σελφ σερβις - Δήμητρα Κατσίπη, IRI: Τα Analytics στην υπηρεσία της αγοράς

Σάββατο, 17 Νοεμβρίου 2018

ΔΙΑΦΗΜΙΣΗ

Υπηρεσίες

Δήμητρα Κατσίπη, IRI: Τα Analytics στην υπηρεσία της αγοράς

9 Οκτωβρίου 2018 | 09:36 Γράφει ο Νικόλας   Παπαδημητρίου Topics: Analytics,Έρευνα,Συνέντευξεις-Πρόσωπα

Δήμητρα Κατσίπη

Το μεγάλο πλεονέκτημα των μοντέλων Analytics είναι ότι συστηματοποιούν τόσο άμεσα και «έξυπνα» την απειρία πληροφοριών των Big Data, ώστε ο χρήστης τους μπορεί να έχει αληθινές κι όχι υποθετικές απαντήσεις σε ό,τι τον απασχολεί, πράγμα που του δίνει σαφές πλεονέκτημα στον ανταγωνισμό. Πρόκειται για κάτι σχετικά καινούργιο στην ελληνική αγορά», τονίζει η κ. Δήμητρα Κατσίπη, διευθύντρια πωλήσεων της IRI.

Σήμερα το λιανεμπόριο και η βιομηχανία ζουν μια εξαιρετικά σύνθετη πραγματικότητα, έχοντας να διαχειριστούν μια πληθώρα ερωτημάτων προς απάντηση, όπως «πουλάω στη σωστή τιμή;», «έχω τα σωστά προϊόντα στα ράφια;», «έχω τις σωστές προσφορές;» κ.ο.κ. Όπως εξηγεί η κ. Δήμητρα Κατσίπη, «τέτοια ερωτήματα τίθενται καθημερινά στις διοικητικές ομάδες και τις εμπορικές συναντήσεις των στελεχών και φυσικά στις διαπραγματεύσεις μεταξύ λιανεμπορίου και βιομηχανίας. Ταυτόχρονα, οι δύο πλευρές της αγοράς βρίσκονται αντιμέτωπες μ’ έναν απίστευτο όγκο πληροφοριών, οι οποίες συνδυασμένες μεταξύ τους υπό προϋποθέσεις δείχνουν τις ορθές απαντήσεις σε σύνθετα ερωτήματα, όπως τα προαναφερόμενα. Το δίλημμα, ωστόσο, που εκ των πραγμάτων τίθεται είναι «ή πνιγόμαστε μέσα σε αυτές τις πληροφορίες –άρα είτε τις έχουμε είτε όχι είναι δώρο άδωρο– ή καταφέρνουμε να τις διαχειριζόμαστε παραγωγικά». Αλλά η συνάρτηση γίνεται ακόμα πιο περίπλοκη, εφόσον ο καθοριστικός όρος για μια παραγωγική διαχείριση των πληροφοριών είναι η ταχύτητα της επεξεργασίας τους. Γιατί όλες οι απαντήσεις πρέπει να οδηγούν σε ορθές αποφάσεις στον παρόντα χρόνο, αλλιώς χάνουν το νόημά τους.

Σε αυτό, λοιπόν, το πολυσύνθετο και απαιτητικό τοπίο του κόσμου μας ήρθαν τα Analytics, η νέα μεθοδολογία διαχείρισης των Big Data, προκειμένου να δίνουν συγκεκριμένες, ακριβείς και άμεσες απαντήσεις στα πολυποίκιλα ερωτήματα, που γεννά καθημερινά το έντονα ανταγωνιστικό περιβάλλον».

    σελφ σέρβις: Πώς είμαστε βέβαιοι, ότι για την απάντηση του οποιουδήποτε ζητουμένου έχουν ληφθεί υπόψιν οι κατάλληλες παράμετροι, η σύνθεση των οποίων ορίζει τη σωστή ερώτηση για τη λύση του; Διότι κάθε ορθή απάντηση προϋποθέτει τη σωστή επιλογή και τοποθέτηση των όρων έκθεσης του προβλήματος. Έτσι δεν είναι;

Δήμητρα Κατσίπη: Αυτό ισχύει στην κλασική έρευνα. Όμως, στην περίπτωσή μας το ζητούμενο είναι η εφαρμογή μαθηματικών μοντέλων εν είδει «έξυπνων μηχανών», ώστε να διαχειριζόμαστε τις εκατομμύρια καταγεγραμμένες παρατηρήσεις στα scanning data των λιανεμπόρων, προκειμένου να φτάνουμε σε συμπεράσματα για αγοραστικές συμπεριφορές επί συγκεκριμένων προϊοντικών κωδικών, συμπεράσματα, δηλαδή, που ήδη έχουν τεθεί ως ζητούμενα. Με άλλα λόγια, τα Analytics επιλύουν ένα τεχνολογικά ανυπέρβλητο εμπόδιο για τα κλασικά εργαλεία –δηλαδή αυτό της κατάταξης και αυτόματης επεξεργασίας μιας θάλασσας πληροφοριών –, για να φτάσουμε σε έναν ήδη προκαθορισμένο σκοπό από τον κλασικό ερευνητικό συλλογισμό.

Ένας αλγόριθμος για κάθε λύση

    σ. σ.: Μπορείτε να περιγράψετε σε γενικές γραμμές τον τρόπο λειτουργίας και τις δυνατότητες των μοντέλων Analytics;

Δ. Κ.: Σας μίλησα για την επεξεργασία πληροφοριών σχετικά με τις αγοραστικές συμπεριφορές συγκεκριμένων κωδικών προϊόντων. Για την ανάλυσή τους, λοιπόν, έχουν δημιουργηθεί αλγόριθμοι, οι οποίοι και αποτελούν τη βάση κάθε μοντέλου Analytics. Τέτοια μοντέλα έχουν τη δυνατότητα να παρακολουθούν το ιστορικό των πωλήσεων, ανιχνεύοντας το οποιοδήποτε σενάριο εξέλιξής τους μας ενδιαφέρει. Για παράδειγμα, στο βαθμό που μ’ ενδιαφέρουν οι διαφοροποιήσεις των τιμών και των προωθητικών ενεργειών του Χ προϊόντος, με την ανάλυση του ιστορικού των σχετικών πληροφοριών των πωλήσεών του, μπορεί να εξακριβώσω λ.χ. την αποτελεσματικότητα καθενός διαφορετικού εργαλείου προώθησης που εφαρμόστηκε στην περίπτωσή του, ώστε να προτείνω το αποτελεσματικότερο εργαλείο για την περίπτωση του δικού μου προϊόντος, όπως και να εντοπίσω την ελαστικότητα της τιμής του, ώστε η απόφασή μου για την εκπτωτική του τιμή να είναι η ιδανική. Δηλαδή, ούτε μεγαλύτερης επένδυσης –εφόσον πρόκειται να μου αποφέρει τις ίδιες πωλήσεις με το αν επενδύσω σε μικρότερη έκπτωση –, ούτε μικρότερης, ώστε να μην αδυνατίσει η ελκυστικότητα της ενέργειας κ.ο.κ. Με άλλα λόγια, αναλύω το παρελθόν των πωλήσεων, για να σχεδιάσω με τη μεγαλύτερη δυνατή ευστοχία το μέλλον τους. Αυτή είναι η λογική των μοντέλων Analytics. Έτσι, η ομάδα των πωλήσεων ή του μάρκετινγκ είναι σε θέση πλέον να μελετά εναλλακτικά σενάρια τακτικής, προβλέποντας αξιόπιστα τα αποτελέσματά τους σε βάθος χρόνου. Στο παράδειγμα που σας ανέπτυξα, είχα στο νου μου το Price & Promo μοντέλο Analytics. Αντίστοιχα υπάρχει το μοντέλο, που με αντίστοιχο τρόπο οδηγεί στη βέλτιστη ποικιλία του λιανεμπορικού ραφιού ανά τύπο καταστήματος, γεωγραφική περιοχή, κατηγορία προϊόντων κ.λπ. Έτσι ο λιανέμπορος μπορεί να ξέρει πια με ασφάλεια, για παράδειγμα, ότι δεν υπάρχει λόγος να έχει στο ράφι της τάδε κατηγορίας πέντε διαφορετικού κωδικούς του δείνα προϊόντος, εφόσον με τους τρεις από αυτούς έχει τον ίδιο τζίρο. Το πλεονέκτημα των μοντέλων Analytics που τα κάνει πολύτιμα, είναι η ευχέρεια της παρακολούθησης διαφορετικών σεναρίων πωλήσεων πριν τη λήψη αποφάσεων.

Ζωηρεύει το ενδιαφέρον της αγοράς

    σ. σ.: Εκδηλώνεται ενδιαφέρον εκ μέρους της βιομηχανίας και του λιανεμπορίου για την απόκτηση τέτοιων μοντέλων; Έχουν ετοιμότητα για την εφαρμογή τους;

Δ. Κ.: Αρκετοί πελάτες μας άρχισαν ήδη να εξασκούνται στην εφαρμογή μοντέλων Analytics, με τη συμβουλευτική μας υποστήριξη φυσικά, η οποία ακολουθεί πάντα την πώλησή του για όσο χρειάζεται. Στην πράξη, αφού τους εκπαιδεύσουμε στην εφαρμογή του μοντέλου κατά περίπτωση προϊόντος που επιλέγουν, αναλαμβάνουμε να τους παρουσιάζουμε τα αποτελέσματα, ακολουθεί ο σχεδιασμός του ετήσιου προωθητικού πλάνου τους βάσει σεναρίων, ενίοτε η ομάδα των πωλήσεων ή του μάρκετινγκ ζητά την υποστήριξή μας ως προς τον έλεγχο των προτάσεών τους, αναφορικά λ.χ. με την ενσωμάτωση στη λογική τους των συμπερασμάτων που προέκυψαν από την εφαρμογή του μοντέλου κ.λπ. Όταν πια εξοικειώνονται πλήρως με το σχεδιασμό «έξυπνων» πλάνων, που συνδυάζουν τη μεγαλύτερη απόδοση πωλήσεων και κέρδους, το μοντέλο Analytics έχει γίνει πλέον απαραίτητο εργαλείο της δουλειάς τους. Προς έκπληξή μας ενδιαφέρον ζωηρό εκδηλώνεται από αλυσίδες σούπερ μάρκετ, οι οποίες, μάλιστα, βρίσκονται και πέραν της πρώτης πεντάδας του ανταγωνισμού. Έχουμε τέτοιες συνεργασίες αναφορικά με μοντέλα Analytics όχι μόνο για την τιμολόγηση και τα προγράμματα προσφορών, αλλά και για τη σωστή ποικιλία ραφιού.

Σήμερα το λιανεμπόριο και η βιομηχανία ζουν μια εξαιρετικά σύνθετη πραγματικότητα, έχοντας να διαχειριστούν μια πληθώρα ερωτημάτων προς απάντηση, όπως «πουλάω στη σωστή τιμή;», «έχω τα σωστά προϊόντα στα ράφια;», «έχω τις σωστές προσφορές;» κ.ο.κ. Όπως εξηγεί η κ. Δήμητρα Κατσίπη, «τέτοια ερωτήματα τίθενται καθημερινά στις διοικητικές ομάδες και τις εμπορικές συναντήσεις των στελεχών και φυσικά στις διαπραγματεύσεις μεταξύ λιανεμπορίου και βιομηχανίας. Ταυτόχρονα, οι δύο πλευρές της αγοράς βρίσκονται αντιμέτωπες μ’ έναν απίστευτο όγκο πληροφοριών, οι οποίες συνδυασμένες μεταξύ τους υπό προϋποθέσεις δείχνουν τις ορθές απαντήσεις σε σύνθετα ερωτήματα, όπως τα προαναφερόμενα. Το δίλημμα, ωστόσο, που εκ των πραγμάτων τίθεται είναι «ή πνιγόμαστε μέσα σε αυτές τις πληροφορίες –άρα είτε τις έχουμε είτε όχι είναι δώρο άδωρο– ή καταφέρνουμε να τις διαχειριζόμαστε παραγωγικά». Αλλά η συνάρτηση γίνεται ακόμα πιο περίπλοκη, εφόσον ο καθοριστικός όρος για μια παραγωγική διαχείριση των πληροφοριών είναι η ταχύτητα της επεξεργασίας τους. Γιατί όλες οι απαντήσεις πρέπει να οδηγούν σε ορθές αποφάσεις στον παρόντα χρόνο, αλλιώς χάνουν το νόημά τους.

Σε αυτό, λοιπόν, το πολυσύνθετο και απαιτητικό τοπίο του κόσμου μας ήρθαν τα Analytics, η νέα μεθοδολογία διαχείρισης των Big Data, προκειμένου να δίνουν συγκεκριμένες, ακριβείς και άμεσες απαντήσεις στα πολυποίκιλα ερωτήματα, που γεννά καθημερινά το έντονα ανταγωνιστικό περιβάλλον».

    σελφ σέρβις: Πώς είμαστε βέβαιοι, ότι για την απάντηση του οποιουδήποτε ζητουμένου έχουν ληφθεί υπόψιν οι κατάλληλες παράμετροι, η σύνθεση των οποίων ορίζει τη σωστή ερώτηση για τη λύση του; Διότι κάθε ορθή απάντηση προϋποθέτει τη σωστή επιλογή και τοποθέτηση των όρων έκθεσης του προβλήματος. Έτσι δεν είναι;

Δήμητρα Κατσίπη: Αυτό ισχύει στην κλασική έρευνα. Όμως, στην περίπτωσή μας το ζητούμενο είναι η εφαρμογή μαθηματικών μοντέλων εν είδει «έξυπνων μηχανών», ώστε να διαχειριζόμαστε τις εκατομμύρια καταγεγραμμένες παρατηρήσεις στα scanning data των λιανεμπόρων, προκειμένου να φτάνουμε σε συμπεράσματα για αγοραστικές συμπεριφορές επί συγκεκριμένων προϊοντικών κωδικών, συμπεράσματα, δηλαδή, που ήδη έχουν τεθεί ως ζητούμενα. Με άλλα λόγια, τα Analytics επιλύουν ένα τεχνολογικά ανυπέρβλητο εμπόδιο για τα κλασικά εργαλεία –δηλαδή αυτό της κατάταξης και αυτόματης επεξεργασίας μιας θάλασσας πληροφοριών –, για να φτάσουμε σε έναν ήδη προκαθορισμένο σκοπό από τον κλασικό ερευνητικό συλλογισμό.

Ένας αλγόριθμος για κάθε λύση

    σ. σ.: Μπορείτε να περιγράψετε σε γενικές γραμμές τον τρόπο λειτουργίας και τις δυνατότητες των μοντέλων Analytics;

Δ. Κ.: Σας μίλησα για την επεξεργασία πληροφοριών σχετικά με τις αγοραστικές συμπεριφορές συγκεκριμένων κωδικών προϊόντων. Για την ανάλυσή τους, λοιπόν, έχουν δημιουργηθεί αλγόριθμοι, οι οποίοι και αποτελούν τη βάση κάθε μοντέλου Analytics. Τέτοια μοντέλα έχουν τη δυνατότητα να παρακολουθούν το ιστορικό των πωλήσεων, ανιχνεύοντας το οποιοδήποτε σενάριο εξέλιξής τους μας ενδιαφέρει. Για παράδειγμα, στο βαθμό που μ’ ενδιαφέρουν οι διαφοροποιήσεις των τιμών και των προωθητικών ενεργειών του Χ προϊόντος, με την ανάλυση του ιστορικού των σχετικών πληροφοριών των πωλήσεών του, μπορεί να εξακριβώσω λ.χ. την αποτελεσματικότητα καθενός διαφορετικού εργαλείου προώθησης που εφαρμόστηκε στην περίπτωσή του, ώστε να προτείνω το αποτελεσματικότερο εργαλείο για την περίπτωση του δικού μου προϊόντος, όπως και να εντοπίσω την ελαστικότητα της τιμής του, ώστε η απόφασή μου για την εκπτωτική του τιμή να είναι η ιδανική. Δηλαδή, ούτε μεγαλύτερης επένδυσης –εφόσον πρόκειται να μου αποφέρει τις ίδιες πωλήσεις με το αν επενδύσω σε μικρότερη έκπτωση –, ούτε μικρότερης, ώστε να μην αδυνατίσει η ελκυστικότητα της ενέργειας κ.ο.κ. Με άλλα λόγια, αναλύω το παρελθόν των πωλήσεων, για να σχεδιάσω με τη μεγαλύτερη δυνατή ευστοχία το μέλλον τους. Αυτή είναι η λογική των μοντέλων Analytics. Έτσι, η ομάδα των πωλήσεων ή του μάρκετινγκ είναι σε θέση πλέον να μελετά εναλλακτικά σενάρια τακτικής, προβλέποντας αξιόπιστα τα αποτελέσματά τους σε βάθος χρόνου. Στο παράδειγμα που σας ανέπτυξα, είχα στο νου μου το Price & Promo μοντέλο Analytics. Αντίστοιχα υπάρχει το μοντέλο, που με αντίστοιχο τρόπο οδηγεί στη βέλτιστη ποικιλία του λιανεμπορικού ραφιού ανά τύπο καταστήματος, γεωγραφική περιοχή, κατηγορία προϊόντων κ.λπ. Έτσι ο λιανέμπορος μπορεί να ξέρει πια με ασφάλεια, για παράδειγμα, ότι δεν υπάρχει λόγος να έχει στο ράφι της τάδε κατηγορίας πέντε διαφορετικού κωδικούς του δείνα προϊόντος, εφόσον με τους τρεις από αυτούς έχει τον ίδιο τζίρο. Το πλεονέκτημα των μοντέλων Analytics που τα κάνει πολύτιμα, είναι η ευχέρεια της παρακολούθησης διαφορετικών σεναρίων πωλήσεων πριν τη λήψη αποφάσεων.

