search Поиск Вход
, , 9 мин. на чтение

«Пятерочка» и «ВкусВилл» знают о вас почти все: как работают большие данные в ритейле

, , 9 мин. на чтение
«Пятерочка» и «ВкусВилл» знают о вас почти все: как работают большие данные в ритейле

Это случалось почти с каждым. У меня не было карточки «Ленты», и добрая кассирша стрельнула ее у кого-то из стоявших в очереди за мной. Провела покупки через карту этого человека, и мой чек уменьшился почти на треть.

«Будете заводить карту?» — спросила девушка. Я отказался. Но по дороге домой все время думал: а что получает сама «Лента», что они готовы давать мне скидку 30% за то, что я включусь в их программу лояльности? Дома я выложил из кошелька все карты разных магазинов, которые у меня скопились, и просмотрел в телефоне все приложения, которые я установил в погоне за скидками и баллами. Их оказалось пять штук. Наверняка у многих больше.

Мы, потребители, получаем свои скидки и бонусы, прикладывая карты к кассовым терминалам или сканируя штрихкод в приложении на своем телефоне. «На халяву и уксус сладкий», гласит народная мудрость. Наш интерес понятен. Я решил узнать, как монетизируют свои скидки сами ритейлеры.

Big Data

Программы лояльности, конечно, пытаются привлечь клиентов скидками и программами накопления баллов. Но само по себе это далеко не главное. Главное в этом деле — знания. Информация, данные. Активируя свою карту какой-нибудь «Пятерочки», человек попадает в ее базу данных со своим именем, номером телефона и местом жительства, которое определяется автоматически приложением в смартфоне. Но главное, теперь он будет создавать все новые данные каждый раз, когда воспользуется своей карточкой для получения скидки на апельсины, молоко или памперсы. Короче говоря, каждое действие оставляет свой след.

Собирая и изучая эти следы, можно извлечь немало новой информации. Об индивидуальном покупателе, о целых потребительских секторах и о рынке вообще. Эта информация позволяет совершенствовать бизнес-модель. На самом поверхностном уровне ритейлер видит социально-демографический портрет своей клиентуры. От этого зависит, например, ассортимент. Если больше половины клиентов магазина составляют женщины в возрасте от 25 до 44 лет, то вам нужно много полок для детского питания, подгузников и игрушек. А также стоит озаботиться товарами для красоты и косметикой. Прежде такую информацию узнавали из маркетинговых исследований, просто опрашивая большие массы респондентов. Теперь она доступна на материале выборки, о которой раньше нельзя было и мечтать. Только у X5 Retail Group, в которую входят розничные сети «Пятерочка», «Перекресток», «Карусель» и другие поменьше, 48 млн активных пользователей карт 16,5 тыс. магазинов. Это позволяет создавать портрет потребителя каждого отдельного магазина, меняя его ассортимент, расположение отделов и полок и делая много других усовершенствований.

Но громадные массивы данных дают намного больше. Потребителей делят на категории в зависимости от самых разных критериев. По уровню трат, по ценовому сегменту товаров, которые они покупают, по степени лояльности. Программисты создают алгоритмы, которые позволяют увидеть, что нужно для каждого типа покупателей, чтобы они возвращались в магазин чаще, а покупали больше.

«Лояльные покупатели тратят больше, так как программа лояльности повышает эффективность коммуникации. При этом база программы лояльности, например, в “Пятерочке” обеспечивает 79% розничного товарооборота сети и составляет 64% от трафика, в “Перекрестке” — 78% и 63% соответственно. Кроме этого данные программы лояльности — это значимый стратегический актив, который дает возможность бизнесу лучше понимать покупателей и управлять развитием», — рассказали мне в пресс-службе X5 Retail Group.

