Как цифровая среда повлияет на оффлайн-форматы

Вы прилетели на встречу в другой город, и у вас есть еще час свободного времени. Вам нужно повторить презентацию, но так же вы бы хотели поо бедать. Ваше умное устройство находит несколько ресторанов по близости и выбирает один на основе наличия в нем свободных мест, размера допустимых командировочных расходов и ваших диетических предпочтений.

Вы продолжаете работать, а в это время ваш девайс сообщает самоуправляемому автомобилю, в котором вы находитесь, куда нужно ехать. Он же оценивает загруженность дорог и определяет, во сколько обед нужно завершить , чтобы успеть добраться до офиса. И так как вы торопитесь, он же заплатит по вашему счету и даже оставит чаевые официанту.

Такой мир кажется волшебным, но он ближе, чем нам кажется. Сегодня есть приложения, которые оптимизируют маршруты, уведомляют, на какой остановке общественного транспорта нужно выйти и даже могут поделиться вашим маршрутом с друзьями. Что касается умного транспорта, он уже су щ е ствует; самоупр а вляемые автомобили по степенно появляются в городах. В истории про ресторан на самом деле нет ничего космического. Реализация этого сценария – это лишь вопрос соединения уже существующих «точек». Потоки дорожного трафика, посещаемость заведений, меню, информация о составе блюд, цены, система оплаты – эти данные уже находятся в свободном доступе в интернете. Мы привыкли разделять цифровое и физическое, но грань очень быстро стирается: когда цифровые данные о физическом мире становятся полными и доступными в режиме реального времени, физический мир и цифровой дополняют и усиливают друг друга.

Цифровые вызовы для оффлайн-ритейлеров

Такая ситуация – конвергенция мира онлайн и офлайн – это вызов в большей степени для традиционных ритейлеров, чем для ритейлеров, «рожденных» онлайн. Онлайн-магазины изначально живут в цифровой среде и имеют инструменты для мониторинга потребительского поведения по умолчанию. Их знание интернет-среды настолько гранулярно, что они знают путь к покупке и эластичность спроса на уровне индивидуального покупателя – то, о чем офлайн-ритейлеры, даже с успешной программой лояльности, лишь мечтают. Онлайн-игроки также могут отслеживать результаты отдельных мероприятий, например, эффект от промоакций или изменения цен, в реальном времени. Это означает, что они могут постоянно изменять свои тактики, чтобы предоставлять лучшие варианты для потребителей и наращивать свою выручку.

Добиться паритета в доступности данных между оффлайн и онлайн-розницей не будет легко. Традиционные ритейлеры десятки лет используют большие базы данных и инструменты бизнес-аналитики для получения полноценного видения своего бизнеса. Однако этот подход имеет свои ограничения, обусловленные средой, где сами данные собирались. Например, ритейлеры могут собрать информацию о поведении покупателей, организовав наблюдения в магазине, а также располагают данными о продажах. С помощью аналитики они затем могут выявить, например, какой эффект на поведение и выбор потребителей оказывает дисплей или баннер. Но у них нет возможности отслеживать это на непрерывной основе.

В онлайн-среде ситуация иная: ритейлеры могут лишь добавить строку в коде на сайте, чтобы фиксировать огромное количество данных о потребителях. Собрать ту же информацию в реальном мире требует бОльших усилий: установки устройств, их соединения в единую систему, организации механизма передачи данных для последующей обработки.

Широкое распространение цифровых технологий – начиная от смартфонов и заканчивая интернетом вещей, носимыми устройствами и умными городами – делают возможным решить проблему инструментария для измерения физической среды. Это позволит ритейлерам напрямую измерять поведение потребителей, которое они ранее наблюдали через вторничные источники информации. Например, данные от датчиков, онлайн-камер в магазине и приложений программ лояльности в совокупности позволят ритейлерам узнать, действительно ли потребитель остановился и посмотрел на дисплей, перед тем как сделать покупку.

