W erze cyfrowej praktycznie każde nasze działanie pozostawia po sobie ślad – wszystko jest mierzone, monitorowane i rejestrowane. Korzystając z Internetu, bądź z dowolnego gadżetu jak smartfon czy smartwatch, każda osoba generuje ogromną ilość danych, które można systematyzować, przeanalizować i uzyskać cenne informacje. Właśnie tym zajmuje się technologia Big Data, która w ciągu kilku ostatnich lat przekształciła się w podstawowe źródło informacji firm o stylu życia, przyzwyczajeniach i potrzebach setek milionów ludzi.
Na początku pojęcie Big Data rozumiane było tylko jako możliwość przechowywania i przetwarzania dużej ilości danych, generowanych przez użytkowników online. Po jakimś czasie, dzięki odpowiedniej analizie tych zbiorów, przedsiębiorstwa odkryły ogromny potencjał Big Data w kontekście wykrywania wzorców zachowań użytkowników. To pomogło takim cyfrowym gigantom jak Facebook, Twitter, Amazon czy Google dostosować swoje serwisy do zmieniających się potrzeb odbiorców, a także znacznie efektywniej targetować zamieszczane w nich reklamy. Wcześniej głównymi źródłami danych o użytkowniku były listy i wiadomości, słowa kluczowe w wyszukiwarce, towary, które ludzie kupują w sklepach online itd. Informacje te były bardzo ogólne. Dostrzegając potęgę Big Data firmy zaczęły inwestować w poszukiwanie co raz nowszych źródeł danych oraz sposobów ich analizowania. W dzisiejszym świecie można zaobserwować wyraźne przeniesienie nacisku z „dużych” zbiorów danych na te „najbardziej wartościowe i jakościowe”. Pozyskanie i obróbka tradycyjnej informacji nie stanowi już zadania pierwszorzędnego. Najważniejszym zadaniem specjalistów Big Data jest dziś poszukiwanie nowych, coraz bardziej użytecznych zbiorów danych.
Psychometria – od personalizacji do indywidualizacji
Do niedawna podstawą analizy danych było budowanie kręgów (klastrów) zgodnie z pewnymi faktami dotyczącymi ludzi (wiek, płeć, zainteresowania, historia zakupów). Taki podział zakładał, że zachowanie wszystkich uczestników odpowiedniego klastra jest podobne. Dla przykładu, podczas kampanii wyborczej elektorat dzielono na grupy według wieku, płci, geografii itp. i określono specyficzne zachowanie wszystkich uczestników każdej z grup. Takie podejście nazywa się personalizacją.
W 2016 roku firma Cambridge Analytica poruszyła świat zupełnie nowym podejściem do pracy z Big Data. Najbardziej znanym przykładem była kampania wyborcza Donalda Trumpa, dla której Cambridge Analytica przygotowała strategię marketingową, opartą na analizę Big Data. Dla każdego Amerykanina, który miał możliwość udziału w wyborach (ok. 230 mln osób) firma zebrała po ok. 5 tys. faktów. Dane te zostały wykorzystane także podczas prawyborów Partii Republikańskiej, w celu skuteczniejszego targetowania kampanii reklamowych.
Podejście, które uwzględnia określenie typu osobowości na podstawie analizy działań użytkownika w środowisku cyfrowym stanowi zupełnie nowy poziom pracy z danymi. Dzięki informacjom pozyskanym z mediów społecznościowych i wyszukiwarek, urządzeń inteligentnych, gadżetów GPS a także dzięki historii zakupowej, możliwe jest przeprowadzenie analizy konkretnej osoby i tworzenia prognoz dotyczących jej indywidualnego zachowania, a nie grupy podobnych ludzi. Podejście takie otrzymało miano „indywidualizacji”. Umożliwia ono monitorowanie i określanie pewnych niemożliwych wcześniej do zbadania cech praktycznie każdej osoby: zachowania się w określonych sytuacjach, cech charakteru, sposobu komunikacji oraz przemieszczania się. Na podstawie wygenerowanego „typu osobowości” te dane są w stanie uzupełnić informacje o stylu życia osoby. Dzięki indywidualizacji firma dowiaduje się np. o tym jak jej klienci podejmują decyzje – impulsywnie i emocjonalnie czy ostrożnie, zdecydowanie i racjonalnie oraz w jaki sposób odbierają informacje – sensorycznie czy intuicyjnie. Właśnie te dane są kluczowe dla przewidywania przyszłych działań klienta. Pozwalają bowiem nie tylko zrozumieć jego motywy, wizję i postrzeganie świata, ale także przewidzieć jego zachowanie i w konsekwencji – wpłynąć na nie.
