Дэн Митчелл, SAS: В 2021 году клиентские данные стали стратегическим ресурсом компаний

R&L: Как изменились запросы на бизнес-аналитику в ритейле и FMCG за последний год?

Д. Митчелл: Изменились требования к скорости и масштабируемости решений, а также к самостоятельности пользователей при создании новых настроек в аналитических системах. В связи с этим, первое, на что я хотел бы обратить внимание, – это значительное сокращение сроков работы над проектами, прежде всего благодаря широкому аналитическому инструментарию, который доступен всем участникам команды через облачные приложения. Также всем без исключения доступны аппаратные ресурсы, что позволяет команде работать в едином пространстве. Как результат – возможность привлечь к проекту любое необходимое количество сотрудников для его реализации в сжатые сроки.

Кроме того, если раньше к проекту приходилось привлекать экспертов в области data science, то сейчас эти специалисты постоянно работают в связке с аналитиками данных и могут использовать широкий спектр различных интуитивных инструментов. И при помощи технологии drag&drop легко их комбинировать, проводить всевозможные операции, включая data mining либо оптимизацию.

R&L: Сменились ли приоритеты у ритейла в ответ на изменения в потребительском поведении?

Д. Митчелл: В связи с локдауном и с ограничениями на перемещения людей спрос стал структурироваться по-новому. Работа офлайновой розницы претерпела ряд серьезных изменений. Как следствие, компаниям пришлось перейти от размеренного квартального планирования на основе спроса к краткосрочным проектам в условиях максимально динамичного и оперативного планирования. Когда об этом рассказываешь, кажется, что все просто, но на деле это не так: ведь в новых условиях приходится использовать новые аналитические модели. Раньше главным ориентиром были сезонные тренды и колебания, сейчас приходится более активно привлекать внешние данные, например информацию об онлайн-запросах клиентов. Еще пару лет назад трудно было представить, чтобы люди искали в интернете канцтовары, макароны или рис, а сейчас это абсолютно нормальное явление. И такие данные можно весьма эффективно использовать для расширения и обогащения имеющихся у компаний моделей.

Что касается онлайн-продаж, здесь важно использовать всевозможные решения, которые помогают добиться максимальной персонализации. Как пример: если клиент ищет в интернете продукты, которых у ритейлера нет, должна быть возможность оперативно предложить человеку замену. И система должна сама выдавать подсказки, что за продукт это должен быть, чтобы клиент с высокой долей вероятности его купил.

R&L: Насколько хорошо ритейлеры умеют работать с этими системами?

Д. Митчелл: Лучше других с этим, конечно, справляются те ритейлеры, которые начали внедрение такого рода технологий еще до пандемии. Однако вне зависимости от качества проработки технологий, все ритейлеры уже остро чувствуют необходимость наличия большего объема данных для более качественной работы с клиентом.

Компании, у которых системы аналитики готовы процентов на 80, могут без проблем приступать к работе. Тем, которые не дотягивают до приемлемого уровня, следует до старта должным образом обработать имеющиеся у них данные, очистить их и потом уже запускать оптимизационные движки и системы прогнозирования.

Не менее важен такой момент, как параллельная эксплуатация новых и существующих транзакционных систем. В переходный период не стоит пытаться вносить изменения в имеющиеся транзакционные системы, поскольку есть риск нарушить их работу. Параллельный же запуск гарантирует отсутствие критических сбоев.

R&L: Пересмотрели ли ритейлеры и производители свое отношение к клиентским данным и подходы к работе с ними?

Д. Митчелл: Конечно, теперь все понимают, что клиентские данные – это очень важный ресурс, можно даже сказать – стратегический. Интересным кейсом на SAS Global Forum поделилась компания Procter & Gamble. Они разработали цифровой двойник процесса, с помощью которого проработали путь стирального порошка от производства через цепочку поставки и до конечного клиента. Самое интересное – они смогли определить новые составы порошка еще до начала лабораторных исследований, сделав это на основании анализа клиентских данных.

Такие технологии обсуждаются уже очень давно, и вот наконец мы начинаем видеть живые примеры их практического применения.

R&L: Какие вы видите пути превращения данных в прибыльный инструмент? Как сегодня нужно работать с клиентской аудиторией, какие решения обязательно должны быть в арсенале компании?

