Quizás ningún otro segmento dentro del Retail haya sido invadido por la digitalización tanto como la moda.

Los consumidores de la era digital esperan que las empresas les proporcionen los productos y marcas correctos en el momento adecuado a través de sus canales preferidos, al precio apropiado y les brinden la comodidad que esperan. En otras palabras, la venta de moda es compleja y exigente.

 

New Call-to-action

Para ajustarse al alto grado de expectativas de los consumidores, los retailers de moda deben trabajar mediante una gran capacidad analítica que les proporcione una comprensión profunda de sus clientes, sus preferencias, motivaciones y requisitos de compra, junto con una visión holística y en tiempo real del mercado, como la demografía, las tendencias y los movimientos de la competencia. Necesitan acceso a datos empresariales, datos externos y análisis avanzados para aplicar los algoritmos precisos que marcarán la óptima toma de decisiones en cuanto a Ventas, Marketing y Operaciones.

Resumen de prioridades del CIO

El CIO (Chief Information Officer) moderno se encuentra bajo una intensa presión para adoptar la mejor de las plataformas y tecnología para servir a sus clientes. En el caso de un negocio tan cambiante como la moda, es aún más complicada la elección del sistema correcto, aquel que proporcione a los usuarios de negocio en toda la empresa, la información precisa y procesable, desde categorías, tendencias de venta, control de inventario, reacciones a precios y promociones, demografía del consumidor, comportamiento del comprador en línea y social, que impulsa estrategias clave.

Los retailers de moda de hoy en día están generando enormes cantidades de datos gracias a la capacidad analítica, la proliferación de dispositivos, el crecimiento digital y la llegada de IoT (Internet of Things). Utilizar los algoritmos para generar insights y determinar las acciones apropiadas que ofrecen los mejores resultados, en base al análisis de datos (ya sean internos, externos, estructurados o no) a su disposición, es una prioridad clave para cualquier negocio de moda.

Para habilitar la venta algorítmica, los CIO están evaluando vías para actualizar o modernizar sus datos y la infraestructura analítica. Una de las opciones clave que están considerando los CIO’s es un único análisis moderno para retailers, una plataforma que se compone de una pila de tecnología completa que incluye una sólida gestión de datos, mejores prácticas recomendadas del sector, análisis avanzado, descubrimiento intuitivo de datos y capacidades NLP / NLG para un fácil uso de la analítica.

Desde la perspectiva de un CIO, una plataforma analítica moderna específica para retailers debe abordar las siguientes prioridades:

  1. Proporcionar una vista unificada de la empresa.
  2. Ofrecer un servicio “self-service analytics” a sus usuarios.
  3. Ofrecer capacidades analíticas avanzadas para abordar objetivos comerciales específicos
  4. Menor coste total de propiedad (TCO)

Proporcionar una vista unificada de la empresa

Para atender al consumidor de moda omnicanal de la era digital, los diferentes departamentos de una compañía necesitan tener una vista unificada no solo del cliente, sino de todo el negocio. Esta visibilidad es esencial para asegurar que la categoría, el inventario, los equipos de marketing, los precios y las operaciones estén todos en la misma página, alimentándose de los mismos datos y trabajando al unísono para obtener una experiencia de cliente perfecta. Fundamentalmente, los responsables de datos y analytics necesitan una manera fácil de centralizar toda la información relevante para la toma de decisiones de múltiples fuentes, en un solo lugar que catalogue, gobierne y proporcione a los usuarios comerciales un acceso fácil y disponible con capacidad de “auto-abastecimiento”. La vista unificada es una pieza fundamental para un “Retail de algoritmos” y por lo tanto ocupa un lugar muy alto en la agenda del CIO.

Sin embargo, la vista unificada del negocio ha sido difícil de alcanzar para los retailers. Su carencia se manifiesta de  diferentes formas como:

  • No se pueden extraer perspectivas funcionales cruzadas si los datos se encuentran en diferentes fuentes y formatos. Si las correlaciones se encuentran entre los “data points” a través de los “data sets” es muy difícil.
  • Los números no coinciden en diferentes informes, lo que conlleva incoherencia en la toma de decisiones clave.
  • El plazo para la entrega de insights se alarga.
  • Los usuarios no pueden incorporar fácilmente nuevos datos para el análisis.

