تحسين التجارة: توقع الطلب وإدراكه وتكوينه

تحديات وفرص تحسين البيع بالتجزئة

لا يزال توافر المخزون والترقيات يؤثر على قرارات العملاء. مع ظهور رحلات عملاء وتجارب تسوق جديدة، يكون التنفيذ هو كل شيء. لن يتقبل المستهلكون المخزون غير المتوفر - أكد 63 % من المستهلكين أنهم سيحاولون تجربة علامة تجارية أخرى بدلاً من انتظار إعادة التخزين. سيتمكن بائعي التجزئة الذين لديهم توقعات أكثر دقة وإحصاءات عن مخزوناتهم من التمحور بسرعة لتلبية طلب العملاء وتفضيلات التسوق، سواء كانوا يتسوقون في المتجر، أو يشترون عبر الإنترنت ويستلمون في المتجر، أو يختارون الاستلام عند سيارتهم، أو باستخدام قنوات أخرى.

يتسوق المستهلكون بشكل مختلف وفقًا لما يشترونه. على سبيل المثال، لديهم أولويات مختلفة عند التسوق للهدايا أكثر من عند التسوق للأصناف الموسمية: في بعض الأحيان السعر هو كل شيء ؛ في بعض الأحيان لا شيء. يمكن لبائعي التجزئة الآن فهم كيفية استجابة المتسوقين لكل عنصر على مستوى محلي، مما يمكنهم من مراعاة تأثيرات الترقيات والموسمية والطقس في توقعاتهم.

بالإضافة إلى ذلك، يمكن لبائعي التجزئة زيادة التخصيص من خلال استهداف العملاء استنادًا إلى احتياجاتهم في الوقت الفعلي. من المرجح أن يقبل العملاء العروض التي تم استهدافها بناءً على فهم سلوكهم وكيفية التسوق والخدمات التي يشاركون فيها وزيادة معدلات قبول العروض والإيرادات في نهاية المطاف. وعلى العكس من ذلك، فإن دفع عروض البيع العابر أو البيع الرأسي غير المستهدفة قد يؤدي إلى إجهاد العملاء وتجاهل أو تعطيل الإخطارات.

تبسيط تخطيط البيع بالتجزئة باستخدام التحليلات المتقدمة والتعلم الآلي.

إن توفر المخزون المناسب في المكان المناسب لتلبية طلب العملاء بسرعة، بغض النظر عن وقت ومكان إجراء الشراء، سيساعد بائعي التجزئة على التغلب على التحديات واستغلال الفرص الموضحة أعلاه.

يمكن لبائعي التجزئة استخدام التحليلات المتقدمة والتعلم الآلي لتحديد المنتجات والخدمات ذات الصلة بعميل معين. ثم يمكنهم دفع هذه المنتجات والخدمات للعميل من خلال القناة المناسبة في الوقت المناسب.

دعونا نلقي نظرة عن كثب على كيفية مساعدة Oracle Data Platform بائعي التجزئة على تحسين دقة التنبؤ وتبسيط التخطيط وتحسين المخزون.

توضح هذه الصورة كيف يمكن استخدام Oracle Data Platform للبيع بالتجزئة لدعم تحسين التسويق ومساعدة بائعي التجزئة على التنبؤ بالطلب والاستشعار به وشكله. وتشمل المنصة الدعائم الخمس التالية:

• مصادر البيانات، الاكتشاف
• استيعاب، تحويل
• الاحتفاظ، التوقع، الإنشاء
• التحليل والتعلم والتنبؤ
• القياس، الإجراء

تتضمن دعامة الاكتشاف ومصادر البيانات أربع فئات من البيانات.

تشتمل بيانات سجل الأعمال على معاملات المبيعات وبيانات العملاء وبيانات المنتجات ومعاملات المرتجعات والموردين والمخزون وبيانات نظام منفذ البيع والإيرادات وبيانات الهامش.

تأتي بيانات التطبيق من تطبيقات ERP وSCM وCX وWMS وFusion SaaS وNetSuite وE-Business Suite وPeopleSoft وJD Edwards وSAP وSalesforce وWorkday.

تتضمن بيانات الطرف الثالث بيانات من Oracle Data Cloud وبيانات الوسائط الاجتماعية.

تتضمن بيانات المدخلات الفنية السجلات ونقرات الويب وتدفقات الأحداث والإشارات.

تضم دعامة الاستيعاب، التحويل أربع قدرات.

يستخدم استيعاب الدفعة أدوات تكامل بيانات OCI وOracle Data Integrator وDB.

يستخدم النقل المجمع OCI FastConnect ونقل بيانات OCI وMFT وOCI CLI.

يستخدم تسجيل بيانات التغيير OCI GoldenGate.

يستخدم استيعاب التدفق Kafka Connect.

تتصل جميع الإمكانات الأربع بشكل أحادي الاتجاه في مخزن بيانات الخدمة والتخزين السحابي داخل الركيزة المثابرة، والإشراف، والإنشاء.