Д. Митчелл: Ритейлеры и производители, ориентированные на потребителя, – сейчас сконцентрированы на построении максимально исчерпывающей картины потребительского спроса. Это ключевой фактор успеха, решение, которое должно быть у каждой современной компании, которое дает возможность эффективно инвестировать свои ресурсы и сокращать затоваривание складов.

Если говорить, например, о fashion-ритейле, на основании таких данных можно оптимизировать цену, цвет, размер, а также рекламные материалы и рекламные кампании. А в целом – оптимально распределить усилия и ресурсы. С точки зрения маркетинга важно поддерживать эффективную связь с клиентом, поскольку при онлайн-продажах очень легко потерять клиента, а значит, – необходимо сконцентрироваться на его удержании по всем возможным маркетинговым каналам. И перейти от массовой сегментации к персонализированному подходу, по сути – к личным взаимоотношениям с клиентом.

Если у ритейлера/производителя большое количество клиентов и проводится много рекламных кампаний, очень важно правильно спланировать путь взаимодействия с каждым из них, четко определить каждый его участок, в т.ч. возвращение клиента. Здесь необходимо определить зависимость между существующим клиентским спросом и уровнем обеспечения клиентского опыта и удовлетворенности клиента. Для этого компании должны использовать все возможные инструменты, уметь собирать и анализировать данные и планировать на их базе опыт конкретного клиента в конкретном магазине. В том числе варианты доставки.

R&L: Можете поделиться примерами удачной персонализации?

Д. Митчелл: Конечно – у вас в России это пример сети магазинов «Перекресток». С помощью аналитических систем SAS «Перекресток» определяет релевантные предложения для каждого клиента и направляет их через наиболее удобный покупателю канал коммуникаций. Система учитывает почти 200 атрибутов по клиенту, рассчитывает вероятность отклика на предложение и потенциальную доходность. Таким образом, на основе прогноза выбирается лучшее предложение для клиента, которое скорее всего приведет к покупке.

В Европе есть крупная сеть аптек DM-drogerie markt, они работают в 13 странах. Этот ритейлер решил строить работу с покупателями так, чтобы жизнь покупателя стала проще. Например, они нацелены не просто создать приятный опыт покупок, а дать возможность меньше времени тратить на поиск и выбор товара. Соответственно, они собирают данные через три канала продаж – магазины, интернет-портал и мобильное приложение – и получают представление о потребностях, предпочтениях, интересах и покупательском поведении своих клиентов. Работая с этими данными, они повышают релевантность персональных предложений.

Та персонализация, к которой стремится отрасль, – это, по сути, работа на уровне каждого отдельного клиента. То есть гиперперсонализация. Настоящая гиперперсонализация возможна только тогда, когда компания умеет работать со всеми имеющимися данными по известным клиентам, например, по участникам программы лояльности, и применять их к новым и даже потенциальным клиентам. Вот этот мостик очень важно построить на пути к гиперперсонализированному опыту. Конечно, здесь придется столкнуться со множеством ограничений, таких как защита персональных данных в соответствии с законодательством каждой страны. А также – с неготовностью части потребителей пользоваться инновационными решениями. Так, в начале пандемии мы обнаружили, что далеко не все клиенты готовы использовать мобильные устройства для осуществления покупок. В то же время, у многих мы наоборот обнаружили готовность учиться, и благодаря этому получили новые возможности для усиления персонализированного подхода.

R&L: От каких факторов зависит возвращение клиента к бренду в первую очередь?

Д. Митчелл: Пожалуй, самое важное – умение сэкономить человеку время, избавив его от ненужной информации. Но в первую очередь, важно уметь прогнозировать и отслеживать ценность клиента на протяжении всего жизненного цикла. Компания должна понимать, кого и зачем пытается удержать или вернуть. В том числе – его чувствительность к ценам, склонность к тому или иному бренду и пр. Разобравшись с этими вопросами, можно удалять все элементы, которые потребителю неинтересны, по максимуму зачистить его рекламное пространство, не пытаться навязать ему ненужные товары, а предлагать только самое необходимое в конкретный момент времени.

R&L: Какие вы сейчас отмечаете тренды в развитии прогнозной аналитики?