Para resolver esto, los CIO’s están adoptando diferentes enfoques basados ​​en factores tales como los objetivos de negocio, la madurez de la capacidad analítica actual dentro de la organización, las necesidades de los usuarios de negocio, los requisitos de futuro, las fuentes de datos utilizadas, los “pain points” a abordar, el coste y el tiempo para obtener conclusiones e información útil.

Al comprender dónde se encuentra actualmente la compañía en términos de madurez analítica, los CIO pueden mejorar su hoja de ruta de los pasos para obtener una vista unificada. Veamos estas etapas en detalle:

Informes operacionales

Muchas empresas medianas aún buscan resolver un problema fundamental: la precisión operativa en los informes. El modo principal de administrar los datos y la toma de decisiones dentro de tales organizaciones es a través de hojas de cálculo. Cada departamento mantiene sus propias hojas de Excel y se basa en datos transaccionales para elaborar los informes en los que fundamentar la toma de decisiones.

Al implantar una plataforma de análisis actual y específica para retailers, este tipo de empresas puede fácilmente abordar sus necesidades de BI e informes, gracias a que con ella logran una gestión de datos sólida, cuadros de mando y vistas analíticas específicas y herramientas data discovery para que los analistas ejecuten consultas ad hoc. Esto les ayudará a consolidar los datos almacenados en cientos de hojas de cálculo, eliminar errores, descartar duplicados, armonizar los datos y brindar a los usuarios comerciales información precisa y automatizada.

Desde que los analytics actuales y específicos para retailers también ofrecen capacidades analíticas avanzadas, permitirán a estas organizaciones avanzar rápidamente hacia un nivel más alto de madurez analítica.

Data warehouses:

Los retailers con un nivel alto de madurez analítica son autosuficientes en cuanto a generación de informes. Cada división dentro de la organización tiene su propio data mart y ejecuta sus propios análisis. Son custodios de sus propios datos y los utilizan para impulsar sus propias decisiones funcionales diarias. Algunos de los principales problemas con este tipo de sistemas son:

  1. Limita severamente la colaboración y las perspectivas multifuncionales.
  2. La precisión de los datos es un problema importante que afecta en la toma de decisiones clave.
  3. La interpretación de los datos requiere tiempo porque los datos no cuadran, en la mayoría de los casos.

Esto se acentúa cuando la empresa agrega datos de otras fuentes, como partners o proveedores, quienes tienen sus propias bases de datos o datos adicionales que se incluyen por fusiones o adquisiciones. En economías de escala, este problema se vuelve más agudo y costoso.

En muchas organizaciones, los usuarios comerciales tienen acceso a herramientas de data discovery para un análisis simple. Sin embargo, para obtener respuestas a preguntas complejas o para ejecutar análisis de clientes basado en hipótesis, con grandes volúmenes de datos, éstos dependen en gran medida de IT o data scientists y del alto consumo de tiempo. Una de las razones principales para el elevado consumo de tiempo es que más del 60% del tiempo de los analistas se destina a la preparación de datos, por lo que les queda menos tiempo para el análisis en sí, según un informe científico de datos de CrowdFlower.

Como opción, las empresas han elegido una ruta de warehouse que proporciona una capacidad analítica superior y una metodología para unificar los datos de cara al análisis, gobernadas centralizadamente con un mayor grado de control y confiabilidad. Este enfoque funciona bien para casos de uso conocidos, pero no es ideal para nuevos casos de uso / analytics en proyectos que involucran nuevas fuentes de datos.

Si tu empresa está dispuesta a aprovechar las nuevas fuentes de datos para el análisis además de los datos de negocio (en particular, datos no estructurados) o tu capacidad de almacenamiento y procesamiento se está volviendo costosa, te recomendamos que consideres la implantación de una plataforma analítica específica para retailers, que ofrezca capacidades robustas de gestión del dato, analytics avanzados listos para usar, prescripciones algorítmicas, capacidades NLP / NLG que permitan a tu empresa y sus usuarios obtener respuestas analíticas a preguntas de negocio, utilizando un lenguaje natural o consultas de texto, por nombrar unos pocos.