بالإضافة إلى ذلك، يرتبط استيعاب التدفق بمعالجة التدفق ضمن دعامة التحليل والتعلم والتنبؤ.

تتكون دعامة الاستمرار والدقة والإنشاء من خمس قدرات.

يستخدم مخزن البيانات المقدم Autonomous Data Warehouse وExadata Cloud Service.

تستخدم Hadoop المُدارة Oracle Big Data Service.

يستخدم تخزين السحابة تخزين كائنات OCI.

تستخدم المعالجة الدفعية تدفق بيانات OCI.

تستخدم الحوكمة OCI Data Catalog.

هذه القدرات مرتبطة بالركيزة. يتم توصيل التخزين السحابي بشكل غير مباشر بمخزن بيانات الخدمة وHadoop المُدار؛ كما أنه متصل بشكل ثنائي بمعالجة الدفعة.

يتم توصيل نظام Hadoop المُدار بشكل غير مباشر بمخزن بيانات الخدمة.

تتصل إمكانيتان في ركيزة التحليل والتعلم والتنبؤ: يتصل مخزن بيانات الخدمة بكل من القدرة على التحليلات والتمثيل المرئي ومنتجات البيانات وإمكانية واجهات برمجة التطبيقات وإمكانية تخزين السحابة بإمكانية التعلم الآلي.

تشتمل دعامة التحليل والتعلم والتنبؤ على أربع إمكانات.

تستخدم التحليلات والتمثيل المرئي Oracle Analytics Cloud وGraphStudio وموردي البرامج المستقلين (ISV).

تستخدم منتجات البيانات وواجهات برمجة التطبيقات بوابة OCI API ووظائف OCI.

يستخدم التعلم الآلي علوم بيانات OCI، وأجهزة Oracle ML، وأجهزة Oracle ML.

تستخدم معالجة التدفق GoldenGate Stream Analytics وتحليلات التدفق من جهات خارجية.

تتألف ركيزة الإجراء والتنفيذ من ثلاثة مستهلكين: الأشخاص والشركاء والتطبيقات والنماذج.

يتكون الأشخاص والشركاء من تحليل المبيعات التاريخية، وتقسيم العملاء، وتحليل تأثير الترويج، وتحليل تأثير التسعير.

تشتمل التطبيقات على مؤشرات اقتصادية وسلوك شراء وتنبؤ بالطلب في الوقت الفعلي وتنبؤ بالمخزون.

تشتمل النماذج على تحليل مشاعر الوسائط الاجتماعية، والتنبؤ التعاوني، وDemand Planning.

الركائز الأساسية الثلاثة - الاستيعاب، والتحويل؛ والاستمرار، والدقة، والإنشاء، والتحليل، والتعلم، والتنبؤ - مدعومة بالبنية الأساسية، والشبكة، والأمان، وIAM.

هناك ثلاث طرق رئيسية لحقن البيانات في بنية لتمكين بائعي التجزئة من التنبؤ بالطلب واستيعابه وتشكيله.

• لبدء عمليتنا، علينا أن نفهم موقفنا العام من المخزون. للقيام بذلك، نستخدم Oracle GoldenGate لتمكين تغيير التقاط البيانات من استيعاب بيانات مخزون المستودع في الوقت الفعلي القريب من قواعد البيانات التشغيلية لجميع خطوط المنتجات أو لمجموعة فرعية منها.
• يمكننا الآن إضافة مجموعات بيانات ذات صلة بطلب البيع بالتجزئة، مثل معلومات نقطة البيع. بالإضافة إلى معلومات المبيعات، توفر لنا هذه البيانات رؤى متعددة، مثل وقت وموقع البيع أو معلومات حول عمليات رد المبالغ والمبادلات. غالبًا ما تتكون مجموعات البيانات هذه من أحجام كبيرة من البيانات المحلية غالبًا، وفي معظم الحالات، يكون استيعاب الدفعة أكثر كفاءة. بالنسبة لبيانات منفذ البيع، سنستخدم Oracle Data Integrator لاستيعاب البيانات في دورة لمدة أربع ساعات.
• سيتم استخدام بث الاستيعاب لاستيعاب البيانات المقروءة من إشارات في المواقع داخل المتجر من خلال اتصالات IoT وmachine-to-machine (M2M) وما إلى ذلك. كما يمكن استهلاك التصوير بالفيديو بهذه الطريقة. بالإضافة إلى ذلك، نعتزم في هذا المثال تحليل مشاعر المستهلك والاستجابة لها بسرعة من خلال تحليل رسائل الوسائط الاجتماعية، والاستجابات لمنشورات الطرف الأول، ورسائل الاتجاهات. سيتم استيعاب رسائل/أحداث الوسائط الاجتماعية (التطبيق) مع خيار إجراء بعض التحويل/التجميع الأساسي قبل تخزين البيانات في تخزين السحابة. يمكن استخدام تحليلات التدفق الإضافية لتحديد ارتباط أحداث المستهلكين وسلوكهم، ويمكن تغذية الأنماط المحددة (يدويًا) لعلوم بيانات OCI لفحص البيانات الأولية.

