Компания TAdviser опубликовала итоговый отчет по конференции "IT Retail Day 2022", которая состоялась 23 марта

Об объединении офлайн и онлайн данных поведения покупателей при помощи CDP CleverDATA на примере одного из ритейлеров рассказала Екатерина Баум, Client Success Manager.

Екатерина также ответила на вопросы TAdviser:
По вашим наблюдениям, с какими сложностями сталкиваются ритейлеры при самостоятельной обработке Big Data?
— Интеграция данных о покупателях из онлайн- и офлайн-источников, а также их подготовка и очистка — это те сложности, которые мы наблюдаем у ритейлеров. Часто такие процессы неавтоматизированы и занимают довольно много времени, мешая оперативно реагировать на изменения и вносить изменения в коммуникации и рекламные кампании. Кроме того, многим компаниям не хватает собственных ресурсов Data Science для аналитики и создания ML-моделей.
Как вы оцениваете спрос на решения для интеграции клиентских данных из любых источников среди торговых компаний? Насколько Data Science помогает увеличить продажи и за счёт чего?
— Мы считаем, что спрос на решения для интеграции клиентских данных высок и продолжит расти, тем более в текущих экономических обстоятельствах, когда бюджеты на охватные кампании снижаются. Спрос связан с желанием торговых компаний хорошо знать свою аудиторию и необходимостью формировать покупательский портрет клиента, в том числе, реализуя программы лояльности. Внедрение интеграционной платформы и подключение услуг Data Science дает возможности получить новые инсайты и гораздо точнее определить целевые сегменты для реализации моделей рекомендации в разных каналах от сайта до кассы, а также upsale и cross-sale моделей.

Аналитика данных — это всё ещё история только для самых крупных игроков розничного рынка?
— Аналитика необходима в любом бизнесе, с её помощью компании формируют свой маркетинговый подход, в том числе определяя портрет покупателя и эффективные каналы коммуникации. Это позволяет оптимально расходовать рекламные бюджеты, повышать выручку от существующих покупателей и обеспечивать более эффективное удержание. Другое дело, что и ML-модели, и экономическая эффективность решения лучше работают на больших объемах данных. Однако это не означает, что история ограничивается только самыми крупными игроками розницы, аналитика данных вполне эффективна и для задач среднего бизнеса.

Полный отчет доступен здесь