К сожалению, ничего не найдено
Пожалуйста, попробуйте изменить ваш запрос

Показано1-10

Как известные ритейлеры используют большие данные: 3 реальных примера

Согласно отчету Gartner, 77% ритейлеров планируют использовать ИИ в своих бизнес-процессах. Область применения больших данных в этой индустрии очень широкая: от прогнозирования спроса до оптимизации цепочек поставок. Во время вспышки COVID-19 в 2020 году большинство ритейлеров были вынуждены быстро обратиться к помощи технологий, чтобы не потерять конкурентоспособность. Однако те, кто успел внедрить инновационные решения еще до пандемии, оказавшись в более выигрышном положении, смогли адаптироваться к новым реалиям гораздо легче и быстрее.

Давайте рассмотрим успешные примеры использования больших данных известными крупными ритейлерами и узнаем, как решения SAP помогут трансформировать данные в прибыль.

Amazon

Динамическое ценообразование

Компания Amazon знаменита своим динамическим ценообразованием. Как оно работает? Большие данные помогают определить, совершит клиент покупку или нет. Например, когда вы несколько раз открываете определенный товар, цена на этот товар может измениться. Портал Business Insider сообщает, что Amazon меняет цены на товары около 2,5 миллионов раз в день либо каждые 10 минут. Цена на товар зависит от таких аспектов, цены у конкурентов и количество товара на складе.

Предотвращение мошенничества

Amazon блокирует аккаунты пользователей за частые возвраты покупок. Основываясь на информации о покупательской активности клиентов, Amazon использует большие данные для обнаружения подозрительных возвратов. При выявлении подозрительной активности компания проводит расследование. В 2018 году некоторые клиенты Amazon сообщили, что их забанили из-за частых возвратов товара.

Рекомендации продуктов

Особое внимание Amazon уделяет персонализированной рекомендации продуктов. Чтобы стратегия продаж приносила конкретные результаты, компания интегрировала систему рекомендаций в свою платформу электронной коммерции. На основе данных о покупках пользователей Amazon прогнозирует, что захотят купить клиенты, и предлагает им товары, в которых они могут быть заинтересованы. Например, если вы часто покупаете зубную пасту, вам будут предлагать такие товары, как зубная щетка или зубная нить. Компания Amazon пошла еще дальше. Amazon запатентовал систему Anticipatory Shipping Model для прогнозирования того, что покупатели собираются купить, и доставки этих товаров на склад заранее.

Starbucks

Геолокационная аналитика

Компания Starbucks пересмотрела свою геолокационную стратегию для оценки рисков, связанных с расширением присутствия в регионах, еще в далеком 2013. Для открытия магазинов был применен подход, основанный на больших данных.

Этот подход заключался в системе планирования на базе искусственного интеллекта, которая помогла им стремительно открывать магазины в новых местах с минимальными рисками снижения продаж и “усталости” от бренда. Благодаря геолокационной аналитике Starbucks получает представление о целевом рынке, что помогает определить экономическую целесообразность открытия нового магазина в том или ином месте.

Разработка продукта на основе анализа данных

Starbucks использует большие данные для разработки новых продуктов. Благодаря анализу покупательских привычек компания генерирует идеи новых продуктов и стратегии их продажи. Например, вот уже 15 лет каждый год к Хэллоуину компания представляет ряд напитков со вкусом тыквы. Еще один пример 一 продажа продуктов Starbucks в супермаркетах для приготовления кофе дома. Данные магазинов помогли компании определить, какие продукты нужны тем, кто готовит кофе дома.

Обновляющееся меню

Starbucks также использует большие данные, чтобы обновлять свои предложения в зависимости от предпочтений клиентов, местоположения и времени. Например, в распечатанное меню гораздо труднее вносить изменения, поэтому компании активно используют меловые доски. Но у Starbucks есть свое решение 一 цифровые меню-борды. Решение позволяет обновлять меню без дополнительных усилий и затрат.

“Используя данные об около 90 миллионах транзакций в неделю, мы знаем, что, где и как покупают клиенты. Сравнивая эту информацию с другими данными, например, погодой, рекламой, текущими событиями, мы можем предоставить более персонализированное обслуживание”, — Джерри Мартин-Фликингер, технический директор Starbucks.

Источник: cio.com

Ikea

Умное прогнозирование спроса

Недавно Ikea разработала интеллектуальный инструмент для планирования спроса Demand Sensing, внедренный в Норвегии. Прогнозы основаны на статистических данных о продажах. Например, это могут быть данные о продажах и спросе за последние несколько лет, которые помогают спрогнозировать количество товаров, необходимых для удовлетворения спроса в предстоящий период. Именно ориентирование на региональное прогнозирование делает этот инструмент ценным для Ikea.

“Правильный и точный прогноз помогает определить спрос. Если спрос слишком высокий, наши затраты и, следовательно, цены для наших клиентов увеличиваются. Если спрос низкий, затраты уменьшаются. Этот прогноз оказывает большое влияние на наш бизнес и на обслуживание клиентов”, — Питер Гримвалл, менеджер отдела развития цепочки поставок.

Источник: about.ikea.com

Персонализированные рекомендации в режиме реального времени

Ikea предлагает персонализированные рекомендации по различным каналам, например, рекомендации в корзине покупок и т. д. Компания также использует модели рекомендаций на основе искусственного интеллекта, такие как «Рекомендации для вас», «Часто покупают вместе» и другие, чтобы повысить конверсию и оптимизировать путь к покупке. В сотрудничестве с Google компания Ikea ускорила внедрение модели и достигла ценных результатов, включая увеличение количества релевантных рекомендаций, отображаемых на странице, а также улучшение коэффициента конверсии и средней стоимости заказа.

Источник: cloud.google.com

Опыт покупок на основе AR

При покупке мебели клиенты часто переживают, будет ли она смотреться в комнате. Чтобы улучшить опыт покупки мебели, Ikea использует инструменты распознавания изображений и AR в мобильных каталогах. Например, технология Ikea Place позволяет виртуально устанавливать мебель в комнате, чтобы посмотреть, подходит ли она к интерьеру, и, если нет, приобрести что-то другое.

Что объединяет все эти компании? Эффективность больших данных основана на доступных объемах хранения данных и системах аналитики, интегрированных в бизнес-процессы. Как не отставать от мировых ритейлеров?

SAP HANA и SAP Analytics Cloud помогут решить вопрос преобразования данных в прибыль

Чтобы максимально использовать большие данные, интеллектуальному предприятию требуется база данных, которая поможет выявлять закономерности в необработанных данных и раскрывать потенциал данных для повышения эффективности бизнеса. SAP HANA 一 инновационное решения для управления данными продуктов SAP, включая SAP Analytics Cloud, платформу, которая позволяет принимать бизнес-решения в режиме реального времени. Благодаря SAP HANA предприятия могут эффективно обрабатывать большие объемы данных. Поскольку управление данными доступно в облачной среде, оно становится более экономичным и простым в обслуживании для организаций. Если вы планируете переход к интеллектуальному предприятию, внедрение SAP HANA с SAP Analytics Cloud 一 это то, что вам нужно. Согласно опросу BI & Analytics Survey 21, решение SAP Analytics Cloud заняло не менее 19 высших позиций и 21 лидирующую позицию по сравнению со своими конкурентами.

Источник: sap.com

Компания LeverX — надежный партнер SAP — имеет профессиональный опыт консультирования по решениям SAP, а также их внедрения, интеграции и настройки в соответствии с бизнес-целями клиента. Свяжитесь с экспертами LeverX и забронируйте бесплатную консультацию по решениям SAP. Наши консультанты проведут глубокий анализ ваших бизнес-процессов, чтобы определить, как SAP HANA и SAP Analytics Cloud могут раскрыть потенциал больших данных вашей компании.