Проблема

Сьогодні у сфері рітейлу моделювання асортименту, ціноутворення, прогнозування попиту, проведення рекламних кампаній та персоналізація товарних рекомендацій (від формування індивідуальних пропозицій до програм лояльності) абсолютно неможливі без використання розробок у галузі BIG DATA. Тим часом автоматизована та налагоджена робота цих напрямків є гарантією отримання прибутку для будь-якої роздрібної мережі.

Проте, рітейл відноситься до сфери, де велика кількість невпорядкованих даних накопичується з величезною швидкістю: асортимент представлених на полицях продуктів може досягати тисяч позицій, щохвилини через систему проходять десятки тисяч транзакцій, а роздрібні мережі обслуговують мільйони клієнтів на день. Таким чином, щодня будь-яка роздрібна мережа повинна збирати, аналізувати та формувати звіти на зростаючих обсягах даних, які вона отримує з CRM-, ERP-систем та точок продажів.

Обробка таких даних стає найбільшою проблемою рітейл-бізнесу – зберігання та аналітика такого масиву інформації потребує дедалі більше обчислювальних ресурсів, масштабування наземних DWH та розширення штату, що постійно здорожує процес роботи з даними та змушує рітейлерів закладати ці витрати у ціну товару. У результаті, замість прибутку рітейлери часто одержують падіння продажів через регулярне підвищення цін і, як наслідок, змушені зменшувати асортимент через відсутність продажів.

Більше того, постійна конкуренція змушує рітейлерів шукати нові та ефективніші способи продажів, а прийняття будь-яких комерційно-ефективних рішень неможливе без якісної аналітики. Такий аналіз не може бути проведений звичайними засобами — Excel-аналітика може покрити лише невелику частину потреб бізнесу, тоді як більшість даних не може бути оброблена за допомогою подібних інструментів, як наслідок — більшість питань так і залишиться без відповідей.

Рішення для рітейлу

Розглянемо класичну схему функціонування роздрібної мережі.

Дані компанії зберігаються на локальних SQL-серверах (наземних DWH), обробляються в OLAP-кубі (On-Line Analytical Processing) – структурованому багатовимірному масиві даних, який дозволяє провести багатофакторний аналіз у різних розрізах за допомогою служб аналізу SQL Server Analysis Services, та на основі цієї консолідованої інформації формуються щоденні звіти.

Оскільки наземні DWH та типові засоби аналітики не дозволяють відобразити звітність у stream-режимі, дані оновлюються максимум кілька разів на добу, що не дає можливості бізнесу приймати своєчасні рішення, більш того – автоматизувати процес їхнього прийняття.

Наприклад, аналітики компанії зможуть побачити збиткову тенденцію та відреагувати на неї лише на наступну добу, а на той час вона може завдати чималих збитків.

Оскільки робота з BIG DATA з кожним днем ​​вимагає все більших ресурсів та розширення сховищ даних, відповідно, також ускладнюється та збільшується обсяг необхідної звітності. У разі великих роздрібних мереж це веде до повної неможливості провести якісну аналітику та зрозуміти, які заходи треба вжити, наприклад, для визначення оптимального асортименту, кількості торгових точок, вигідних цін, максимізації прибутку, збільшення ринкової частки, не кажучи вже про те, що будь-яке прогнозування без ретельного та повного аналізу даних абсолютно неможливе.

Вирішенням даної – найактуальнішої для рітейлу – проблеми є використання гібридних сховищ даних або повна міграція на хмарну платформу Microsoft Azure, а саме – використання її аналітичної системи Microsoft Azure Synapse Analytics, яка містить модулі для підключення, обробки, перетворення, аналітики та візуалізації даних у live-режим.

Microsoft Azure Synapse Analytics дозволяє перенести дані з DWH (Microsoft Azure Data Factory) та автоматизувати BIG DATA-аналітику (Microsoft Power BI), тобто аналітичні звіти можуть бути перенесені до Azure Synapse Analytics і пов’язані з платформою візуалізації даних Power BI, що забезпечить практично цілодобовий моніторинг даних.

Надалі на базі цієї описової та діагностичної аналітики (descriptive and predictive analytics) можна побудувати предикативу (predictive, advanced analytics) за допомогою модуля Microsoft Data Bricks, який дозволить розробити AI-моделі для класифікації та сегментації відвідувачів, прогнозування попиту, ціноутворення, автоматизації товарних запасів.

Отримані прогнози можна використовувати для планування асортименту, запуску рекламних компаній, розробки програм лояльності та багато іншого.

Переваги

  • Перехід на Microsoft Azure Synapse Analytics оптимізує витрати на інфраструктуру і дозволяє “нескінченно” масштабувати сховища даних — компанія сплачує тільки за споживані потужності та модулі платформи, що використовуються, і в будь-який момент може розширити пакет послуг.
  • Щоденні звіти можуть оновлюватися кожні 15-45 хвилин, а не 1 раз на добу, що дозволить бізнесу оперативно реагувати на зміни.
  • Зазвичай дані збираються різними способами та системами, найчастіше настільки різними технологічно, що їх складно агрегувати і тим більше провести якісний аналіз. Azure Synapse Analytics дозволяє отримати єдине автоматизоване рішення для зберігання та аналітики даних у рамках єдиної платформи.
  • Обслуговування IT-інфраструктури компанії та забезпечення її безперебійної роботи стає обов’язком Microsoft – компанія гарантує мінімум 99,5% доступність своїх сервісів згідно з SLA (Service Level Agreement) – угодою про рівень обслуговування.
  • Компанія Microsoft гарантує безпеку даних – платформа дозволяє встановлювати рівні доступу до звітів та вести моніторинг активності користувачів.
  • На сьогоднішній день сучасні рішення для роботи з даними розробляються на хмарних платформах, тому компанії, яка ігнорує цю тенденцію, буде складно отримати конкурентні переваги вже в недалекому майбутньому.

Компанія TechExpert пропонує рішення для операторів сектору рітейлу в галузі бізнес-аналітики, побудови сучасних сховищ даних та міграції до хмарного сервісу Microsoft Azure. Для комплексного вирішення бізнес-завдань допоможемо вам встановити та налагодити систему Microsoft Azure Synapse Analytics.