Д. Митчелл: Операционализация аналитики, то есть встраивание ее в бизнес-процессы, из головной боли превращается в нормальную задачу. Это позитивная тенденция. Когда компании начинают внедрять у себя аналитические решения, их первостепенная задача – продумать весь жизненный цикл аналитической модели. Ведь ее нужно не просто построить – нужны сделать так, чтобы она работала и обеспечивала результаты, которые будут понятны конечным пользователям. Если результаты сможет интерпретировать только data scientist – модель абсолютно нерабочая. Проще говоря – данные должны быть автоматически «переведены» с языка цифр на человеческий язык. Если какие-то показатели превышают заданный порог или, наоборот, не достигают его, это должно быть понятно человеку, который пользуется этой информацией. Если на каком-то складе вдруг обнаружатся неадекватные показатели, оператор должен иметь возможность разобраться с проблемой без привлечения ИТ и аналитиков.

R&L: Насколько компании продвинулись за последнее время в вопросах интерпретации результатов анализа и повысили точность планирования?

Д. Митчелл: С точки зрения интерпретации очень важно наличие системы управления моделями. Особенно, когда компания использует десятки моделей, написанных на разных языках, – Open Source, Python, SAS. И во всех случаях, когда предсказательная точность работы модели вдруг начинает резко меняться, оператор должен сам распознать проблему и принять решение о дальнейших действиях. Здесь очень важно выявить те случаи, когда операторы каким-то образом переопределяют результаты работы модели и корректируют их в большую или меньшую сторону. Например, система прогнозирует продажи на уровне X единиц товара, а оператор меняет этот показатель. Нужно разобраться: как влияют такие корректировки на результаты работы? Почему операторы это делают? Имеет ли смысл заложить эти данные в модель? Не исключено, что такие корректировки могут иметь негативный эффект. Мы сейчас тестируем модель, которая позволяет повысить ценность прогноза за счет интеграции в ИИ-модель корректировок, сделанных людьми. До сих пор таких решений на рынке представлено не было. По сути, речь идет об обогащении результатов работы ИИ работой человеческого интеллекта. И на следующем этапе пилотирования этой модели мы сосредоточимся на повышении ее точности благодаря обратной связи от человека.

Что касается достижений компаний в точности планирования, то мы с вами уже обсуждали произошедшие из-за пандемии изменения в сроках прогнозирования спроса и планирования запасов, а также появление цифровых двойников. Все эти факторы влияют на точность. Данных становится больше, появляются новые инструменты, горизонт планирования сокращается – точность прогнозов, по моим наблюдениям, сейчас выше, но вместе с тем, от компаний теперь требуются более высокая скорость реакции, большая гибкость и инвестиции в логистику.

R&L: Ощущается ли на рынке дефицит специалистов для работы с такими моделями?

Д. Митчелл: В целом специалистов становится все больше и больше, хотя они не очень охотно идут в розничную индустрию. Чтобы изменить ситуацию, мы с коллегами из других компаний разрабатываем множество образовательных и обучающих программ для привлечения и подготовки таких экспертов.

Не менее важные вопросы – есть ли у аналитиков все необходимые инструменты и насколько эффективно они используют свои временные ресурсы. Если 80% времени уходит на получение данных – модель нуждается в оптимизации, а специалист – в дополнительных инструментах. Например, в возможности использовать технологию drug&drop, чтобы протестировать те переменные, которые они получили, и рассказать, какие из них наиболее ценны для компании.

R&L: Какие подходы к организации аналитических процессов в компании обеспечивает максимальный эффект?

Д. Митчелл: Во-первых, у людей должен быть доступ к большому количеству разнообразных инструментов, многие из которых я упоминал в ходе нашей беседы. Во-вторых, необходима правильная организация команды, в т. ч. такой момент, как взаимодополнение специалистами друг друга. В ходе Global SAS Forum я пообщался с представителями Procter & Gamble, и они рассказали, что в течение 8 лет используют «парный подход»: бизнес-специалист работает в паре с data scientist. Такой подход позволяет организовать их работу намного эффективнее: бизнес-аналитик начинает лучше понимать, как устроены данные и как с ними эффективнее работать, data scientist – разбираться в различных бизнес-аспектах. Как оказалось, такой подход приносит больше пользы, чем работа в группах из 5–6 человек. Другие производители, например, Georgia-Pacific, тоже подтвердили эффективность такого подхода.