Adatkezelés a kiskereskedelmi iparágban

Cikk
04/30/2022
11 perc alatt elolvasható

Bevezetés

Az adatok a jobb kiskereskedelmi élmény fejlesztésének és biztosításának alapjai. Az adatok a kiskereskedelmi szervezetek minden aspektusában megtalálhatók, és felhasználhatók az értékláncra vonatkozó megállapítások az üzemeltetési teljesítményre és az ügyfelek viselkedésére, valamint a jobb szolgáltatási élmény kihasználására. Az online böngészéstől a közösségi részvételen át az áruházon belüli vásárlásig az adatok bővelkednek. Az adatok rögzítése azonban csak az adatkezelés egy része. A különálló adatok elemzéshez való összefűzéséhez megfelelően kell kezelni az adatokat a vállalaton belül– így a kiskereskedők könnyebben hozhatnak hatékony döntéseket a vállalkozásuk működtetésével kapcsolatban.

A mobilvásárlás növekedésével például az ügyfelek arra számítottak, hogy a kiskereskedőknek megfelelő mennyiségű adat áll rendelkezésére a vásárlási szokásaikról a felhasználói élmény javítása érdekében. A használati eset például egy személyre szabott termék- és promóciós ajánlat, amelyet közvetlenül az ügyfél mobileszközére küldenek, amikor egy fizikai kiskereskedelmi üzleten belül egy adott helyen vásárolnak. Az adatok felhasználása arra vonatkozóan, hogy mi, hol, hogyan, hány és milyen gyakran, valamint további bemenetek, például a termékek elérhetőségének tárolása lehetőséget teremt arra, hogy valós idejű promóciós üzeneteket küldjön az ügyfél eszközére, amikor az ügyfél egy célzott termék közelében vásárol.

A hatékony adathasználat aktiválhatja az ügyfelet a vásárláshoz azáltal, hogy segít a kereskedőnek relevánsabb élményt nyújtani; Előfordulhat például, hogy a kiskereskedők értesítést küldenek az ügyfélnek a kiskereskedő e-kereskedelmi webhelyéhez tartozó kedvezménykóddal. Emellett ezek az adatok gyakorlatban hasznosítható megállapításokat hoznak, amelyekből a cégvezetők az adatalapú döntésekkel irányíthatják a tevékenységüket

Az előléptetést felajánló műveletet adatpontok kombinációja tájékoztatja, és az áruházba belépő ügyfél aktiválja. Ezeknek a kapcsolatoknak és az eredményként kapott műveleteknek a képessége az alább látható adatkezelési modellen alapul.

Process Flow

1. ábra

Amikor adatokat hoz létre az Azure-ba, vegye figyelembe az adatforrások 3P-jének és alkalmazhatóságának azokat a forgatókönyveket, amelyeket a kiskereskedő engedélyezni szeretne. Az adatforrások 3P-je a megvásárolt, a nyilvános és a tulajdonosi jogvédett.

A megvásárolt adatok általában a szervezet adatrögzítési elérését kiegészítő piaci és demográfiai adatokkal bővítik és bővítik a szervezet meglévő adatait. A kereskedők például további demográfiai adatokat vásárolhatnak egy fő ügyfélrekord kiegészítése érdekében, így biztosítva a rekord pontos és teljes voltát.

A nyilvános adatok szabadon elérhetők, és gyűjthetők közösségi médiából, kormányzati forrásokból (pl. földrajzi hely) és más online forrásokból. Ezek az adatok olyan megállapításokat képesek kinyerni, mint például a vásárlási mintákkal korreláló időjárási mintázatok vagy a termék népszerűségét egy adott földrajzi régióban jelző társadalmi aktivitás. A nyilvános adatok gyakran API-kon keresztül érhetők el.

A jogvédett adatok a szervezeten belül találhatók. Ez lehet egy kereskedő helyszíni rendszerei, SaaS-alkalmazásai vagy felhőszolgáltatói. Az SaaS-alkalmazásszolgáltatóban lévő adatok és más szállítói adatok eléréséhez az API-kat általában a szállító rendszerének közlésére használják. Ezek közé tartoznak az olyan adatok, mint az e-kereskedelmi webhelynaplók, a POS-értékesítési adatok és a készletkezelési rendszerek.

Ezek a különböző adattípusok az adatkezelési folyamatból származó különböző elemzésekhez használatosak.

Betöltés

Az adatok kezdetben natív formátumban töltődnek be az Azure-ba, és ennek megfelelően lesznek tárolva. A különböző adatforrások fogadása és kezelése ijesztő lehet, de Microsoft Azure olyan szolgáltatásokat kínál, amellyel gyorsan és egyszerűen betölthetők az adatok a felhőbe, így azokat az adatkezelési folyamatban is feldolgozhatja.

