1. Главная
  2. Узнай
  3. Экономика
  4. Компании и банки
Партнерский материал

Magnum запустил пилотный проект с использованием больших данных 14 января 2021, 11:00

Крупнейшие торговые сети мира используют большие данные в борьбе за покупателя. Современные технологии дают возможность отказаться от старой

Крупнейшие торговые сети мира используют большие данные в борьбе за покупателя. Современные технологии дают возможность отказаться от старой модели удовлетворения среднего спроса и сделать каждому покупателю персональное предложение. Достижения в этой сфере выглядят порой фантастически. Так, например, в Amazon настолько точно научились прогнозировать покупки, что высылают покупателю товар еще до поступления заказа. Когда клиент делает заказ, товар уже находится рядом с его домом и доставляется мгновенно.

Компания Walmart также старается не отставать от своего конкурента в погоне за покупателем: такие примеры, как увеличение закупок пива и клубничных пирогов перед ураганами, стали хрестоматийными. Walmart объявила курс на технологизацию и цифровизацию: в последние годы компания много инвестирует как в развитие внутренних ресурсов, так и покупку стартапов, разрабатывающих решений на BigData и искусственном интеллекте.

Подобные примеры есть и у других международных компаний. В Казахстане драйвером цифровизации в торговле является крупнейшая розничная сеть Magnum. Какие данные использует компания и что это дает покупателям, мы спросили у старшего менеджера проектного офиса Magnum Сакена Шаяхметова.

- Когда Magnum начал использовать большие данные?

- Мы давно работаем с большими данными. Но сейчас выходим на новый уровень. В 2019 году мы запустили программу лояльности. Покупатели оформляют карточку и скачивают мобильное приложение Magnum Club. Теперь мы можем более точно составить портрет покупателя: где и когда он делает покупки в нашей сети, как реагирует на акции и новинки, какие бренды предпочитает и т. д. Это помогает лучше подбирать ассортимент для каждого конкретного магазина. Более того, теперь мы анализируем историю покупок каждого покупателя и вскоре сможем делать персональные предложения. Например, если человек постоянно покупает вегетарианские продукты, мы предложим ему скидку на овощи и фрукты. Если регулярно приезжает за Pampers, порекомендуем детское питание или подгузники по специальной цене, какие-то новинки, если человек склонен пробовать что-то новое или реагирует на акции больше других.

Система персональных рекомендаций появится уже в этом году. Мы ее постоянно будем дорабатывать и развивать.

- Как вы будете сообщать покупателю о своем предложении?

- Мы отправляем в мобильном приложении пуш-уведомления об акционных товарах. Сейчас это уведомление одинаковое для всех покупателей. А в будущем будет для каждого своё. Кроме того, на главной странице приложения вскоре появятся персональные баннеры. Не заходя в раздел уведомлений, покупатель сразу будет видеть специальное предложение, сформированное на основе его предпочтений.

Если человек не пользуется приложением, но имеет нашу карту лояльности, мы отправляем ему SMS с такой же информацией.

Отправляя сообщение, важно правильно выбрать не только нужные человеку товары, но и удобное для него время. Например, мы видим, что в субботу утром вы обычно закупаете продукты на неделю. Поэтому отправим вам специальное предложение как раз к этому времени.

- Вы прямо по имени к каждому покупателю обращаетесь?

- Мы не запрашиваем у покупателей паспортные данные. Когда человек оформляет карточку, он может написать в графе "Имя" любой набор символов. Например, люди указывали в анкетах такие имена, как GGG, Gucci, Gif, Honeeeey, Ice Cream, It's Not Me, Lord Voldemort, Lol Roflov Lmaoevich и даже Magnum. Мы идентифицируем покупателя только по номеру телефона, к которому привязана его карточка, поэтому даже в персональных обращениях будем писать просто "Уважаемый покупатель!".

- Что это дает самой компании?