W tym momencie warto zadać sobie pytanie – czy możliwe jest dokładne określenie psychotypu osoby, biorąc pod uwagę jedynie jego aktywność online? Nie znamy przecież kontekstu i cech psychologicznych ani[1] informacji o stanie tej osoby w danym momencie. Odpowiedź brzmi: nie. Dlatego, aby uzyskać najbardziej dokładny profil indywidualny, najlepiej przeanalizować działania online wraz z językiem niewerbalnym – mimiką, gestami, mową ciała, intonacją głosu. Właśnie takie połączenie zapewni najwyższy jakościowo wynik. Wejście w posiadanie takich informacji jest problemem, z którym zmagają się giganci gromadzenia informacji personalnych w postaci Facebooka czy Google. W celu zebrania informacji psychometrycznych potrzebny jest bowiem kontakt fizyczny lub przynajmniej wizerunek osoby. Takie informacje najprościej jest uzyskać obecnie za pomocą kamery wideo, którą każdy nosi przy sobie w postaci smartfona. To właśnie zebranie niezbędnych danych psychometrycznych dotyczących użytkowników jest jednym z najważniejszych celów uruchamiania serwisów darmowych rozmów wideo i audio.
Odczytywanie mowy niewerbalnej już nie jest daleką przyszłością. Niedawno naukowcy z Robotics Institute przy Uniwersytecie Carnegie Mellon przedstawili komputer[1] zdolny do rozpoznawania w czasie rzeczywistym figur i ruchów (w tym ruchów twarzy i palców) wielu osób jednocześnie. Wykorzystanie takiej technologii, w połączeniu z danymi pochodzącymi z innych źródeł cyfrowych, może na zawsze zmienić branże, zorientowane na pracę z konsumentami. Jedną z takich branży jest retail, który w najbliższym czasie może stanowić główny czynnik wpływający na rozwój technologii gromadzenia, analizowania i wykorzystania Big Data. W badaniu przeprowadzonym przez JDA Software Group i PwC[2] wśród najlepszych menedżerów sektora retail, 86 proc. respondentów już uznało technologię Bid Data za jedną z priorytetowych w strategii biznesu. Jej wdrożenie może przynieść wiele korzyści i przekształcić retail w jedną z najbardziej rozwiniętych branży w kontekście korzystania z Big Data. Tworzenie najbardziej dokładnych prognoz dotyczących zachowania ludzi wymaga bowiem pozyskania informacji psychometrycznych, a branża retail spełnia najważniejszy warunek ich gromadzenia – kontakt fizyczny z klientem w sklepie.
Big Data + retail = nowe możliwości
To właśnie sprzedawcy mają jeden z najlepszych kontaktów z odbiorcami, zarówno w sklepach internetowych, jak i w stacjonarnych punktach sprzedaży. Po pierwsze, w przeciwieństwie do Internetu, sklepy stacjonarne są odwiedzane przez prawie wszystkich ludzi, co ma przełożenie nie tylko na wyższy zasięg, ale też lepsze dotarcie do odbiorców. Po drugie, dzięki kontaktowi fizycznemu można uzyskać więcej danych o osobie: można ją zobaczyć, usłyszeć, śledzić jej zachowanie i przemieszczenie po sklepie. Dzięki zastosowaniu właściwych metod analizy, dane te dają kompletny obraz psychotypu osoby, co w połączeniu z informacjami o jej sytuacji finansowej i preferencjach (które sprzedawcy detaliczni też otrzymują), można dokładnie przewidzieć co się takiej osobie spodoba i co z dużym prawdopodobieństwem kupi. Dzięki zastosowaniu Big Data, branża retail zyskuje następujące korzyści:
Analiza in-store
Podczas jednej wizyty w sklepie kupujący jest w stanie wygenerować tysiące unikalnych wskaźników, które zbierane są przez rozmieszczone kamery i czujniki. Za pomocą analizy można zrozumieć co dokładnie przyciąga uwagę klienta, jak wygląda jego ścieżka zakupowa, w jaki sposób dokonuje on wyboru produktu i ile czasu na to potrzebuje oraz czy robi zakupy trzymając się listy, czy może impulsywnie. Wszystkie te dane mogą być przydatne podczas planowania ekspozycji, przygotowywania akcji reklamowych i promocyjnych, oraz tworzenia materiałów marketingowych. Ponadto takie rozwiązanie jest w stanie zapobiec kradzieży – na przykład analizując mowę ciała klienta, wyraz twarzy i to, w jaki sposób osoba porusza się po sklepie, komputer może wysyłać ostrzeżenia do ochrony, która będzie mogła przeprowadzić dokładną kontrolę.