Data Lakes

Las organizaciones que tienen un alto nivel de madurez analítica suelen ser grandes empresas que tratan con grandes volúmenes de datos y poseen equipos cuya capacidad analítica, razonablemente importante, ayuda en la toma de decisiones y se apoya en acciones basadas en datos. Estas organizaciones aprovecharán diferentes fuentes de datos, por ejemplo, datos sociales, IoT, datos geoespaciales, datos censales.

La mayoría de estas organizaciones ya tienen un almacén de datos propio, pero necesitan más flexibilidad a medida que van experimentando con los datos. La ejecución de análisis personalizados / complejos que involucran grandes volúmenes de datos es un día a día.

Este tipo de organizaciones necesitan una forma más económica y ágil de cargar todo tipo de datos, (independientemente del tipo o formato) y centralizarlos en una sola ubicación. Los datos no se transforman a menos que se requieran para el análisis. La opción más adecuada para tales organizaciones es un “Data Lake”.

capacidad analiticaUna plataforma analítica actual específica para retailers puede funcionar con un data lake para permitir que las organizaciones almacenen todo tipo de datos, proporcionando una gestión centralizada del dato, catalogación, herramientas avanzadas de análisis y data marts especializados, además de analytics avanzados listos para usar.

Según las Predicciones 2018 de Forrester, un tercio de las empresas contratarán data lakes externos en 2018 y la mitad de ellos adoptará una estrategia en la nube para analitycs avanzados.

La tabla anterior ilustra las ventajas y desventajas de cada método para unificar los datos. Independientemente de la capacidad analítica y la madurez dentro de una organización, las plataformas de análisis actuales específicas para Retail pueden ayudar a los responsables de analítica y datos de cualquier compañía a aprovechar su infraestructura e impulsar acciones algorítmicas más rápidas y precisas para la toma de decisiones.

Analytics “auto-abastecibles” para los Negocios

El “auto-abastecimiento” consiste en capacitar a los usuarios clave para obtener información analítica y determinar el mejor curso de acción sin intervención de los equipos informáticos.

Esta es una prioridad clave para el CIO, ya que es esencial para impulsar las decisiones algorítmicas que afectan a cada función y actualmente está atrayendo una mayor inversión.

Para un usuario comercial, esto significa elaborar un informe adecuado con un simple “arrastrar y soltar”. Mientras que para los analistas, esto significa contar con un data Discovery en formato free de amplia visualización.

Estas herramientas permiten a los usuarios conectarse directamente a las fuentes de datos, mezclar y analizar datos sobre la marcha, modificar su visualización en tiempo real y de manera intuitiva, con el objetivo de ofrecer información detallada a la Dirección para impulsar procesos y cambios o diseñar estrategias.

capacidad analiticaLa utilización de una plataforma como ésta reduce significativamente los tiempos de gestión y ayuda a los usuarios a ser más productivos al centrarse en la toma de decisiones en lugar de en la preparación de datos.

Además, la escasez de científicos de datos ha significado que la construcción, prueba y ejecución de nuevos modelos se tome un tiempo excesivo. Por lo tanto, para impulsar las decisiones de los retailers, los usuarios empresariales necesitan una forma más sencilla de consultar modelos analíticos avanzados, como la previsión de ventas o el análisis de la cesta de la compra, etc.

Las plataformas analíticas específicas para retailers ofrecen capacidades de NLP / NLG que ayudan a los usuarios comerciales a obtener respuestas a preguntas de negocio, utilizando simples consultas de texto o voz en lenguaje natural. Estas capacidades analíticas aumentadas están ganando interés, ya que ayudan en una experiencia de análisis interactivo, donde los usuarios reciben respuestas a través de la narración de hallazgos. El sistema analiza automáticamente los datos, proporciona respuestas y las complementa con gráficos y grids adecuados.

Algunas de estas plataformas van un paso más allá al proporcionar a los usuarios de negocio recomendaciones sobre qué acciones deben tomar y el impacto de las mismas. Esto es muy valioso, porque el sistema toma en cuenta los objetivos del negocio, el contexto y las restricciones, para proporcionar prescripciones automatizadas. También brinda a los usuarios la flexibilidad de simular múltiples escenarios; “¿qué pasaría si…”?