Начальник отдела разработки в управлении разработки и сопровождения продуктов больших данных X5 Retail Group Алексей Дарвин приводит интуитивно понятный всем первомайский пример: «Есть пары товаров, которые люди покупают вместе: тортик и цветы, пиво и чипсы и т. д. Меня поразил пример из одного массива данных, с которыми мы работали. Представьте себе картину: майские праздники. Люди идут в магазины. Покупают шашлык, фрукты и овощи, лук. И водку. И вот что они берут к водке объемом 0,7? Вторым номером человек берет 0,5. И в нашей метрике из цифр четко проступает картина праздника: вторая бутылка нужна, чтобы, во-первых, больше никуда не бегать, а во-вторых, чтобы позаботиться о своем здоровье, не злоупотреблять и не брать вторую 0,7». Для менеджмента торговой сети это совсем не бесполезная информация. Заранее зная, каким будет поведение значительного числа потребителей, можно не только правильно расставить товары на полке, но и продумать маркетинговые акции, которые позволят максимально увеличить средний чек и привлечь максимальное число покупателей в магазины.

Собственно, первой задачей, стоящей перед подразделениями разработки и управления большими данными в ритейл-бизнесе является прогноз спроса. Сколько конкретного товара будет куплено в конкретном магазине. «Допустим, мы купили 100 тонн курицы. Мы хотим продать максимально близко к этому числу. Если мы купили 100 тонн курицы, а купили у нас 90, это плохо. Если купили мы 100 тонн и продали тоже 100 тонн, это тоже плохо. Почему? Мы не можем быть уверены, что у нас бы не купили тогда 110 тонн. Получается, что тот спрос, который есть на эту курицу, мы полностью не удовлетворили, и, возможно, клиенты пошли к конкурентам или просто остались недовольны. Соответственно, мы хотим, чтобы у нас была дельта между тем, что мы купили, и тем, что мы продали, но она была бы максимально маленькой. То есть не 10 тонн, как в примере 100 и 90, а, допустим, тонна или полтонны», — говорит экс-директор по моделированию и анализу данных X5 Retail Group Валерий Бабушкин. Это примерно то, на что тратил все свои силы (но справлялся не так чтобы безупречно) Госплан СССР. Современные алгоритмы делают это почти идеально. Дельта между закупками и продажами становится минимальной, но дефицит не наступает. Бизнес в выигрыше: списывать почти ничего не приходится.

Вторая задача, которую решают с помощью технологии больших данных, — ценообразование. Ключевая цель, которая пока до конца не решена в российском ритейле — это переход к динамическому ценообразованию, когда ценники на полках магазинов меняются в зависимости от сотен факторов и событий на рынке. Например, в конкурирующей сети началась распродажа или уменьшились товарные запасы на складе, по прогнозу вечером случится гроза — и ценники на сотни наименований должны меняться автоматически. По подсчетам, динамическое ценообразование может увеличить прибыль на 25%.

Крупные ритейлеры знают о своих клиентах гораздо больше, чем они сами. В отличие от нас они всегда помнят многолетнюю историю наших покупок, знают, между какими товарными позициями мы колеблемся, что выглядит для нас привлекательно, чем нас можно заинтересовать. «Розничные компании постоянно развивают и совершенствуют методы сбора информации о покупателях, — говорит Денис Бочаров, менеджер по развитию бизнеса “Orange Business Services Россия и СНГ”. — Это Wi-Fi-датчики и Bluetooth-маячки, которые идентифицируют устройства, умные кассы, анализ списка покупок и т. п. Кроме того, сегодня ритейлеры собирают данные с помощью мобильных операторов. Это позволяет готовить персонализированные предложения с учетом личных предпочтений клиента, среднего чека и даже текущей геолокации».

