Otimização de merchandising: preveja, detecte e modele a demanda

Desafios e oportunidades de otimização de varejo

A disponibilidade de estoque e as promoções continuam a influenciar as decisões dos clientes. À medida que surgem novas jornadas de clientes e experiências de compra, a execução é tudo. Os consumidores não toleram estoque esgotado - 63% deles confirmaram que experimentarão outra marca em vez de esperar por um reabastecimento. Os varejistas com previsões mais precisas e informações sobre seus estoques poderão se adaptar rapidamente para atender à demanda e às preferências de compra dos clientes, seja comprando na loja, online e retirando na loja, optando por entrega ou usando outros canais.

Os consumidores compram de maneira diferente dependendo do que estão comprando. Por exemplo, eles têm prioridades diferentes ao comprar presentes do que ao comprar itens sazonais: às vezes, o preço é tudo; às vezes não. Os varejistas agora podem entender como os compradores respondem a cada item em um nível localizado, permitindo que incluam os efeitos de promoções, sazonalidade e clima em suas previsões.

Além disso, os varejistas podem aumentar a personalização ao segmentar os clientes com base em suas necessidades em tempo real. Os clientes são mais propensos a aceitar ofertas que foram direcionadas a eles com base na compreensão de seu comportamento, como eles compram e os serviços que assinam, aumentando as taxas de aceitação de ofertas e, em última análise, a receita. Por outro lado, enviar ofertas de vendas cruzadas ou incrementais não direcionadas pode levar à fadiga do cliente e notificações ignoradas ou desativadas.

Simplifique o planejamento de varejo com análises avançadas e machine learning

Ter o estoque certo disponível no lugar certo para atender rapidamente à demanda dos clientes, independentemente de quando e onde a compra for feita, ajudará os varejistas a superar os desafios e explorar as oportunidades descritas acima.

Os varejistas podem usar análises avançadas e machine learning para identificar produtos e serviços relevantes para um determinado cliente. Eles podem então enviar esses produtos e serviços ao cliente por meio do canal apropriado no momento apropriado.

Vamos dar uma olhada em como a Oracle Data Platform pode ajudar os varejistas a melhorar a precisão das previsões, simplificar o planejamento e otimizar o estoque.

Esta imagem mostra como a Oracle Data Platform para varejo pode ser usada para oferecer suporte à otimização de merchandising e ajudar os varejistas a prever, detectar e moldar a demanda. A plataforma inclui os seguintes cinco pilares:

• Fontes de Dados, Descoberta
• Ingestão, Transformação
• Persistência, Curadoria, Criação
• Análise, Aprendizado, Predição
• Medição, Ação

O pilar Fontes de Dados, Descoberta inclui quatro categorias de dados.

Os dados de registro de negócios compreendem transações de vendas, dados de clientes e de produtos, transações de devoluções, fornecedores, estoque, dados do sistema PDV, receita e dados de margem.

Os dados de aplicações vêm de aplicações ERP, SCM, CX e WMS, Fusion SaaS, NetSuite, E-Business Suite, PeopleSoft, JD Edwards, SAP, Salesforce e Workday.

Os dados de terceiros incluem dados da Oracle Data Cloud e sociais.

Os dados técnicos de entrada incluem logs, cliques na web, fluxos de eventos e beacons.

O pilar Ingestão, Transformação abrange quatro recursos.

A ingestão em massa usa OCI Data Integration, Oracle Data Integrator e ferramentas de banco de dados.

A transferência em massa usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.

A captura de dados alterados usa o OCI GoldenGate.

A ingestão de streaming usa o Kafka Connect.

Todos os quatro recursos se conectam unidirecionalmente ao armazenamento de dados de serviço e ao armazenamento em nuvem no pilar Persistência, Curadoria, Criação.

Além disso, a ingestão de streaming está conectada ao processamento de stream no pilar Análise, Aprendizado, Previsão.

O pilar Persistência, Curadoria, Criação abrange cinco recursos.

O armazenamento de dados de serviço usa Autonomous Data Warehouse e Exadata Cloud Service.

O Hadoop gerenciado usa o Oracle Big Data Service.

O armazenamento em nuvem usa OCI Object Storage.

O processamento em lote usa OCI Data Flow.

A governança usa OCI Data Catalog.

Esses recursos estão conectados no pilar. O armazenamento em nuvem é conectado unidirecionalmente ao armazenamento de dados de serviço e ao Hadoop gerenciado; ele também é conectado bidirecionalmente ao processamento em lote.

O Hadoop gerenciado é conectado unidirecionalmente ao armazenamento de dados de serviço.

Dois recursos se conectam ao pilar Análise, Aprendizado, Previsão: o armazenamento de dados de serviço se conecta ao recurso de análise e visualização e os produtos de dados, recurso de APIs e o recurso de armazenamento em nuvem se conectam ao recurso de machine learning.

O pilar Análise, Aprendizado, Previsão abrange quatro recursos.

Análises e visualização usam Oracle Analytics Cloud, GraphStudio e ISVs.

Produtos de dados e APIs usam OCI API Gateway e OCI Functions.

O machine learning usa OCI Data Science, Oracle ML e Oracle ML Notebooks.

O processamento de streaming usa GoldenGate Stream Analytics e análises de stream de terceiros.

O pilar Medição, Ação abrange três consumidores: pessoas e parceiros, aplicações e modelos.

Pessoas e parceiros compreendem Análise de Vendas Históricas, Segmentação de Clientes, Análise de Impacto da Promoção, Análise de Impacto de Preços.

Aplicações incluem Indicadores Econômicos, Comportamento de Compra, Previsão de Demanda em Tempo Real, Previsão de Estoque.