Habilitando el análisis avanzado en toda la empresa

Gartner predice que para 2018, más de la mitad de las grandes compañías multinacionales competirán utilizando analítica avanzada y algoritmos patentados, causando la quiebra de industrias enteras.

Para mejorar la toma de decisiones e impulsar la agilidad empresarial, los usuarios necesitan la capacidad de predecir lo que va a suceder y qué medidas deberían tomar para lograr los mejores resultados. Para habilitar estas capacidades, necesitas de la analítica avanzada.

Por lo general, la necesidad de análisis avanzados proviene de equipos de negocios que intentan abordar problemas específicos. Problemas tales como: predecir el comportamiento de un nuevo lanzamiento de producto en un entorno geográfico concreto, con un precio estimado y sin tener datos históricos de compra en los que apoyarse.

Para encontrar respuestas a este tipo de preguntas clave, los CIO pueden usar uno de los dos enfoques. O bien construir analytics avanzados internos o elegir un proveedor que ofrezca soluciones de análisis avanzado.

Desarrollo de la capacidad analítica in-house

Los pasos principales, necesarios para el desarrollo de estas capacidades in-house incluyen la definición de casos de uso a resolver con analytics avanzados, involucrando a departamentos relevantes como Negocio, TI, equipos de Data Science para proponer hipótesis, compararlas con los conjuntos de datos disponibles y utilizar modelos estadísticos adecuados para analizarlos y refinarlos con el tiempo. Claramente, este proceso puede llevar mucho tiempo. Además, el desarrollo de estas capacidades desde cero, (incluido el diseño, el desarrollo de modelos de datos, los algoritmos de aprendizaje automático, las pruebas y validación), requiere de recursos especializados por parte de los CIO’s. Esto representa un gran reto, dado que estos recursos son escasos.

Contratar a un proveedor de análisis avanzado

La segunda opción es seleccionar una lista de proveedores que ofrezcan soluciones predictivas y / o prescriptivas listas para hacer frente a casos de uso específicos. Algunos proveedores proporcionan soluciones muy especializadas que resuelven temas como el pricing, mientras que otros proponen un conjunto más amplio de soluciones analíticas avanzadas cubriendo más áreas como surtidos, inventarios y reducciones.

La ventaja clave de contratar un proveedor que cuente con capacidad  analítica avanzada es que ofrece soluciones garantizadas y probadas. Su expertise se traduce en un rápido time-to-value y un alto nivel de éxito en la adopción de análisis avanzado.

Los proveedores de plataformas analíticas específicas para retailers proporcionan un potente conjunto de capacidades, que permite a las compañías descargar rápidamente nuevas fuentes de datos para su análisis, utilizar algoritmos avanzados y contar con un punto de vista rápido sobre el impacto de sus decisiones en el Negocio.

Modelos prescriptivos

Un ejemplo de análisis prescriptivo son las recomendaciones sobre el precio óptimo de un producto basadas en objetivos, contexto de negocio o ciclo de vida del producto, variables que afectan al precio tales como: precio histórico, promociones, precios de competidores, etc. Estas soluciones no solo recomiendan el precio óptimo, sino que también te calculan el valor potencial que obtendrá la compañía si las predicciones se cumplen.  

NL / GNL

Las plataformas avanzadas incorporan capacidades analíticas NLP / NLG que ofrecen a los usuarios de Negocio una forma fácil de utilizar algoritmos avanzados y obtener con ellos respuestas. Esto contribuye en gran medida a la adopción de analytics en toda la empresa, para una mejor y más ágil toma de decisiones. De hecho, esta es una tendencia en auge cada vez más extendida. Gartner predice que para 2020, el 40% de las tareas de Data Science estarán automatizadas. Otras capacidades analíticas avanzadas que ofrecen estas plataformas incluyen simulaciones “What-if”, que proporcionan a los usuarios un mayor control para anular las recomendaciones de la máquina, simular opciones alternativas y determinar el impacto de cada escenario en tiempo real.

Insights en tiempo real

Los análisis en tiempo real proporcionan a las tiendas una visibilidad completa del inventario para apoyarles en la tramitación de pedidos.