Poznanie trendów jeszcze przed ich wystąpieniem
Za pomocą technologii Big Data można prognozować trendy i popyt na określone kategorie, co wyraźnie pomaga zaplanować zakupy i dostawy. Prognozy te uwzględniają wiele czynników, które wpływają na popyt – informacje o dokonanych sprzedażach, wiadomości w mediach społecznościowych, zapytania w wyszukiwarce, sytuację gospodarczą w kraju, a nawet warunki pogodowe. Dzięki tym danym sprzedawcy detaliczni mogą rozpoczynać pracę nad nowymi liniami produktowymi jeszcze przed wzrostem popytu i dostarczać je na półki sklepowe w odpowiednim czasie. W ten sposób konsumenci zawsze będą mogli znaleźć właściwy produkt w bardziej przystępnej cenie, a nowy asortyment będzie maksymalnie spełniać ich oczekiwania. Możliwe, że w najbliższym czasie właśnie branża retail będzie dyktować globalne trendy konsumenckie, a środek ciężkości przeniesie się od producentów do sprzedawców detalicznych.
Nowy poziom interakcji z nabywcą
Wielopłaszczyznowa analiza zachowania nabywcy i historii jego zakupów umożliwia sformułowanie najbardziej precyzyjnych zaleceń i oferowanie najodpowiedniejszych produktów. To z kolei zwiększa lojalność klientów i przyjemność z zakupów. Dla przykładu – amerykańska sieć supermarketów Target opracowała mechanizm rozpoznawania kobiet w ciąży, analizujący ich regularne zakupy i wykazujący niewielkie, ale charakterystyczne zmiany. Jednym z sygnałów było to, że kobieta zaczęła kupować witaminy, środki higieny intymnej lub środki czystości bez zapachu. Ponadto, w oparciu o analizę dużej liczby danych dotyczących zakupów kobiet w ciąży, Target mogło określić przewidywany termin porodu. Dzięki tej szczegółowej analizie klientów sieć skutecznie targetowała reklamę, rozumiejąc realne potrzeby kobiet w danym okresie.
Optymalizacja wydatków i obniżenie kosztów własnych
Możliwość śledzenia trendów, popytu, potrzeb oraz aktywności konkurencji w czasie rzeczywistym zapewnia detalistom informacje, które nie są oparte na założeniach, ale na realnym stanie rzeczy. Dzięki temu firmy mogą szybciej podejmować decyzje o wielkości zamówień, skutecznie zarządzać łańcuchem dostaw, co z kolej obniża koszty nabycia i przechowywania towaru, a zatem – koszty własne i marżę.
Już dziś na podstawie tych wszystkich danych firmy mogą z dużą dokładnością przewidzieć, co klient będzie kupował dzisiaj, za tydzień, lub za pół roku. Upowszechnienie się analiz Big Data umożliwi jakościową zmianę całego biznesu – zaczynając od optymalizacji zakupów i kończąc sposobie tworzenia reklam i ustalania cen towarów. Będzie to korzystne dla obu stron – zarówno kupujących, jak i sprzedawców. Sprzedawcy nie będą marnować miejsca w magazynach i półkach na towar, którego prawdopodobieństwo zakupu którego jest niskie, będą mogli lepiej targetować reklamę oraz zrozumieją, jakie towary muszą posiadać, by zaspokoić popyt. Klienci natomiast będą lojalni wobec tych sprzedawców, których najbardziej korzystne ceny zostaną połączone z dobrze przemyślanym asortymentem i właściwą reklamą. Dostępne dzisiaj technologie Big Data w połączeniu z psychometrią mogą dać branży retail to, czego potrzebuje najmocniej – zrozumienie jakie są realne potrzeby klienta, zanim on sam je sobie uświadomi.
Valentyn Kropov
Delivery Director w SoftServe