- Чем больше мы знаем о покупателе, тем лучше и точнее сможем сформировать продуктовое и ценовое предложение. Во всем мире аналитика больших данных помогает компаниям повысить финансовые показатели за счет более точного ответа на запросы покупателей. Например, в Amazon персонализированная система рекомендаций увеличивает доход компании до 30 % в год. Walmart заявляет, что их модель с рекомендациями исходя из данных социальных сетей повышает вероятность покупки на 10 %.

На первых пилотных проектах мы уже видим положительный результат. Надо еще проводить эксперименты, подтверждать результат и уточнять модель. Но уже сейчас мы можем говорить, что только от повышения информированности покупателей об акциях на конкретные товары рост трафика составляет до 0,3-0,5 процентного пункта. Это хорошие цифры для розницы.

Мы начинаем запускать первые пилоты по персональным предложениям. Пока мы тестируем одну механику - повышенный бонус на определенные товары, но будут и другие (например, скидка). Как это работает: вы получаете в приложении Magnum Club уведомление о том, что персонально вам до такого-то числа при покупке определённых товаров будут начислены повышенные бонусы. И мы сейчас работаем над тем, чтобы наша модель позволяла формировать такие предложения, от которых будет очень трудно отказаться. Так что я призываю всех регистрироваться в программе лояльности Magnum Club и ловить выгодные индивидуальные предложения.

- Какие данные использует Magnum?

- Ежедневно покупатели совершают в Magnum до 300-400 тысяч покупок. В месяц это до 12 миллионов чеков, или до 120-150 млн строк, даже без учета всех характеристик и параметров товаров, которые нам доступны. По чекам мы видим, когда, где, какие товары, в каком количестве, по какой цене, в каком сочетании были куплены. Это огромная база для анализа. Причем очень качественная и чистая, мало какая индустрия имеет такое преимущество, как необходимость минимальных усилий по очистке и подготовке данных для анализа.

У нас уже есть работающая система ценообразования, основанная на инструментах машинного обучения. Она позволяет рассчитать оптимальную величину наценки на товар. Если цена высокая, покупатель уйдет. Если слишком низкая, магазин будет работать в убыток. Золотая середина меняется в зависимости от истории покупок, региона, сезона, погоды, дня недели, промоакций партнеров, расположения магазина, мониторинга конкурентов и т. д. Мы еще не на уровне Walmart или Amazon (где цены меняются в среднем каждые 10 минут), но мы постоянно совершенствуем этот инструмент ценообразования, чтобы покупатель мог всегда совершать выгодные покупки в Magnum. Благодаря этому уже сейчас средняя потребительская корзина у нас на 5-7 % дешевле, чем в среднем по рынку. Это потрясающе интересная исследовательская работа, где мы закладываем разные параметры, тренируем модель с разными данными, уточняем, пробуем новое.

Вся информация хранится в защищенной базе данных Magnum на сервере, который физически находится на нашей территории. Мы никогда не передаем данные в облако, доступ к информации ограничен. Мы к информационной безопасности относимся очень ревностно и бдительно.

- Сейчас у вас два мобильных приложения – Magnum Club и Magnum Go. Какую информацию вы получаете из этих каналов?

- Изначально никто не собирался делать два приложения. В прошлом году мы запустили приложение Magnum Club (с программой лояльности) и планировали в это же приложение добавить интернет-магазин. Но весной грянул карантин, нужно было срочно обеспечить людям возможность делать покупки не выходя из дома. Технически было намного проще запустить отдельно Magnum Go отдельно, без интеграции с Magnum Club. Мы сделали это очень быстро, почти без подготовки, и вот уже больше полугода покупатели заказывают у нас продукты онлайн, с доставкой до дверей. Но в ближайшие месяцы мы, как и планировали, соберем все свои сервисы вместе, в одном омниканальном приложении.

Через приложения мы получаем дополнительную информацию о предпочтениях. Это еще один ключик к пониманию того, чего хотят покупатели. Например, мы видим, что средний чек онлайн-покупок выше, чем чек в обычном магазине. Больше доля непродовольственных товаров в общем объеме покупок. Часто заказывают онлайн с доставкой на дом что-то тяжелое, объемное, в больших упаковках или просто в большом количестве.