Культурный код обновления

Найти инструментарий для измерения физического мира – это большой шаг вперед, но он решает лишь проблему сбора данных. Чтобы иметь такую же полную картину, как в онлайн-среде, офлайн-ритейлеры должны уметь собирать и интегрировать данные из разных источников и в реальном времени. Традиционные техники управления большими базами данных не могут справиться с разнообразием, объемом и скоростью поступления информации. В большинстве случаев офлайн-ритейлеры заимствуют технологии по сбору данных у онлайн-ритейлеров и дополняют процесс машинным обучением, чтобы автоматизировать интеграцию данных из разных источников. Например, Walmart абсорбирует более 200 потоков внутренних и внешних данных, обрабатывая 2,5 петабайт данных каждый час, для создания интегрированного взгляда на реальность своего бизнеса.

Но одними технологическими преобразованиями дело не обойдется; традиционным ритейлерам важно изменить внутреннюю «культуру». Что нужно предпринять офлайн-ритейлерам, чтобы развить нужные компетенции и образ мышления для совершения шага вперед? Самое важное – изменить то, как они думают о данных и управляют ими.

Большинство крупных компаний все еще живут в мире высоко структурированных хранилищ данных, а не в мире «бессистемной» реальности диджитал-гигантов. Эти компании пытались адаптировать свои процессы и системы, чтобы сделать их максимальной нейтральными и открытыми, но в большинстве случаев операционная архитектура компаний превалировала и задавала общее направление этой модернизации. Доминирование операционного устройства компаний может быть оправданным во времена стабильности, но станет проблемой во времена волатильности и неопределенности.

Придерживаясь собственных взглядов на «себя», модели предприятий создают инерцию, которая работает против изменений и сдерживает возможности людей мыслить «по-другому». Любая уникальность в этой модели также делает сложным экспорт этой информации третьей стороне или интеграцию данных от третьих сторон.

Ввиду того, что мир и экосистема дата-провайдеров развиваются стремительными темпами, компаниям имеет смысл описывать свои внутренние данные в максимально нейтральной форме, придерживаясь открытых индустриальных стандартов. Если не что-то другое, то именно это может помочь сделать эти данные удобными для их адаптации внутри и вовне организации.

Один из лучших способов сделать данные полными, полезными и «подвижными» – это сохранять их «сырыми» и дать возможность их пользователю решить, как использовать их, – а не стараться предоставить уже готовые ответы (если, конечно, вы не знаете своих пользователей очень хорошо или это value-added сервис, который вы предоставляете).

Открытость данных как залог их полезности

Чтобы сделать данные понятными и полезными, критически важна возможность дополнять их экстенсивными метаданными. В мире баз данных метаданные требуют строгого управления, не в последнюю очередь потому, что их создание и поддержка стоят дорого. Машинное обучение облегчило задачу генерации больших объемов качественных метаданных, но это все еще не является панацеей для эффективного управления ими.

В примере из ресторана, который посещал наш герой в начале статьи, важно, что его устройство может получать информацию о пищевой ценности блюд из меню. Классификация по степени «полезности», которая позволяет потребителю принимать информированное решение почти с первого взгляда в реальной жизни – например, смайлик, зеленый или красный значок, – не сработает в данном сценарии. Разнообразие «индикаторов» делают невозможным для девайса сравнить блюда из разных ресторанов. Например, будут ли три красные точки означать, что блюдо острое, калорийное, жирное, соленое, сладкое или все сразу?

Упрощение и унификация таких схем – необходимый этап процесса, т.к. количество информации, которая важна для потребителей, становится больше (все чаще посетители ресторанов спрашивают о подробных ингредиентах блюд, запрашивают безглютеновые варианты и пр.). Более того, этот выбор со временем будут совершать даже не сами потребители; их девайсы знают потребности, вкусы, медицинскую историю и физическую форму своего «хозяина» и могут принимать оптимальное решение за него, аналиизируя большое количество информации. Лучший выход – это предоставить максимально полные и необработанные данные и дать возможность машинам принимать решение – и у полки в магазине, и в ресторане.

Это не означает, что в будущем нет места собственным когнитивным моделям. Каждый бизнес должен определить оптимальный баланс между преимуществами своей «уникальной» модели и возможностями расширенной экосистемы партнеров.

Как только данные интегрируются автоматически и в реальном времени, они могут быть использованы офлайн-ритейлерами точно так же, как используются сегодня их онлайн-конкурентами. Возможности автоматизации широки: от мониторинга цепи поставок для определения ситуаций out-of-stock до корректировки промоакций и индивидуализации цен. Для традиционных ритейлеров этот путь будет долгим, но, вероятнее всего, неизбежным.

Поделиться в социальных сетях: