Проблема
Сегодня в сфере ритейла моделирование ассортимента, ценообразование, прогнозирование спроса, проведение рекламных кампаний и персонализация товарных рекомендаций (от формирования индивидуальных предложений до программ лояльности) абсолютно невозможны без использования разработок в области BIG DATA. Между тем, автоматизированная и отлаженная работа данных направлений является гарантией получения прибыли для любой розничной сети.
Однако, ритейл относится к сфере, где большое количество неупорядоченных данных накапливается с огромной скоростью: ассортимент представленных на полках продуктов может достигать тысячи позиций, каждую минуту через систему проходят десятки тысяч транзакций, а сами розничные сети обслуживают миллионы клиентов в день. Таким образом, ежедневно любая розничная сеть должна собирать, анализировать и формировать отчеты на растущих объемах данных, которые она получает из CRM-, ERP-систем, и точек продаж.
Обработка таких данных становится самой большой проблемой ритейл-бизнеса – хранение и аналитика такого массива информации требует все больше вычислительных ресурсов, масштабирования наземных DWH и расширения штата, что постоянно удорожает процесс работы с данными и вынуждает ритейлеров закладывать эти затраты в цену товара. В итоге, вместо прибыли ритейлеры зачастую получают падение продаж из-за регулярного повышения цен и, как следствие, вынуждены уменьшать ассортимент из-за отсутствия продаж.
Более того, постоянная конкуренция вынуждает ритейлеров искать новые и более эффективные способы продаж, а принятие каких-либо коммерчески-эффективных решений невозможно без качественной аналитики. Такой анализ не может быть проведен обычными средствами – Excel-аналитика может покрыть лишь небольшую часть потребностей бизнеса, в то время как большая часть данных не может быть обработана с помощью подобных инструментов, как следствие – большая часть вопросов так и останется без ответов.
Решение для ритейла
Давайте рассмотрим классическую схему функционирования розничной сети.
Данные компании хранятся на локальных SQL-серверах (наземных DWH), обрабатываются в OLAP-кубе (On-Line Analytical Processing) – структурированном многомерном массиве данных, который позволяет провести многофакторный анализ в различных разрезах с помощью служб анализа SQL Server Analysis Services, и на базе этой консолидированной информации формируются ежедневные отчеты.
Так как наземные DWH и типичные средства аналитики не позволяют отобразить отчетность в stream-режиме, данные обновляются максимум несколько раз в сутки, что не дает возможности бизнесу принимать своевременные решения, более того – автоматизировать процесс их принятия.
Например, аналитики компании смогут увидеть убыточную тенденцию и отреагировать на нее только на следующие сутки, а к тому времени она может принести немалый убыток.
Поскольку работа с BIG DATA с каждым днем требует все больших ресурсов и расширения хранилищ данных, соответственно, также усложняется и увеличивается объем необходимой отчетности. В случае больших розничных сетей это ведет к полной невозможности провести качественную аналитику и понять, какие меры надо принять, например, для определения оптимального ассортимента, количества торговых точек, выгодных цен, максимизации прибыли, увеличении рыночной доли, не говоря уже о том, что какое-либо прогнозирование без тщательного и полного анализа данных совершенно невозможно.
Решением данной – самой актуальной для ритейла – проблемы является использование гибридных хранилищ данных или полная миграция на облачную платформу Microsoft Azure, а именно – использование ее аналитической системы Microsoft Azure Synapse Analytics, которая содержит модули для подключения, обработки, преобразования, аналитики и визуализации данных в live-режиме.
Microsoft Azure Synapse Analytics позволяет перенести данные из DWH (Microsoft Azure Data Factory) и автоматизировать BIG DATA-аналитику (Microsoft Power BI), то есть аналитические отчеты могут быть перенесены в Azure Synapse Analytics и связаны с платформой визуализации данных Power BI, что обеспечит практически круглосуточный мониторинг данных.
В дальнейшем на базе этой описательной и диагностической аналитики (descriptive and predictive analytics) можно построить предиктивную (predictive, advanced analytics) с помощью модуля Microsoft Data Bricks, который позволит разработать AI-модели для классификации и сегментации посетителей, прогнозирования спроса, ценообразования, автоматизации товарных запасов.
Полученные прогнозы можно использовать для планирования ассортимента, запуска рекламных компаний, разработки программ лояльности и многого другого.
Преимущества:
- Переход на Microsoft Azure Synapse Analytics оптимизирует затраты на инфраструктуру и позволяет “бесконечно” масштабировать хранилища данных — компания платит только за потребляемые мощности и используемые модули платформы и в любой момент может расширить пакет услуг.
- Ежедневные отчеты могут обновляться каждые 15-45 минут, а не 1 раз в сутки, что позволит бизнесу оперативно реагировать на изменения
- Обычно данные собираются разными способами и системами, зачастую настолько разными технологически, чтобы сложно их агрегировать и тем более – провести качественный анализ. Azure Synapse Analytics позволяет получить единое автоматизированное решение для хранения и аналитики данных в рамках единой платформы.
- Обслуживание IT-инфраструктуры компании и обеспечение ее бесперебойной работы становится обязанностью Microsoft – компания гарантирует минимум 99,5% доступность своих сервисов согласно SLA (Service Level Agreement) — соглашению об уровне обслуживания.
- Компания Microsoft гарантирует безопасность данных – платформа позволяет устанавливать уровни доступа к отчетам и вести мониторинг активности пользователей.
- На сегодняшний день современные решения для работы с данными разрабатываются на облачных платформах, а потому компании, которая игнорирует эту тенденцию, будет сложно получить конкурентные преимущества уже в недалеком будущем.