Ζωηρεύει το ενδιαφέρον της αγοράς

    σ. σ.: Εκδηλώνεται ενδιαφέρον εκ μέρους της βιομηχανίας και του λιανεμπορίου για την απόκτηση τέτοιων μοντέλων; Έχουν ετοιμότητα για την εφαρμογή τους;

Δ. Κ.: Αρκετοί πελάτες μας άρχισαν ήδη να εξασκούνται στην εφαρμογή μοντέλων Analytics, με τη συμβουλευτική μας υποστήριξη φυσικά, η οποία ακολουθεί πάντα την πώλησή του για όσο χρειάζεται. Στην πράξη, αφού τους εκπαιδεύσουμε στην εφαρμογή του μοντέλου κατά περίπτωση προϊόντος που επιλέγουν, αναλαμβάνουμε να τους παρουσιάζουμε τα αποτελέσματα, ακολουθεί ο σχεδιασμός του ετήσιου προωθητικού πλάνου τους βάσει σεναρίων, ενίοτε η ομάδα των πωλήσεων ή του μάρκετινγκ ζητά την υποστήριξή μας ως προς τον έλεγχο των προτάσεών τους, αναφορικά λ.χ. με την ενσωμάτωση στη λογική τους των συμπερασμάτων που προέκυψαν από την εφαρμογή του μοντέλου κ.λπ. Όταν πια εξοικειώνονται πλήρως με το σχεδιασμό «έξυπνων» πλάνων, που συνδυάζουν τη μεγαλύτερη απόδοση πωλήσεων και κέρδους, το μοντέλο Analytics έχει γίνει πλέον απαραίτητο εργαλείο της δουλειάς τους. Προς έκπληξή μας ενδιαφέρον ζωηρό εκδηλώνεται από αλυσίδες σούπερ μάρκετ, οι οποίες, μάλιστα, βρίσκονται και πέραν της πρώτης πεντάδας του ανταγωνισμού. Έχουμε τέτοιες συνεργασίες αναφορικά με μοντέλα Analytics όχι μόνο για την τιμολόγηση και τα προγράμματα προσφορών, αλλά και για τη σωστή ποικιλία ραφιού.


Από τις «δύσκολες» στις «σωτήριες» αποφάσεις

    σ. σ.: Τι δείχνει η εμπειρία σας; Η είσοδος των Analytics στο σχεδιασμό των επιχειρήσεων επιταχύνει το λεγόμενο εξορθολογισμό των κωδικολογίων της βιομηχανίας και της ποικιλίας του λιανεμπορικού ραφιού; Αλήθεια, οι πελάτες σας στη λιανική οδηγούνται στο «πέταμα» κωδικών από τα ράφια τους;

Δ. Κ.: Θα ‘λεγα ότι διαθέτουν το χώρο τους εκεί που πρέπει, ώστε να έχουν το καλύτερο «γύρισμα» ραφιού. Αυτό ωθεί και τη βιομηχανία να απαλλάσσεται από κωδικούς που δεν έχουν κανένα νόημα. Διότι η μεγάλη ποικιλία δεν σημαίνει πάντα καλύτερα αποτελέσματα… Σε κάποιες κατηγορίες προϊόντων οι προμηθευτές, ναι, έχουν αρχίσει να αντιλαμβάνονται πως ήρθε η ώρα των δύσκολων αποφάσεων. Το υψηλό διαχειριστικό κόστος δεν επιτρέπει τη συντήρηση κωδικών ή την παραγωγή νέων χωρίς στοιχεία πραγματικής καινοτομίας και διαφοροποίησης. Ήδη το ξέρουν ότι η παραγωγή μιας νέας γεύσης ή ενός επιπλέον αρώματος σε μια γνωστή συλλογή προϊόντων δεν σημαίνει πάντα το καινούργιο. Πιθανώς, μάλιστα, δημιουργεί εσωτερικές εμπλοκές και κρυφά κόστη. Τα Analytics δείχνουν με ακρίβεια πότε και ποιο πρέπει να είναι το αντικείμενο των δύσκολων αποφάσεων, ώστε να αποβαίνουν εντέλει σωτήριες.

