Big data nel settore del retail, una verifica della realtà
Il cloud computing essendo così 2011, il big data diventerà una delle parole chiave dell’IT per il 2012. Tuttavia, per quanto riguarda i nostri clienti nel settore del retail, c’è una fonte di dati che rappresenta oltre il 90% del valore totale delle informazioni in loro possesso: i dati del carrello della spesa (etichettati con le informazioni della carta fedeltà quando disponibili).
Per qualsiasi rete di vendita al dettaglio di medie-grandi dimensioni, il valore informativo dei dati del carrello della spesa supera di gran lunga tutte le altre fonti di dati alternative, che siano:
- Dati video in negozio, che rimangono difficili da elaborare e sono principalmente focalizzati sulla sicurezza.
- Dati dei social media, che sono molto rumorosi e riflettono sia le implementazioni di bot che i comportamenti umani.
- Rapporti degli analisti di mercato, che richiedono la risorsa più scarsa di tutte: l’attenzione della direzione.
Tuttavia, oltre alle previsioni di vendita di base (come le vendite per prodotto, per negozio, per regione, per settimana …), osserviamo che, a partire da gennaio 2012, la maggior parte dei rivenditori fa molto poco con i dati del carrello della spesa. Anche la previsione per l’ottimizzazione delle scorte è tipicamente nient’altro che una variante della media mobile a livello di negozio. Metodi più elaborati vengono utilizzati per i magazzini, ma in quel caso i rivenditori non sfruttano più i dati del carrello, ma le spedizioni passate dal magazzino.
I fornitori di Big Data promettono di portare ai loro clienti un livello senza precedenti di potenza di elaborazione dei dati per consentire loro di sfruttare tutto il potenziale dei loro big data. Ma questo porterà cambiamenti redditizi ai rivenditori? Non necessariamente.
La capacità di archiviazione esposta sugli scaffali di un ipermercato medio con più di 20 unità esterne in esposizione (supponendo 500 GB per unità) supera tipicamente la capacità di archiviazione grezza necessaria per conservare un intero storico di 3 anni di una rete di 1000 negozi (cioè 10 TB di dati del carrello della spesa). Pertanto, lo storage dei dati grezzi non è un problema, o, almeno, non un problema costoso. Quindi, l’I/O (input/output) dei dati è una questione più impegnativa, ma ancora una volta, scegliendo una rappresentazione adeguata dei dati (i dettagli andrebbero oltre lo scopo di questo post), è difficile come nel 2012.
Osserviamo che la sfida più grande posta dal Big Data è semplicemente la necessità di personale per fare qualsiasi cosa operativa con esso. Infatti, i dati sono principalmente “grandi” nel senso che le risorse aziendali, per eseguire il software Big Data e implementare qualsiasi suggerimento che ne derivi, sono scarse.
Produrre una serie di metriche dai dati del carrello della spesa è facile; ma è molto più difficile costruire un insieme di metriche che valga la pena di essere lette considerando i costi orari dei dipendenti.
Per quanto riguarda i nostri clienti nel settore del retail, la sola limitazione di personale spiega perché si fa così poco con i dati del carrello della spesa su base continuativa: mentre la CPU non è mai stata così economica, il personale non è mai stato così costoso.
Pertanto, riteniamo che i successi del Big Data nel settore del retail saranno ottenuti tramite soluzioni snelle che considerano, non la potenza di elaborazione, ma le persone come la risorsa più scarsa di tutte.
Commenti dei lettori (1)
Joannes, sono impressionato dal lavoro che stai facendo. Se non l’hai ancora fatto, ti prego di dare un’occhiata a ciò che QlickView offre in termini di “business intelligence” o “business discovery”. La piattaforma è davvero veloce e avanzata nel trasformare i dati in conoscenza. Sono sicuro che puoi imparare qualcosa da loro. Ma sì, i numeri non possono parlare da soli nemmeno nel Big Data, quindi la limitazione di personale non può essere completamente eliminata. Salut 5 anni fa | Ali