يتم بناء استمرارية البيانات ومعالجتها على ثلاثة مكونات (أربعة مكونات اختياريًا).

• يتم تخزين البيانات الأولية المستوردة في تخزين السحابة. سوف نستخدم تدفق بيانات OCI من أجل معالجة الدفعة لهذه البيانات المستمرة الآن، مثل التغريدات (JSON) والموقع وبيانات المستشعر من المنارات والتطبيقات وبيانات التخطيط الجغرافي والبيانات المرجعية للمنتج. يتم إرجاع مجموعات البيانات التي تمّت معالجتها هذه إلى التخزين السحابي للاستمرارية، والطول، والتحليل، وفي النهاية للتحميل في نموذج محسّن إلى مخزن بيانات الخدمة. بدلًا من ذلك، وفقًا للتفضيل الهيكلي، يمكن إنجاز ذلك باستخدام Oracle Big Data Service كمجموعة ‏Hadoop ‏مُدارة.
• لقد أنشأنا الآن مجموعات بيانات معالجة جاهزة للاستمرار في نموذج العلاقات المحسّن لأداء الاستعلام والمدة في مخزن بيانات الخدمة. سيمكننا ذلك من تحديد وإرجاع أهم العلامات التجارية للمنتجات والمستهلكين التي يمكن إثراؤها بالموقع والمخزون وبيانات المنتج من أنظمة المؤسسة.

يستند جزء التحليل إلى تقنيتين.

• تقدم خدمات التحليلات والتمثيل المرئي تحليلات وصفية (تصف الاتجاهات الحالية مع المدرجات التكرارية والرسوم البيانية)، والتحليلات التنبؤية (تتوقع الأحداث المستقبلية، وتحدد الاتجاهات، وتحدد احتمالية النتائج غير المؤكدة)، والتحليلات التوجيهية (تقترح إجراءات مناسبة، تؤدي إلى اتخاذ القرارات على النحو الأمثل)، للإجابة على أسئلة مثل
  • كيف تتم مقارنة المبيعات الفعلية لهذه الفترة بالخطة الحالية؟
  • ما هي قيمة البيع بالتجزئة للمخزون المتوافر، وكيف تتم مقارنتها بنفس الفترة من السنة الماضية؟
  • ما العناصر الأكثر مبيعًا في قسم أو إدارة؟
  • ما مدى فعالية آخر ترقية؟
• إلى جانب استخدام التحليلات المتقدمة، يتم تطوير نماذج التعلم الآلي وتدريبها ونشرها. يمكن الوصول إلى هذه النماذج عبر واجهات برمجة التطبيقات، أو نشرها في مخزن بيانات الخدمة، أو تضمينها كجزء من مسار تدفق التحليلات في OCI GoldenGate.
• يمكن أن تحتوي البيانات والنماذج المعالجة والمختبرة والعالية الجودة لدينا على قواعد وسياسات الحوكمة المطبقة والمعرّضة على أنها "منتج بيانات" (API) داخل بنية شبكة بيانات للتوزيع عبر مؤسسة البيع بالتجزئة.

زيادة الربحية باستخدام نظام أساسي لبيانات البيع بالتجزئة

والتنبؤ وما يقابله من آثار تسعير وترويجية، مقترنة بالتكاليف الأساسية وتوفر المخزون، هي الأساس لقرارات التسعير والترويج الفعالة. زيادة الربحية ومرونة التصنيف مع تقليل مستويات المخزون. توقع طلب العملاء من خلال زيادة قيمة بياناتك إلى أقصى حد، من خلال تطبيق التحليلات التي تستفيد من تخصصات التعلم الآلي والذكاء الاصطناعي وعلوم القرار لتحقيق ما يلي:

• زيادة الإيرادات وتوسيع قاعدة ولاء العملاء مع معدلات أعلى في المخزون.
• زيادة ولاء العلامة التجارية بنسبة تصل إلى 77% مع معدلات أعلى في المخزون. يمكن للتنبؤات المدعومة بالذكاء الآلي أن تحفز عمليات التجديد والتخصيص على نطاق واسع. تمكن التنبؤ والفترات الزمنية المقابلة للتنبؤ الإحصائي من نجاح سلسلة التوريد - مما يوفر المنتج المناسب في المكان المناسب في الوقت المناسب - مما يساعد بائعي التجزئة على تخطيط الطلب التطلعي ومخزونات الأمان الإحصائية مع تقليل تكاليف المخزون الإجمالية إلى أدنى حد.
• قم بتحويل ما يصل إلى 50% من المتسوقين إلى مشترين مع عروض ترويجية ومبيعات حساسة للوقت. يمكنك تحفيز هذه القرارات باستخدام التنبؤات المستندة إلى سيناريوهات "ماذا لو" السياقية والتحليلات التنبؤية فضلاً عن تحليلات توجيهية محسنة وتطلعية.