Big Data e Retail: opportunità e sfide

Lo scenario

 

I progressi nelle tecnologie dell’informazione e la riduzione dei costi della raccolta dei dati hanno reso la generazione di dati personali e aziendali, la loro raccolta e analisi, parte integrante della nostra vita. Le chiamiamo “digital footprints”, le nostre tracce digitali: lasciamo informazioni sulla nostra posizione tramite i nostri telefoni e app; diamo indicazioni sui nostri stili di vita ai supermercati attraverso ogni transazione; passiamo sottosistemi di conta-persone; condividiamo immagini e opinioni nei social media.  Questa grande quantità di dati permette alle aziende di avviare un percorso che porti all’utilizzo di moderne forme di analisi per supportare le proprie scelte e decisioni al fine di creare un vantaggio competitivo. McKinsey stima che l’uso dei big data nel settore Retail possa portare ad aumentare i margini fino al 60% [1], evidenziando l’importanza e la pertinenza delle applicazioni dei big data in questo particolare scenario che vede consumatori, retailer e produttori concorrere alla creazione ed analisi di dati.

L’interesse per questo settore che unisce big data e retail è dimostrato anche da queste due storie. Nel maggio 2013, Rangespan, una società che utilizza l’analisi dei big data per aiutare i rivenditori a prendere decisioni sulle gamme di prodotto da mettere in vendita per la loro clientela, viene rilevata da Google e smette di fornire servizi ad altri retailer; ora è diventato un servizio interno per Google Shopping per rendere più efficaci le sue offerte sulla base dell’analisi dei big data [2]. Due mesi dopo, Boomerang Commerce, una società che fornisce servizi di tariffazione dinamica ai retailer sulla base dell’analisi dei big data, ha raccolto $ 8,5 milioni di investimenti [3].

Da punto di vista della ricerca scientifica, la maggior parte delle ricerche sui big data nel retail si sta concentrando su come ottenere maggiori informazioni sui comportamenti dei consumatori per implementare le attività di marketing in modo più efficace.

Di seguito approfondiremo lo scenario internazionale delle principali applicazioni dei big data nel retail al fine di portare esempi di come vengono utilizzati i big data e come possono essere analizzati in termini di ottimizzazione della disponibilità di prodotto, dell’assortimento, della gestione di prezzi dinamici e di pianificazione automatica del layout di un negozio.

 

Le principali applicazioni: assortimento, prezzi e layout del negozio

 

L’assortimento è uno dei compiti più difficili per le catene logistiche della vendita al dettaglio e ha oggi un’alta priorità nelle applicazioni pratiche delle analisi di big data a causa del suo impatto sulle vendite [4,5]. A partire dalla segmentazione dei clienti e dalle loro preferenze, anche provenienti dai social, sono sempre più utilizzati sistemi di assortimento ottimo per quel particolare target di utenti [2,6]. Le più recenti piattaforme di analisi includono l’analisi delle correlazioni tra gli articoli acquistati, i modelli di acquisto dipendenti dal tempo e dalla posizione al fine di prevedere mix di prodotti da proporre ai propri clienti [7,8]. L’output aiuta i retailer a comprendere e prevedere le preferenze e le composizioni dei basket dei clienti e a migliorare i processi di previsione di consumi e di assortimento, anche per meglio gestire la logistica, fino allo scaffale o alla consegna a domicilio.

I prezzi sono una delle questioni più difficili che devono affrontare i retailers [8] a causa delle grandi quantità di SKU il cui prezzo può variare in luoghi diversi e nel tempo a seconda della domanda e della concorrenza locali o delle promo. Nel caso di ribassi e promozioni, i prezzi sono ancora più difficili a causa del maggiore livello di incertezza e della mancanza di dati storici con le stesse condizioni di promozione. Poiché le promozioni sono una funzione di ciò che è presente anche sul mercato, è quasi impossibile replicare una promozione, sebbene alcune somiglianze possano essere catturate a scopo di previsione. Per questo le ultime tecnologie di big data applicate al retail permettono un’amplificata capacità di elaborazione e analisi che consente di prendere decisioni su promozione in modo più efficace ed efficiente ed in tempo reale [1].