Если вы каждый день покупаете в магазине апельсин и коньяк, то алгоритм соотнесет вас с миллионом других людей, которые выбирают эти товары, и проанализирует, чем можно разбавить вашу традиционную пару. Возможно, другие ценители цитрусовых и коньяка покупают ванильный леденец или, скажем, крепкий кофе. Вам наверняка придет СМС с предложением купить кофе с леденцом по акции. Собранные ритейлерами большие данные дают бесценный материал для таргетированной рекламы. Бомбить по площадям, показывая на многомиллионную аудиторию рекламу товаров, которые покупают лишь немногие, больше не надо. Искусственный интеллект доведет персонализацию рекламы до предела, и вам будут предлагать только то, на что вы заглядывались в прошлом месяце, на минуту задержавшись у одной из полок в магазине, но так ничего и не купив. «Программа лояльности позволяет замещать массовые скидки индивидуальными предложениями на нужные клиенту продукты или категории как от торговой сети, так и от поставщиков», — подтверждают в пресс-службе X5 Retail Group. Такая программа «Любимый продукт» давно есть, например, во «ВкусВилле», когда при покупке одного продукта на весь счет идет скидка, которая в свою очередь не действует, если вы его не купили. Таким образом, вам становится выгодно постоянно покупать один и тот же продукт, чтобы сэкономить.

Еще одна задача, которую помогают решать большие данные — локализация новых магазинов. Алгоритмы рассчитывают, в каких местах нужны новые торговые точки. На какого покупателя они должны быть рассчитаны, какой размер и график работы будут оптимальными. Крупнейший российский ритейлер X5 Retail Group открывает в год от нескольких сотен до нескольких тысяч магазинов и стремительно растет. В 2015-м компания занимала 40-е место в топ-100 мировых ритейлеров, а по итогам 2018-го — уже 22-е. К середине 2020-го компания владела 16 300 универмагами под разными брендами.

Новое направление для технологических кампаний вообще и для ритейлеров в частности — это технологии computervision, в том числе распознавание лиц. В конце октября на бульваре Веласкеса в подмосковном Николо-Хованском открылся первый в России умный магазин. Это «Пятерочка #налету». Персонала в ней вообще нет. То есть пока в тестовом режиме там дежурит сотрудник, но это только временно. Открыть магазин можно лишь по QR-коду в специальном приложении. В остальном все почти так же, как и в привычной «Пятерочке». Разве что нет развесного товара. Все в упаковке со штрихкодом. Сканируешь этот штрихкод в приложении, и деньги автоматически списываются с привязанной карточки. Незаметно взять что-то с полки не получится: за каждым шагом следят установленные камеры, которые отмечают каждое движение. Обмануть искусственный интеллект гораздо сложнее, чем обычных охранников.

В 2021 году X5 Retail Group планирует открыть 50 подобных магазинов (20–25 в Москве и остальные в крупных городах-миллионниках), говорят в пресс-службе компании. Через каких-нибудь пару лет магазины без персонала станут привычной деталью ландшафта в большинстве районов города. Поверить в это сейчас так же трудно, как и представить себе, что станет с тысячами продавщиц и кассиров из провинции, обеспечивающих сегодня продажи в тысячах магазинов у дома.

Следующий шаг — это визуальная идентификация клиента. Алгоритмы распознавания лиц (на самом деле не только лиц, еще фигуры, походки, движений) смогут идентифицировать практически каждого покупателя, связать его с личным аккаунтом и номером карты. Тогда ритуалы покупки станут вовсе не нужны. Можно будет просто набрать нужные товары и молча уйти. Деньги сами спишутся с вашего счета. Магазин превратится в общественный склад, как в старинных коммунистических утопиях Сен-Симона и Фурье. Хотя в нашем случае не общественный, а частный. Зато это не футуристическая утопия, это уже фактически готовая технология.

«Не за горами то время, когда вся реклама и все предложения в магазинах станут персонализированными, — уверен руководитель отдела управления данными компании “Первый Бит” Николай Сосиков. — Например, пакет молока для каждого покупателя будет стоить по-разному. Еще на одном и том же рекламном плакате мы будем видеть разную информацию. Отпадет необходимость в картах лояльности. На смену им придет биометрическая идентификация, что обеспечит рост продаж, так как появится возможность определять конкретного покупателя».

