Майкл Уэйд - Цифровой вихрь [Как побеждать диджитал-новаторов их же оружием]

Рассмотрим пример быстрого вмешательства в розничной торговле.

Представьте себе, что в сетевом магазине розничной массовой торговли были установлены недорогие датчики. Bluetooth-маячок и другие датчики были установлены на ранее «тёмных» ресурсах: магазинных полках, корзинах для покупок, дверях на входе на парковку, местах продаж, даже на отдельных продуктах (благодаря закону Мура стоимость маячков и других IP-сенсоров понижается, и вскоре они станут одноразовыми с точки зрения стоимости).

Двое покупателей, Рохан и Мария, пришли в магазин. Рохан хочет купить продукты на ужин, а Мария ищет телевизор с высоким разрешением. Анализ в реальном времени данных с датчиков, установленных в магазине, из беспроводной сети магазина и видеотрансляции с IP-камер позволит магазину узнать следующее: Рохан толкает магазинную тележку в два раза быстрее, чем в среднем остальные покупатели. Мария просто ходит и смотрит телевизоры в отделе электроники, но при этом сравнивает цены с ценами других магазинов на своем смартфоне, подключившись к гостевой Wi-Fi-сети магазина.

Как бы выглядела модель динамического процесса в данном случае? Сначала магазин может интерпретировать поведение Рохана и Марии исходя из реальной ситуации. Скорее всего, высокая скорость, с которой Рохан толкает тележку, указывает на то, что он торопится. Поэтому сейчас не стоит делать ему лишние, не связанные с текущей ситуацией предложения, например, рекламировать зимние шины по скидке, хотя в прошлом он и покупал товары из автомобильного отдела. Вместо этого магазин использует цифровой дисплей (или телефон Рохана), чтобы показать ему дорогу к нужным отделам или предложить сопутствующие товары, связанные с текущей целью. Это действие основывается не на истории его покупок, а исходит от машинного интеллекта, который анализирует содержимое магазинной тележки (продукты). Ценность взаимодействия (включая индивидуализацию, быстрые результаты и ускорение процессов) предоставляется клиенту автоматически и в режиме реального времени, т. е. тогда, когда Рохан идет по магазину. Это имеет важнейшее значение для быстрой реализации.

В случае Марии анализ данных позволяет говорить о том, что она собирается сделать большую покупку – телевизор. Она провела 7 минут, размышляя, и все это время сравнивала цены конкурентов на своем телефоне. Акселерометр на телефоне Марии передает, что она в основном стоит в конце прохода между стеллажами, где продается определенная марка телевизоров. Сеть датчиков магазина вкупе с аналитической системой принятия решений дают продавцу-консультанту сигнал подойти к Марии и предложить ей помощь в выборе телевизора или аксессуаров, а также небольшую скидку, чтобы побудить женщину купить устройство здесь и сейчас, не рискуя тем, что она пойдет домой и купит его у конкурента в онлайн-магазине.

«Цена телевизора Марии» определяется алгоритмом: рассчитывается минимальная скидка, которая, по данным прогнозной аналитики, уменьшит ее желание сделать покупку в другом месте. Эти данные динамического ценообразования, а также «умные» рекомендации по дополнительным продажам (например, колонки, кабели, гарантия) передаются на подсоединенное к сети магазина мобильное устройство продавца-консультанта. Сотрудник может взглянуть на свое устройство по пути к Марии.

В этом случае благодаря анализу данных сотрудник был проинформирован о необходимости действия и об оптимальных способах его осуществления. Это пример динамических процессов, которые поддерживают вмешательство человека правильным способом, что позволяет уйти от сплошной автоматизации.

Благодаря подсказкам аналитических инструментов, которые работают с происходящей в данный момент ситуацией, продавцы-консультанты могут быстро «поймать» потенциально потерянного клиента. Это и есть быстрая реализация. Марии нравится такое оперативное взаимодействие и потенциальная скидка. Магазин получает выгоду от продажи телевизора и сопутствующих товаров, а также от удовлетворения клиента.

Такая реализация должна быть быстрой, поскольку свободная вакансия – явление временное. Рохан и Мария проведут в магазине лишь несколько минут, и в течение этого времени может возникнуть только один момент, когда на их решения о покупке можно повлиять. Информацию об этих покупателях и контексте ситуации необходимо обрабатывать без промедления. Магазину не принесет никакой пользы информация о возможности продать товар Рохану и Марии, поступившая от бизнес-аналитиков несколько часов или недель спустя. К тому времени Рохан съест свой ужин, а Мария будет смотреть передачи по новому телевизору.

Наконец, клиенты направляются к кассе и видят длинные очереди. Это – один из самых больших недостатков магазинов, который часто ведет к потере продаж {302} 302 «Why Customers Leave – And How to Keep Them», Nomi, accessed April 7, 2016: 3ez6hf6v2zy5uytw2a9dvi13.wpengine.netdna-cdn.com/wp-content/uploads/2014/01/Why-Customers-Leave-Whitepaper.pdf . Благодаря динамическим процессам супермаркет может уменьшить эту проблему. Можно использовать данные с датчиков, чтобы объявлять время ожидания в разных кассах, а также (что даже лучше) уведомлять продавцов-консультантов о длинных очередях на кассе и рекомендовать им направиться в начало магазина с мобильными кассовыми терминалами. Это показывает, как с помощью автоматизации и правильно осуществленного вмешательства человека компании могут быстро адаптироваться к ситуации. На самом деле этот сценарий – прекрасный пример развития магазином гиперосведомленности (известно, что происходит в данный момент), информированного принятия решений (можно предложить скидку или направить персонал туда, где он больше всего нужен) и быстрой реализации (можно предлагать клиентам маршруты, информировать о времени ожидания в очереди с помощью цифровых табло, а также направлять сотрудников к клиентам для помощи, пока те не покинули магазин).

Является ли такой метод работы излишне фантастическим? Воодушевляет этот сценарий или настораживает, руководителям не следует исключать его из возможных вариантов развития событий. На самом деле это уже реальность для розничных магазинов, которая отражается во многих других отраслях в цифровом вихре.

В начале 2016 года мы встретились с представителями компании RetailNext, одной из ведущих аналитических компаний, анализирующих данные магазинов, чтобы понять, насколько хорошо разработаны технологии и их потенциальное влияние. В число клиентов RetailNext входят крупнейшие мировые розничные магазины. Эта компания каждый год анализирует поведение более 800 миллионов покупателей, собирая более триллиона элементов данных {303} 303 «Real Time In-store Analytics with RetailNext», RetailNext, January 2014: retailnext.net/wp-content/uploads/2014/01/RetailNext-Data-Sheet-Real-Time-In-Store-Analytics.pdf . В интервью исполнительный директор RetailNext Алексей Аграчев сказал нам: «Есть необходимость в системах, которые позволяют рассматривать каждый магазин, как особенный магазин, каждый день – воспринимать как особенный и (в определенный момент) каждого клиента – как особенного. Вот в этом направлении, в общем, и движется розничная торговля. Это очень непростое преобразование, но здесь огромную роль играют технологии».