Цифровая трансформация бизнеса может проходить по одному из трех направлений — улучшение клиентского опыта, оптимизация операционных процессов и совершенствование бизнес-модели.
Примечательно, что и основных технологических решений тоже три. «Деловой квартал» изучил основные предложения на этих направлениях и выявил самые полезные в том или ином случае.
Облачные вычисления
Когда говорят об «облаках», чаще всего речь ведут о неких хранилищах данных, находящихся в совместном доступе. Но сегодня это понятие много шире — по этой модели обеспечивается доступ к программным продуктам и даже дополнительной инфраструктуре.
Клиентский опыт. На основе «облаков» строятся всевозможные технологии клиентских сервисов и коммуникации с ними. Одним из самых распространенных явлений подобного рода в последнее время стали чат-боты, позволяющие потребителям товаров и услуг бизнеса оперативно и качественно снимать большую часть вопросов без обращения непосредственно к специалистам компании и длительных ожиданий.
Именно на базе облачных вычислений строится автоматический учет продаж, который позволяет накапливать информацию об особенностях потребления (и потребителя) предлагаемого компанией продукта и корректировать предложение соответствующим образом.
Чаще всего описанное выше является частью различных CRM-систем, которые, как правило, тоже разворачиваются в «облаках». Ценность этих систем в деле получения положительного клиентского опыта состоит в том, что за счет сведения всех данных о продажах и заявках в одном месте шанс затеряться в потоке крайне низок, а значит, обработка запросов происходит более оперативно и точно.
Операционные задачи. С этой частью технологий облачных вычислений знаком если не каждый, то почти каждый предприниматель. На их базе строится работа всех сервисов проверки контр-агентов, бухгалтерского учета и формирования соответствующей отчетности.
Развернутые в облаках CRM- и ERP-системы помогают оптимизировать многие внутренние процессы компаний — от постановки задач и контроля за их исполнением (CRM) до учета ресурсов предприятия, оптимизации логистики и прочих бизнес-процессов. Использование в этом ключе именно облачных вариантов таких систем избавляет предпринимателей от необходимости больших капитальных вложений в развертывание необходимой для их работы IT-инфраструктуры (да и соответствующие кадры можно вычеркнуть из строки расходов).
Ну и, конечно, не стоит забывать о том, что облачные хранилища и сервисы обладают куда большим запасом прочности, нежели локально установленные. Поэтому они крайне полезны как резервные хранилища данных и средства хостинга: вероятность того, что все оборудование cloud-провайдера одномоментно выйдет из строя, стремится к нулю.
Бизнес-модель. В деле корректировки бизнес-модели «облака» очень хорошо работают в компании с технологиями обработки больших данных (см. big data). Накопление информации о продажах и покупателях позволяет в дальнейшем выявлять неявные закономерности и адаптировать предложение под них, вплоть до появления новых продуктов и каналов сбыта (например, интернет-магазины, которые дешевле и надежнее разворачивать в «облаке»). Также эти данные позволяют находить новые, более эффективные каналы продвижения.
Выход через портал
руководитель отдела продаж компании «ТехноМакс»
С самого начала своего существования компания «Техномакс» делала ставку на скорость. Причем не только оборачиваемости товара (в чем добилась немалых успехов), но и адаптации к меняющимся условиям рынка. И главным препятствием на этом пути стала высокая разрозненность внутренних коммуникаций.
Часто к решению одной задачи подключались специалисты из разных отделов, которым помимо этого нужно было выполнять и свои прямые функции. Как следствие, нередко кто-то из них «просаживал» свою часть, из-за чего тормозилась и вся остальная работа, — вспоминает один из учредителей «Техномакса» Максим Багаев.
Нужна была единая среда для взаимодействия — постановки задач, обсуждения, контроля выполнения. Причем доступна она должна была быть не только в офисе, ведь клиентская база компании уже тогда не ограничивалась лишь Красноярском, и временами приходилось работать на выездах. Ну и, конечно, это не должно было быть дорогостоящее решение: для молодой тогда компании это было критично.
По сумме вводных выбор пал на облачное решение от «Битрикс 24». Корпоративный портал, работающий в этой среде, позволил «Техномаксу» оптимизировать систему внутренних коммуникаций, чем повысил скорость принятия решений.
В конечном счете этот портал стал базой работы компании в период пандемии: когда все переходили на удаленку, для нас это была уже привычная история, — вспоминает Багаев.
