответственность, а с массивом данных - огромная ответственность для сборщиков данных за обеспечение конфиденциальности и целостности данных. Давайте подробнее рассмотрим связанные с этим риски.
Конфиденциальность данных
Когда мы собираем данные для любого розничного продавца, имеется достаточно доступных точек данных, которые могут связать историю покупок с любым человеком - имена, адреса электронной почты, информацию CC и т. Д.
В то время как сторонние платежные шлюзы позволяют не хранить какую-либо информацию о CC / платежах в записях розничного продавца.
Для того, чтобы любая информация, позволяющая установить личность (PII), сохранялась в записях, критически важно, чтобы соблюдались надлежащие правила безопасности данных и чтобы данные были зашифрованы.
Кроме того, должны существовать строгие политики, гарантирующие, что данные не будут переданы третьим сторонам без предварительного согласия клиентов и поставщиков.
Диктатура данных
Хотя аналитика данных может иметь неоценимое значение при принятии решений, следует ввести контрольные точки, чтобы исключить сценарии выхода из-под контроля.
Машинное обучение со всей встроенной мощностью по-прежнему подвержено сбоям в этих угловых сценариях, а с учетом масштаба штрафы могут быть значительными.
Еще один пробел, о котором следует позаботиться, - это убедиться, что организация не становится рабом только для данных и данных.
В прошлом были случаи, когда анализ данных давал одно предположение, однако здравый смысл подсказывает другое.
Скажем так, хотя 95% самолета находится в автоматическом режиме, эти критические 5% по-прежнему составляют человеческий интеллект, обеспечивающий нашу безопасность.
Большие данные никуда не денутся, и пора ритейлерам отнестись к ним достаточно серьезно, чтобы их бизнесы процветали и выходили на новый уровень.
Динамичный характер розничного бизнеса диктует, что организации инвестируют в технологии и остаются открытыми для экспериментов.
Вся цепочка поставок подвергается капитальному ремонту, и розничный маркетинг занимает лидирующую позицию, охватывая данные и обеспечивая значительную ценность для розничных продавцов.
Возможности использования ваших данных для повышения эффективности маркетинга безграничны. Обратитесь к команде OnlineSales, чтобы копнуть глубже и решить.
Ключевые выводы
- Большие данные + машинное обучение = выигрышная комбинация
- С большой силой приходит большая ответственность, а с массивом данных - огромная ответственность.
- Не полагайтесь только на данные. Слушайте логику.
Эта статья является частью полной серии электронных книг: Полное руководство по запуску вашего магазина электронной коммерции. Чтобы прочитать полную электронную книгу, нажмите здесь
Первоначально опубликовано на onlinesales.ai.