Но люди по-прежнему приходят в обычные магазины, чтобы лично выбрать овощи, фрукты, мясо и другие продукты на развес. Кроме того, в офлайне люди лучше реагируют на акции. Потому что в торговом зале промоактивности заметнее и интереснее, чем на экране смартфона.

Что самое интересное, не происходит разделения покупателей на онлайн и офлайн. Люди используют оба канала в зависимости от ситуации. С Magnum Go покупатели получили еще один удобный способ совершения выгодных покупок с Magnum.

- Как вы начали заниматься большими данными? У вас есть специальное образование?

- Я учился в гимназии в Костанае, любимым предметом была геометрия. В геометрии много логики, мне нравилось находить разные пути решения одной и той же задачи. После школы поступил в МГИМО (Московский государственный институт международных отношений), на факультет международного бизнеса и делового администрирования. Но там мне быстро стало скучно, и я перевелся на факультет международных экономических отношений, где было больше математики и статистики.

Сразу после института устроился в московский офис PricewaterhouseCoopers. Сначала работал в налоговом отделе, где нужно было поглощать большой объем информации, делать расчёты и предлагать решение, оптимальное с точки зрения как права, так и экономики. Но эта работа была довольно однообразной, мне хотелось чего-то более интересного. Поэтому после перехода в казахстанский офис PWC я переключился на финансовый анализ и консалтинг. Это был интереснейший опыт, я вел самые разнообразные проекты, работал со многими публичными и частными компаниями.

Через несколько лет я поступил на MBA в Университет Дьюка и на два года уехал учиться в США. От всего процесса обучения там я получал огромный кайф! Старался брать максимальную нагрузку и, по сути, за два года получил знания как на четырехгодичной программе обучения. Попутно получил STEM-сертификат: для этого изучил несколько технических дисциплин, освоил языки программирования и инструменты анализа данных, занимался анализом временных рядов, продвинутой статистикой, эконометрикой. Причем все эти курсы были бизнес-направленности, мы решали реальные задачи бизнеса, применяя эти аналитические инструменты.

- Где вы нашли применение этим знаниям?

- Я снова отправился в Москву, работал в компании Boston Consulting Group (BCG). Это была очень сильная школа. Но я практически жил на работе и однажды понял, что не готов совсем не видеть свою жену и детей и постоянно летать по командировкам. Поэтому стал рассматривать работу в других сильных компаниях. Партнеры из BCG рассказали мне о Magnum, меня заинтересовала компания и ее масштабные задачи.

В Magnum я работаю уже больше года. За это время, чтобы лучше узнать компанию, работал над разными проектами, в разных отделах. Я увидел, что в некоторых случаях нам трудно понять, почему, например, снизился или вырос трафик в определенном магазине. Какие-то вещи порой кажутся совершенно необъяснимыми, но я уверен, что все это можно просчитать. Поэтому я предложил программу развития BigData.

- Судя по вашей биографии, у вас есть постоянная тяга к новым знаниям. Планируете дальше учиться анализу данных?

- Да, у меня есть потребность учиться, постоянно загружать мозг новыми трудными задачами. Я посмотрел, какие университеты в мире дают именно фундаментальные знания в части анализа больших данных, технологий, инжиниринга. Выбрал для себя один из топовых технологических американских университетов - Georgia Tech - и поступил на онлайн-программу Master of Science in Computer Science, направление Machine Learning. Этот университет одним из первых в мире еще в 2014 году запустил онлайн-обучение, чтобы сделать топовое образование доступным. Поэтому я смогу учиться удаленно, в свободное от работы время.

Я вижу огромный потенциал для применения этих знаний в крупнейшей казахстанской розничной сети. Уверен, что в перспективе ближайших десяти лет здесь точно не будет скучно!