 

L’ottimizzazione del layout del negozio è uno dei moderni scenari dell’analisi dei big data nel retail in quanto come il consumatore interagisce con lo spazio ha un impatto decisivo sulle decisioni di acquisto. In passato, il comportamento del cliente in negozio poteva essere analizzato osservando i clienti inclusi in un campione statistico e queste informazioni potevano aiutare i retailer a ottimizzare il layout del negozio e a disegnare delle esposizioni dei prodotti sugli scaffali [9]. Tuttavia, questo metodo richiede un notevole livello di impegno e le moderne evoluzioni dell’Internet of Things [10] hanno portato ad un intenso uso di video e di Deep Learning, di tag UWB e RFID collegati ai carrelli per tenere traccia dei movimenti dei clienti, incrementando notevolmente i volumi di informazioni a basso costo che possono essere usati per raccogliere ed analizzare nuove fonti di dati [2, 6]. Sebbene il traffico in negozio da solo non possa fornire informazioni sul comportamento dei clienti, i dati sulla posizione in negozio dei clienti forniscono comunque utili correlazioni con le vendite che costituiscono uno dei grandi campi di indagini del settore che porteranno a sistemi di supporto alle decisioni nel design di spazi ed esposizioni di prodotto.

 

Le conclusioni

 

Le nuove fonti dati, insieme ai nuovi metodi di analisi, sono oggi a nostra disposizione e tante aziende come Grottini Lab hanno la capacità di supportare un processo che è sempre più interdisciplinare e che partono dalla consapevolezza che l’uso efficace di grandi moli di data, spesso non comunemente applicate al settore, costituiscono un prezioso supporto per lo sviluppo presente e futuro del retail.

Emanuele Frontoni

        Docente di Computer Vision & Deep Learning presso il Dipartimento di Ingegneria dell’Informazione dell’Università Politecnica delle Marche

 

Bibliografia

 

1. Brown, B.; Bughin, J.; Byers, A.H.; Chui, M.; Dobbs, R.; Manyika, J.; Roxburgh, C. Big Data: The Next Frontier for Innovation, Competition, and Productivity; Technical Report for Mckinsey&Company: Washington, DC, USA, 2011.
2. Google Buys UK Retail Forecasting Firm Rangespan. Available online: http://www.bbc.co.uk/news/technology-27261504
3. Boomerang Commerce Closes $8.5 mln Series A. Available online: https://www.pehub.com/2014/07/boomerang-commerce-closes-8-5-mln-series-a/.
4. Ayers, J.B.; Odegaard, M.A. Retail Supply Chain Management, 2nd ed.; Auerbach Publications: Boca Raton, FL, USA, 2008; pp. 3–13. ISBN 9781498739146.
5. Customer Science: Growing Business with Customer Data. Available online: https://www.dunnhumby.com/customer-science-growing-business-customer-data (accessed on 24 September 2017).
6. Bala, P.K. Data Mining for Retail Inventory Management, 1st ed.; Springer: Dordrecht, The Netherlands, 2009; pp. 587–598. ISBN 978-90-481-2311-7. [Google Scholar]
7. Videla-Cavieres, I.F.; Rios, S.A. Extending market basket analysis with graph mining techniques: A real case. Expert Syst. Appl. 2014, 41, 1928–1936. [Google Scholar] [CrossRef]
8. Grewal, D.; Levy, M. Retailing research: Past, present, and future. Retail. 2007, 83, 447–464. [Google Scholar] [CrossRef]
9. Underhill, P. Why We Buy: The Science of Shopping, 1st ed.; Simon & Schuster Pbks: New York, NY, USA, 2009; pp. 75–85. ISBN 978-1587990441. [Google Scholar]
10. About iBeacon on Your iPhone, iPad, and iPod touch. Available online: https://support.apple.com/en-gb/HT202880