Big data
Накапливать информацию о покупателях и продуктах в «облаках», конечно, полезно. Но куда перспективнее анализировать ее, выявляя общие особенности. Этим и занимаются технологии больших данных. Результаты их работы применимы во всех областях бизнеса и способны серьезно повысить его экономическую эффективность.
Клиентский опыт. Анализируя поведение покупателей, основываясь на данных об уже проведенных сделках, можно получить данные, которые позволят формировать новые предложения. И дело не только в расширении продаж (все эти «с этим товаром чаще всего покупают…» как раз об этом), но и в превращении их в проактивные. Основываясь на частоте приобретения клиентом, например, канцелярии, система может напоминать ему о том, что подходит срок очередной закупки, заранее готовить документы на поставку и т. п. К тому же эти предложения могут быть весьма персонализированы в зависимости от специфики клиента: к примеру, любителю горных лыж могут быть предложены скидки на старте сезона.
Подключив к big data систему доставки, можно оптимизировать логистику за счет построения маршрутов с учетом загрузки складов, дорожной ситуации и прочего. Это существенно повышает оперативность, что клиенты высоко ценят.
Операционные задачи. Одной из первых сфер бизнеса, где стали применя-ться технологии больших данных, стала складская. Big data позволяет контролировать запасы тех или иных товаров, управлять ими, прогнозировать изменение спроса и в соответствии с этим корректировать политику закупа (в том числе и в части цен).
Что касается логистики, то тут big data не только повышает скорость доставки, но и сокращает издержки за счет экономии топлива, контроля за состоянием парка (хотя здесь не обойтись без IoT) и т. п.
В работе с кадрами на систему можно переложить планирование отпусков, учет рабочего времени (и выявление корня проблемы, если таковая есть), эффективность выполнения тех или иных задач и даже предварительный отбор персонала (выявление ключевых характеристик претендентов и их поиск среди резюме). В результате может даже измениться вся HR-по-литика компании.
Бизнес-модель. В этом вопросе во всей красе раскрывается синергия big data и «облаков». Анализ накопленных данных о поведении клиентов, их потоках, предпочтениях и прочем подобном является основой для описания максимально точного портрета целевой аудитории продуктов компании, который в свою очередь становится базовой для разработки новых (и, возможно, корректировки старых) предложений и подходов.
Помимо этого большие данные позволяют весьма точно объективизировать и оценивать эффективность маркетинговой стратегии компании в целом и отдельных ее шагов в частности. К примеру, на основе этой информации можно точнее настроить таргетированную рекламу, в результате чего она будет точнее попадать в потенциального потребителя, что повысит конверсию и снизит стоимость привлечения (и удержания) клиентов.
Персональные накопления «Копилки»
маркетолог, основатель программ лояльности «Копилка» и «Максбонус»
Программа лояльности «Копилка» начала собирать базу данных о своих участниках и их покупках еще на старте — в 2009 году. Скопив первый значимый массив данных, в компании решили сегментировать клиентов по их предпочтениям. Но оказалось, что имеющейся информации для этого недостаточно, ведь если они что-то не покупают в магазинах партнеров программы, это не значит, что они и вовсе этим не пользуются.
Тогда мы зашли с другой стороны: написали алгоритм, который анализирует продуктовую корзину клиента, через это относит его к определенной категории и, сравнивая с тем, что покупают его «коллеги», предлагает те товары, которые он не покупает, но они предположительно могут его заинтересовать, — рассказывает руководитель «Копилки» Дмитрий Полуянов.
На основе этого алгоритма программа стала формировать персональные предложения для ее участников. В частности, предлагались товары: которые клиент и так покупает, но на сей раз со скидкой; которые клиент покупает редко, но они популярны у других членов группы; которые клиент совсем не покупает, но они есть в корзине большинства тех, кто похож на него.
Покупатели отозвались. Но по-разному. В первой группе отклик был на уровне 60–75 %, во второй — 40–45 %, а в третьей — 10–15 %.
Важно помнить, что клиент и торговая организация по-разному воспринимают персональные предложения: если для первого это чаще всего возможность приобрести товар по более выгодной цене, то для второй — возможность расширить ассортимент продаж и получить дополнительную прибыль. И между этими двумя задачами нужно искать баланс, только тогда можно построить эффективную модель персональных предложений, — говорит Полуянов.
Интернет машин (IoT)
Интернет машин — довольно новая история для бизнеса. В ее основе коммуникации между различными устройствами предприятия, собранными в единую сеть. До недавнего времени IoT был уделом лишь крупных промышленных предприятий. Но теперь, с появлением все большего числа всевозможных гаджетов, он стал доступен малому и среднему бизнесу.