Между утопией и антиутопией

Большие данные и искусственный интеллект создают очень привлекательный пользовательский интерфейс. Они помогают потребителю выбрать именно то, что ему нравится и соответствует его интересам, пристрастиям и вкусам. Они экономят время на покупки. Они позволяют экономить общественно необходимый труд и число посредников между товаром и потребителем. Благодаря плановым механизмам, построенным на технологии Big Data, производство и потребление становятся более рациональными, а издержки сводятся к минимуму. Все меньше тонн еды превращается в мусор из-за непредсказуемости и нерациональности рынка.

И все же есть кое-какие «но». Прогресс технологий уничтожит или в разы сократит массовые профессии — кассиров, продавцов, администраторов торгового зала и т. д. Это тяжелый рутинный труд и лить по нему слезы не стоит, но в 2020-м ценность рабочих мест все же стала очевидной нам всем. Другая угроза заключается в том, что полная информация о происходящем на рынке резко увеличит пропасть между возможностями ритейлеров и потребителей.

Алгоритмы, подчиненные интересам корпоративной прибыли, становятся пугающе могущественными. Они знают про нас почти все. Созданная на их основе реклама намного более эффективна, чем старомодные баннеры и ролики, маркетинговые ходы слишком привлекательны и персонализированы. Шаг за шагом технологии Big Data подчиняют наше потребление задачам корпораций, которые собирают эти данные. Они не отменяют свободу воли, но размывают ее. Они формируют потребительские паттерны и ландшафты, вырваться из которых индивидууму может быть очень трудно. Потенциал манипуляций быстро растет. Слишком большая доля решений будет де-факто приниматься не человеком, а создаваться компаниями. Граница частной жизни и приватного пространства стирается. Наши скрытые желания и сомнения станут нолями и единичками в огромных уравнениях, которые рассчитывают маркетинговую политику корпораций.

Люди останутся разными, и для ритейлеров это не проблема. Их способность персонализировать предложение и маркетинг почти безгранично. Наоборот, их усилия приведут к укреплению границ между разными потребительскими группами. Человек окажется в пузыре, своего рода экосистеме, в которой стратегии потребления будут связаны с этикой, ценностями, социальными коммуникациями, политическими взглядами и мировоззрением в целом. «Задача любой кампании — создать экосистему, которая не отпустит человека, — говорит Валерий Бабушкин. — Человек пришел сюда, совершил какое-то действие, что-то купил. Он посмел выйти? Не-ет! Мы его поймаем на другом действии, на третьем, на четвертом. Ты что-то поискал? Купил? Сел в машину? Неважно. Мы тебя везде будем сопровождать. Компании буквально говорят: “Мы вас везде найдем и никуда не отпустим из своего пузыря. Вам там будет хорошо, комфортно и тепло”».

Недавно The New York Times запустила тест — смогут ли ее читатели отличить по фотографиям содержимое холодильников сторонников Трампа и Байдена. И большинство читателей справились. Если подумать, это немудрено. У кого в холодильнике будут вино, сыр, экологические и фермерские продукты? А у кого много гамбургеров, чипсов и пива? И эти разные потребительские стратегии раскололи страну надвое, заставив каждую половину ненавидеть и бояться другую.

«Если посмотреть, какие битвы разыгрываются в интернете вокруг использования различных брендов, — говорит Валерий Бабушкин, — это выглядит как целая патриотическая война. В какие магазины ты ходишь — в эти или в эти? “Да ты что! Как можно в них ходить?!” Это напоминает квази- или проксипатриотизм, только в отношении бренда, а не страны». Солидарность, близость между людьми формируется не в результате сознательного выбора, не на основе единства социальных интересов и даже не из-за общности исторической судьбы, а (зачастую навязанным извне) стандартом потребления.

«Главная тенденция заключается в том, что растет отчуждение человека; все большая доля суверенитета, воли, права выбора переходит к другим, более мощным системам, — оценивает эффекты развития технологий эксперт в области Data Science и автор книги “Карл Маркс и большие данные” Виталий Мальцев. — И на индивидуальном уровне этому противопоставить нечего. А на уровне всего общества ключевым должно быть требование обобществления больших данных. Эта мощнейшая технология должна быть под демократическим контролем всего общества, а не в частных руках».