    σ. σ.: Υπάρχει η δυνατότητα προσθήκης πεδίων έρευνας στα μοντέλα Analytics, μέσω της εισαγωγής νέων αλγορίθμων;

Δ. Κ.: Όλα γίνονται υπό τον όρο ότι υπάρχουν τα εκάστοτε data, τα οποία καλούμαστε να αναλύσουμε. Στη δουλειά μας, βλέπετε, το μέλλον βασίζεται αποκλειστικά στις καταγεγραμμένες εμπειρίες του παρελθόντος. Έστω, για παράδειγμα, ότι μια αλυσίδα θέλει να δημιουργήσει ένα PL γλύκισμα με γεύση καρύδα. Εφόσον υπάρχουν καταγραφές πωλήσεων των επώνυμων προϊόντων με τη συγκεκριμένη γεύση, ο λιανέμπορος μπορεί να σταθμίσει με βεβαιότητα, μελετώντας διαφορετικά σενάρια, αν η ιδέα του για ένα τέτοιο προϊόν της επωνυμίας του είναι ευκαιρία ή όχι. Σε τελική ανάλυση λάβετε υπόψη σας και το ασύγκριτο πλεονέκτημα στην επίλυση σχετικών προβλημάτων κάθε είδους, που δίνει στην εταιρεία μας η λειτουργία στους κόλπους της, εδώ στην Ελλάδα, του Analytics Center of Excellence (ACE), δηλαδή της επιτελικής σε παγκόσμιο επίπεδο επιχειρησιακής μονάδας της IRI στα Analytics. Αυτό είναι ευτύχημα για όσους θέλουν να χρησιμοποιήσουν τα Analytics στην αγορά μας.

Το μοντέλο Basket Analysis

    σ. σ.: Η αποκρυπτογράφηση της συμπεριφοράς του πελάτη αποτελεί ανέκαθεν κεντρικό ζητούμενο για τη διαμόρφωση της στρατηγικής των λιανέμπορων. Πώς μπορεί να συνεισφέρουν τα Analytics στην ανάλυση των δεδομένων των καρτών πιστότητας των αλυσίδων;

Δ. Κ.: Ένα πρώτο ζήτημα είναι ότι δεν έχουν όλες οι αλυσίδες σούπερ μάρκετ κάρτες πιστότητας στην ελληνική αγορά κι ένα δεύτερο ότι από αυτές που έχουν, μόνο ως εξαίρεση εντοπίζει κανείς προηγμένους τρόπους οργάνωσης των σχετικών data. Δηλαδή, ο κανόνας είναι ότι τα συστήματα των καρτών πιστότητας είναι μάλλον πρώιμου επιπέδου, τουλάχιστον συγκρινόμενα με τα ισχύοντα διεθνώς. Πάντως, στο πλαίσιο των Analytics, διαθέτουμε ένα εργαλείο, το Basket Analysis, η εφαρμογή του οποίου «διαβάζει» ακριβώς τη συμπεριφορά του πελάτη, αναλύοντας τις αποδείξεις των αγορών του. Έτσι, επεξεργαζόμενοι τα εκατομμύρια αποδείξεων μιας loyalty card, μπορούμε να μάθουμε το ψυχομετρικό προφίλ των πελατών της αλυσίδας, όπως εκφράζεται στη σύνθεση των προϊόντων που βάζει στο καλάθι του ανά κατηγορία καταστημάτων, ημέρα της εβδομάδας και ώρα, εποχή, γεωγραφική περιοχή κ.λπ., να το συσχετίσουμε με τα είδη που αγοράζει, τις συσκευασίες που προτιμά κ.οκ., ώστε να συγκροτήσουμε εντέλει ένα πολύτιμο σύνολο συμπερασμάτων, στη βάση των οποίων η γνώση του πελάτη λειτουργεί σταθερά ως γνώμονας αποφάσεων του λιανέμπορου, για τη μεγιστοποίηση της αποτελεσματικότητάς του σε όλα τα επίπεδα. Έτσι, αυτός θα ξέρει πότε, πώς, πού να κατευθύνει τις προωθητικές του ενέργειες, σε ποιες κατηγορίες καταστημάτων του να διαφοροποιήσει το μίγμα ραφιού και σε ποια κατεύθυνση, ανά εποχή, γεωγραφική περιοχή κ.λπ. Το μεγάλο πλεονέκτημα των Analytics είναι ότι συστηματοποιούν τόσο άμεσα και «έξυπνα» την απειρία πληροφοριών των Big Data, ώστε ο χρήστης τους μπορεί να έχει αληθινές κι όχι υποθετικές απαντήσεις σε ό,τι τον απασχολεί, πράγμα που του δίνει σαφές πλεονέκτημα στον ανταγωνισμό. Πρόκειται για κάτι σχετικά καινούργιο στην ελληνική αγορά. Μόλις την τελευταία πενταετία οι έννοιες των Big Data και των Analytics άρχισαν να μπαίνουν στο λεξιλόγιό της και πρόσφατα στην καθημερινότητά της.