Клиентский опыт. Ярче всего интернет вещей в деле формирования позитивного клиентского опыта проявил себя в ритейле. Например, кассы самообслуживания, которые, по сути, те же «умные» устройства, коммуницирующие с единой системой учета. Но сейчас технологии пошли еще дальше. К примеру, появились «умные» ценники, на которых цена меняется автоматически, а значит, о конфликтах на кассе (когда ценник на витрине один, а в базе данных другой) можно забыть. «Умные» тележки (корзины) сами считывают информацию о товаре с прикрепленного к нему чипа (RFID-метка), и на выходе кассиру уже не нужно сканировать каждый (второй вариант — автоматическое добавление товара в мобильное приложение) — минус очереди на кассе.
«Умные» видеокамеры, умеющие распознавать лица и считать людей, могут включать кондиционирование и вентиляцию, если в магазине много людей, а значит, покупателям будет комфортнее. Это же можно распространить на общепит и другие сферы, связанные со скоп-лением большого количества людей.
Операционные задачи. В первую очередь здесь стоит взглянуть на опыт промышленных предприятий. IoT они используют в очень многих аспектах своей работы. К примеру, датчики на станках передают в систему информацию о количестве часов работы, прошедших с момента последнего техобслуживания, что уменьшает износ и сокращает общее время простоя оборудования при поломке. Учет прочих параметров (перепады напряжения, сила тока, давление масла и т. п.) позволяет вовремя заметить неисправность и, автоматически просигнализировав о ней, не допустить выхода оборудования из строя. Также есть возможность определять причины появления бракованных изделий, но сначала придется систему обучить: указывать ей, что брак, а что нет, чтобы она, сопоставив основные параметры работы, выявила оптимальные и отслеживала их соблюдение.
В складском хозяйстве IoT, сканируя информацию с RFID-меток или ориентируясь по весу, может в автоматическом режиме определять количество остатков и формировать закупочные ведомости (а то и автоматически связываться с поставщиком, докупая необходимое количество товара). Также работают «умные» полки в магазинах, а «умные» видеокамеры могут контролировать выкладку товаров.
В логистике интернет вещей не только повышает скорость доставки, но и помогает контролировать ее процесс. Установленные на машине GPS-датчики позволяют видеть не только то, где сейчас находится авто (и в каком оно состоянии), но и как ведет себя водитель (не превышает ли скорость, не совершает ли опасных маневров).
Бизнес-модель. В этом ключе интернет вещей в основном служит поставщиком данных для big data. Главным преимуществом этого сотрудничества перед работой с локальными базами данных является то, что процесс идет в автоматическом режиме. К примеру, «умные» видеокамеры умеют распознавать множество характеристик, присущих покупателям (вплоть до возраста). Проанализировав их, можно выявить ключевые особенности не только самой целевой аудитории продукта, но и ее поведения в зависимости от различных факторов (для компаний, не связанных с прямыми продажами, это тоже справедливо — просто анализировать придется, к примеру, динамику складских запасов).
Такой подход позволит формулировать больше новых (обоснованных) бизнес-гипотез и строить предиктивные стратегии. Поскольку IoT и big data работают в реальном времени, а не с отложенным результатом, их (гипотез и стратегий) проверка займет меньше времени и в случае ошибок будет куда менее болезненной.
Вендинг по уму
генеральный директор ООО «Робимаркет»
Проект «Робимаркет» не раз попадал в поле зрения «Делового квартала». А ведь большую роль в нем играет именно интернет вещей.
«Умные» холодильники не только умеют распознавать покупателя и купленный товар, автоматически добавляя его в корзину, но и многое другое, чего нет у привычных для горожан вендинговых автоматов.
Например, потенциальный покупатель, установив на смартфон приложение RobyMarket и зарегистрировавшись в системе, получает возможность найти ближайший «киоск», проложить к нему маршрут, посмотреть представленный ассортимент. Все это позитивно влияет на клиентский опыт.
Владелец же может в удаленном режиме получать данные о текущих запасах и статистике продаж в режиме реального времени, вовремя пополняя ассортимент. Но, пожалуй, самым ценным в этом плане является то, что система «Робимаркета» умеет на основе накопленной информации анализировать спрос, что позволяет корректировать ассортимент в пользу более популярных товаров и быстрее (и с меньшими рисками) проверять бизнес-гипотезы.