Modelos incluem Análise de Sentimento de Mídia Social, Previsão Colaborativa e Planejamento de Demanda.

Os três pilares centrais—Ingestão, Transformação; Persistência, Curadoria, Criação; e Análise, Aprendizado, Previsão — têm suporte de infraestrutura, rede, segurança e IAM.

Existem três maneiras principais de injetar dados em uma arquitetura para permitir que os varejistas prevejam, percebam e moldem a demanda.

• Para iniciar nosso processo, precisamos entender nossa posição geral de estoque. Para fazer isso, usamos o Oracle GoldenGate para permitir a ingestão de captura de alteração de dados de estoque de armazém quase em tempo real de bancos de dados operacionais para todas ou um subconjunto de linhas de produtos.
• Agora podemos adicionar conjuntos de dados relevantes para a demanda de varejo, como informações de ponto de venda. Além das informações de vendas, esses dados nos fornecem vários insights, como horário e local da venda ou informações sobre reembolsos e trocas. Esses conjuntos de dados geralmente compreendem grandes volumes de dados geralmente locais e, na maioria dos casos, a ingestão em lote costuma ser mais eficiente. Para nossos dados de ponto de venda, usaremos o Oracle Data Integrator para ingerir os dados em um ciclo de quatro horas.
• A ingestão de streaming será usada para ingerir dados lidos de beacons em locais da loja por meio de IoT, comunicações máquina a máquina (M2M) e assim por diante. Imagens de vídeo também podem ser consumidas dessa maneira. Além disso, nesse exemplo, pretendemos analisar e responder rapidamente ao sentimento do consumidor, analisando mensagens de redes sociais, respostas a postagens próprias e mensagens em tendências. Mensagens/eventos de redes sociais (aplicação) serão ingeridos com a opção de executar alguma transformação/agregação básica antes de armazenar os dados na nuvem. A análise de streaming adicional pode ser usada para identificar eventos e comportamentos correlacionados do consumidor, e os padrões identificados podem ser realimentados (manualmente) para que o OCI Data Science examine os dados brutos.

A persistência e o processamento de dados são baseados em três (opcionalmente quatro) componentes.

• Os dados brutos ingeridos são armazenados na nuvem. Usaremos o OCI Data Flow para o processamento em lote desses dados transmitidos agora persistentes, como tweets (JSON), localização, dados de sensores de beacons e aplicativos, dados de mapeamento geográfico e dados de referência do produto. Esses conjuntos de dados processados são devolvidos ao armazenamento em nuvem para persistência, curadoria e análise e, finalmente, para carregamento de forma otimizada no armazenamento de dados de serviço. Como alternativa, dependendo da preferência arquitetônica, isso pode ser feito com o Oracle Big Data Service como um cluster Hadoop gerenciado.
• Agora criamos conjuntos de dados processados que estão prontos para serem mantidos em forma relacional otimizada para curadoria e desempenho de consulta no armazenamento de dados de serviço. Isso nos permitirá identificar e retornar as hashtags de produtos e consumidores mais populares que podem ser enriquecidas com localização, estoque e dados de produtos de sistemas corporativos.

A análise já está integrada nas duas tecnologias.

• Os serviços de análise e visualização oferecem análise descritiva (descreve as tendências atuais com histogramas e gráficos), análise preditiva (prevê eventos futuros, identifica tendências e determina a probabilidade de resultados incertos) e análise prescritiva (propõe ações adequadas , levando a uma tomada de decisão ideal), para responder a perguntas como:
  • Como as vendas reais neste período se comparam ao plano atual?
  • Qual é o valor de varejo do estoque disponível e como ele se compara ao mesmo período do ano passado?
  • Quais são os itens mais vendidos em uma divisão ou departamento?
  • Quão eficaz foi a última promoção?
• Juntamente com o uso de análises avançadas, modelos de machine learning são desenvolvidos, treinados e implementados. Esses modelos podem ser acessados por meio de APIs, implementados no armazenamento de dados de serviço ou incorporados como parte do pipeline do OCI GoldenGate de análise de streaming.
• Nossos dados e modelos selecionados, testados e de alta qualidade podem ter regras e políticas de governança aplicadas e expostas como um "produto de dados" (API) dentro de uma arquitetura de malha de dados para distribuição em toda a organização de varejo.

Aumente a lucratividade com uma plataforma de dados de varejo

A previsão e os preços e efeitos promocionais correspondentes, combinados com custos subjacentes e disponibilidade de estoque, são a base para preços e decisões promocionais eficazes. Aumente a lucratividade e a flexibilidade do sortimento com níveis de estoque reduzidos. Antecipe a demanda do cliente maximizando o valor de seus dados, aplicando análises que se baseiam em machine learning, inteligência artificial e disciplinas de ciência da decisão para alcançar o seguinte:

• Aumente a receita e expanda uma base de clientes fiéis com taxas de estoque mais altas.
• Aumente a fidelidade à marca em até 77% com taxas de estoque mais altas. As previsões alimentadas por inteligência automatizada podem impulsionar os processos de reabastecimento e alocação em grande escala. A previsão e os intervalos de previsão estatística correspondentes permitem o sucesso da cadeia de suprimentos - ter o produto certo no lugar certo na hora certa -, ajudando os varejistas a planejar a demanda futura e os estoques de segurança estatísticos, minimizando os custos gerais com estoque.
• Converta até 50% dos compradores com vendas e promoções pontuais. Conduza essas decisões usando previsões com base em hipóteses contextuais e análises preditivas, bem como análises prescritivas otimizadas e voltadas para o futuro.