Το κόστος κτήσης

    σ. σ.: Το επενδυτικό κόστος κτήσης ενός μοντέλου Analytics ποιο είναι;

Δ. Κ.: Αυτό συναρτάται με το βαθμό πολυπλοκότητας της κατηγορίας ή των κατηγοριών προϊόντων, που προορίζεται να παρακολουθήσει το μοντέλο, από το βάθος ανάλυσης που θα επιλεχθεί, τη συχνότητα του refresh στο μοντέλο κ.ά. Εντελώς σχηματικά το κόστος του μπορεί να ξεκινά από τις 10.000 ευρώ και να υπερβεί τις 100.000 ευρώ. Λάβετε υπόψη σας, βέβαια, ότι, ενώ ο προμηθευτής χρειάζεται να παρακολουθεί περιορισμένο αριθμό προϊοντικών κατηγοριών, αν όχι μία, ο λιανέμπορος επιβάλλεται να εξοπλιστεί για την παρακολούθηση τουλάχιστον είκοσι γενικών κατηγοριών, που του δίνουν το 80% του τζίρου του. Την ίδια στιγμή, ενώ ο πρώτος είναι αναγκαίο να προχωρήσει σε μεγάλο βαθμό ανάλυσης, ο δεύτερος θα αρκεστεί, ίσως, σ’ ένα μέσο επίπεδο. Αν κάποιος ενδιαφέρεται για ένα πεδίο της ανάλυσης, π.χ. για την ελαστικότητα τιμής των προϊόντων του, το κόστος φυσικά μπορεί να περιοριστεί στις 4.000 ευρώ ή χαμηλότερα.

    σ. σ.: Πέραν της αγοράς κάποιου μοντέλου Analytics για ίδια χρήση από έναν προμηθευτή ή λιανέμπορο, φαντάζομαι ότι εξακολουθούν να διατίθενται από την IRI ως προϊόντα παροχής των υπηρεσιών της τα αποτελέσματα σχετικών ερευνών κατόπιν παραγγελίας τους.

Δ. Κ.: Ασφαλώς. Αναφερόμαστε, βέβαια, σε συμπεράσματα ερευνών ανά σενάριο που ενδιαφέρει τον εκάστοτε πελάτη. Αυτό ισχύει ανέκαθεν, δεν αλλάζει…

σελφ σερβις (T. 486)
« 1 2 »
ΔΙΑΦΗΜΙΣΗ

Δείτε ακόμη...

Οι πιο δημοφιλείς ειδήσεις σήμερα

Αυτοί που διάβασαν αυτό διάβασαν επίσης

Τα πιο δημοφιλή Topics

ΔΙΑΦΗΜΙΣΗ
ΔΙΑΦΗΜΙΣΗ

Συνεντεύξεις / Πρόσωπα

 
ΔΙΑΦΗΜΙΣΗ

Topics

Αγορά

Τεχνολογία

Τρόφιμα/Ποτά

Ενέργεια/Περιβάλλον

Μεταφορές/Logistics

Εκπαίδευση

Υγεία/Ομορφιά

Ευρωπαϊκή Ένωση

©2018 Boussias Communications, all rights reserved. Κλεισθένους 338, 153 44 Γέρακας, info@boussias.com, Τ:210 6617777, F:210 6617778

ATCOM PRODUCTION