På vej mod datadrevet detailhandel
Webbutikkerne har i snart mange år vist den fysiske detailhandel, hvordan Utopia ser ud: Et slaraffenland af indsigt og viden om kundernes præferencer, vaner og købsmønstre.
Af: Thomas Lund, Retail Market Manager, Columbus.
Hvad mener jeg med det?
Lad os starte med at se på den online butik. Jeg går fx på Boozt eller Amazon – først browser jeg lidt rundt, så lægger jeg varer i kurven, måske reagerer jeg på ’kunder der har købt X, synes også godt om Y’ og bliver fristet til at lægge en Y i kurven, et par af varerne tager jeg ud af kurven igen på vej mod kassen, så betaler jeg og forlader butikken. Udover at efterlade mig et frisk spor af informationer, har jeg måske tidligere oprettet mig som kunde med informationer om fx bopæl, alder og køn.
Tænk lige over det en ekstra gang – og tænk så over, hvordan Boozt og Amazon og alle de andre i dén grad har formået at udnytte deres viden om os som kunder og vores præferencer, vaner og købsmønstre. Hvad kiggede vi på, hvad blev vi fristet af, hvor var der potentiale for mersalg, hvad fortrød vi, hvad endte vi med at købe – krydset med informationer om alder, køn og geografi.
Min lokale Rema eller Silvan kender mig ikke
Overfør det så på den fysiske detailhandel. Ja, der dukker ikke rigtig nogen billeder frem på nethinden, vel?
For når jeg handler i min lokale Rema eller Silvan, så kender de mig ikke. Varehuschefen ved (måske), hvor mange kunder der er gået gennem butikken i løbet af dagen, og hvad der er solgt af varer. På kædeniveau kan man se, at Gråsten Remoulade sælger bedre i Ringkøbing end på Østerbro – hvor det til gengæld er sushi-ris, der er en sællert.
Men det er alt sammen viden, som detailleddet først opnår på bagkant, reaktivt. Og meget af denne viden er baseret på fornemmelser og observationer ude i de enkelte butikker – som det er nærmest umuligt at aggregere og overføre til kædeniveau.
Online butikker er datadrevne, proaktive og predictive
I Utopia – altså i de bedste online butikker – er viden baseret på facts. Rå data og benhårde algoritmer, der næsten kender kunderne og deres vaner, præferencer og købsmønstre bedre end kunderne selv. Online butikker er ikke længere kun reaktive, de er datadrevne, proaktive og predictive.
Så der er ikke noget at sige til, at vejen mod Utopia lader til at være uoverskuelig lang og besværlig for den fysiske detailhandel. Online-butikkerne har sat barren og ambitionsniveauet tårnhøjt, og den fysiske detailhandel mister næsten modet på forhånd, fordi de kigger ind i investeringer af Joakim von And’ske dimensioner. Behovet for at blive datadrevne, proaktive og predictive er der – men investeringsniveauet sætter en naturlig begrænsning. Tror man.
Sæt ambitionsniveauet højt – og start lavt
Investeringsniveauet for at begynde at arbejde datadrevet i den fysiske detailhandel er dog langt mindre, end man går og regner med på chefgangene – for selv om ambitionsniveauet er sat højt, så er der faktisk betydelige indsigter og gevinster at hente, selv om man starter lavt. Det vigtigste er, at detailleddet begynder at arbejde med de her ting.
Start med at samle data fra alle de steder, hvor man har data, i ét samlet, online billede af kanalerne, fx kasseapparat, lager, webshop – hvor meget sælges hvor? Nu begynder man at få informationer, der kan bruges og analyseres på. I dag foregår meget af den slags salgsrapportering som – netop – rapportering, fx en pdf-rapport, der mailes til butikschefen. Men en pdf-rapport om salget i butikken i Ringkøbing i går gør mig ikke datadrevet, det er bare en konstatering.
Datagrundlaget for at komme i gang findes allerede – så sæt i gang!
Eksemplet her er ikke bare tænkt, det er et eksempel fra en af mine kunder, som har taget det første skridt mod datadrevet detailhandel ved at digitalisere pdf-rapporterne og lægge dem ind i et BI-værktøj. Nu kan regionscheferne følge salget i de forskellige butikker time for time på deres mobiltelefon – og reagere! Tidligere fik de en rapport over gårsdagens salg, men nu begynder de at få data i et format, de kan bruge til noget.
Datagrundlaget fandtes i forvejen, så det har ikke kostet dem meget at få udviklet løsningen – men de er blevet meget klogere på deres forretning og deres kunder. Første skridt er taget: De er startet lavt, men ambitionsniveauet er højt.
Du kan f.eks. starte med at bygge en Data Warehouse og AI Platform på blot 15 dage, og så har du grundlaget for at kunne samle data og skabe værdi ud fra dem.