Desarrollo de insights

Para sacar el máximo partido de la analítica avanzada y obtener una ventaja competitiva es importante que las organizaciones puedan actuar con rapidez sobre el análisis.

Algunas plataformas ponen tanto énfasis en el desarrollo de insights como en la capacidad analítica. Y lo llevan a cabo proporcionando una manera fácil de integrarse con los sistemas que los ejecutan para acelerar acciones con flujos de trabajo definidos y cerrados.

Algoritmos listos para usarse

Algunas plataformas analíticas facilitan a los usuarios el acceso a algoritmos avanzados “paquetizados” y listos para ser utilizados, lo que reduce significativamente el tiempo para construir modelos, probarlos y validarlos. Esto ayuda a los CIO’s a dotar al negocio de capacidades analíticas avanzadas en semanas, no meses y lograr un ROI alto.

Gestionando el coste total de propiedad (TCO)

A medida que las empresas se embarcan en la actualización de datos y su infraestructura analítica, deben tener un plan para adaptarse a los requerimientos que esto conlleva, tanto actuales como futuros. Será necesario que dispongan de un protocolo y normativas para la adopción de analytics, una evaluación de casos de uso, fuentes de datos para integrar y manuales de uso, además de la infraestructura, soporte y otras consideraciones en cuanto a costes. Otros criterios clave pueden incluir tiempo para la implementación, adopción, formación, etc.

El cálculo del TCO implica evaluar lo siguiente:

  • Costes de infraestructura
  • Costes de FTE para apoyar, administrar e implementar, (alto nivel de “auto-abastecimiento”, contenido paquetizado)
  • Costes de licencia y puesta en marcha.
  • Coste de AMC
  • Costes recurrentes de mantenimiento

Costes de infraestructura

El acceso a plataformas de análisis soportadas en la nube, altamente confiables y de alto rendimiento, puede otorgar a los CIO’s la gran ventaja de habilitar rápidamente las necesidades de analítica avanzada y BI para retailers. Gartner afirma que para 2019, la nube será la estrategia común para el 70% de las empresas, mientras que en 2016 fue inferior al 10%.

Los CIO’s deben considerar plataformas integrales que incluyan gestión de datos, cuadros de mando y KPI’s predefinidos para Retail, algoritmos e interfaces de lenguaje natural para un consumo de analytics sencillo e intuitivo.

Además de los beneficios de pago según el uso, las plataformas analíticas con base en la nube ofrecen a las empresas escalabilidad bajo demanda y un coste de almacenamiento bajo para grandes volúmenes de datos. Esto puede reducir significativamente su TCO.

Costes de FTE

Para dar soporte, administrar e implementar una plataforma analítica, las empresas necesitan un equipo de TI. Sin embargo, éste se puede reducir significativamente si se utiliza una plataforma analítica específica para retail, ya que garantiza un alto nivel de “auto-abastecimiento” en cuanto a vistas predefinidas para cada rol y área, contenido específico para retailers y algoritmos avanzados listos para su uso.

Costes de licencia y puesta en marcha

Inevitablemente, con el surgimiento de plataformas soportadas en la nube de código abierto para el análisis avanzado, el coste de licencias y arranque se pueden mantener bajo control. Asegurar que los usuarios tengan acceso a los KPIs / Dashboards, herramientas analíticas e interfaces, hace que la implementación y actualización a una plataforma analítica avanzada sea relativamente fácil y rápida.

Costes de AMC y mantenimiento

Los contratos anuales de mantenimiento son esenciales. Casi todos los proveedores los ofrecen. Estos costes soportarán añadidos tales como actualizaciones de seguridad, actualizaciones de la plataforma, etc. También estarían cubiertos los costes derivados de habilitar nuevos y complejos casos de uso analíticos.

Construyendo un nuevo Retail basado en algoritmos

Los CIO’s que buscan una única plataforma de análisis que pueda brindarles una visión unificada de la empresa, capacidades de “auto-abastecimiento” y análisis avanzados con un TCO bajo, deben considerar el uso de una plataforma analítica específica para el sector Retail.

New Call-to-action

Entradas relacionadas

No Comments

Post a Comment