Az Azure számos hasznos szolgáltatást nyújt az adatok migrálásakor. A választás az áttelepítendő adatok típusától függ. Azure Database-migrálás A SQL Server és az Azure Import/Export Service szolgáltatásai segítséget nyújtanak az adatok Azure-ba való beolvasásában. Egyéb megfontolandó adatforgalom-szolgáltatások közé tartoznak a Azure Data Factory és az Azure Logic Apps-összekötők. Mindegyiknek saját jellemzői vannak, és meg kell vizsgálni, hogy melyik technológia működik a legjobban az adott helyzetben.

Az adatbetöltés nem korlátozódik a Microsoft technológiáira. A Azure Marketplace a kereskedők számos különböző szállítói adatbázist konfigurálhatnak az Azure-ban a meglévő helyszíni rendszerekkel való együttműködéshez.

Nem minden adatot kell karbantartani az Azure-ban. Előfordulhat például, hogy az értékesítési pontok (POS) adatai a helyszínen vannak tárolva, így az internetes kimaradások nem befolyásolják az értékesítési tranzakciókat. Ezek az adatok ütemezés szerint (például éjszaka vagy hetente) várólistára állíthatók és feltölthetők az Azure-ba elemzéshez, de a helyszíni adatokat mindig az igazság forrásaként kezelik.

Előkészítés

Az elemzés megkezdése előtt elő kell készíteni az adatokat. Az adatok alakítása fontos a prediktív modellek minőségének, a kpi-k jelentésének és az adatok relevanciájának biztosításához.

Kétféle adattípust kell kezelni az adatok elemzésre való előkészítésekor, strukturált és strukturálatlan. A strukturált adatok könnyebben kezelhetők, mivel már formázva és formázva lettek. Előfordulhat, hogy csak egy egyszerű átalakításra van szükség ahhoz, hogy a forrásformátumú strukturált adatokból az elemzési feladatokra kész strukturált adatokra váltson. A strukturálatlan adatok általában több kihívást jelentenek. A strukturálatlan adatokat a rendszer nem rögzített hosszúságú formátumban tárolja. Ilyenek például a dokumentumok, a közösségi média hírcsatornái, valamint a digitális képek és videók. Ezeket az adatokat a strukturált adatoktól eltérő módon kell kezelni, és gyakran külön folyamatra van szükség, hogy ezek az adatok a megfelelő adattárba kerülhessenek, használható módon.

Az adatalakítás az előkészítési szakaszban, az ETL(Extract-Transform-Load) folyamat során történik. Az adatok kinyerése az Azure-ba importált, "megtisztított" vagy újraformált, változatlan adatforrásokból történik, és új, strukturáltabb formátumban lesznek tárolva. Az ETL-adatelőkészítési műveletek egyik gyakori művelete, hogy .csv vagy Excel fájlokat parquet-fájlokká alakítják, ami megkönnyíti a gépi tanulási rendszerek, például az Apache Spark gyors olvasását és feldolgozását. Egy másik gyakori forgatókönyv, hogy XML-fájlokat vagy JSON-fájlokat hoz létre .csv fájlokból vagy más formátumokból. Az eredményként kapott formátum könnyebben használható más elemzőmotorokkal.

Az Azure-ban számos átalakítási technológia érhető el ETL-szolgáltatásként az adatok átalakításához. A lehetőségek közé tartozik az Azure Databricks, a Azure Functions vagy a Logic Apps. A Databricks az Apache Spark teljes körűen felügyelt példánya, és az adatok egyik űrlapról a másikra való átalakítására szolgál. Azure Functions állapot nélküli (vagy "kiszolgáló nélküli") függvények, amelyek eseményindítókkal aktiválják azokat, és kódot futtatnak. A Logic Apps integrálja a szolgáltatásokat.

Tárolás

Az adatok feldolgozás előtti tárolása megfontolandó. Az adatok strukturált vagy strukturálatlan formátumúak lehetnek, és az adatok alakja gyakran meghatározza a tárolási célhelyet. A nagymértékben strukturált adatok például alkalmasak lehetnek Azure SQL. A kevésbé strukturált adatok blobtárolóban, fájltárolóban vagy táblatárolóban tárolhatók.

Az Azure-ban tárolt adatok teljesítményéről egy szilárd szolgáltatásiszint-szerződés (SLA) nyújt nagyszerű biztonsági másolatot. Az adatszolgáltatások megkönnyítik a megoldások kezelését, a magas rendelkezésre állást, a replikációt több földrajzi helyen, és mindenekelőtt az Azure biztosítja a Machine Learning irányításához szükséges adattárakat és szolgáltatásokat.

A strukturált és a strukturálatlan adatok is tárolhatók az Azure Data Lake-ben, és lekérdezhetők az U-SQL használatával, amely az Azure Data Lake-hez tartozó lekérdezési nyelv. A Data Lake-ben szerepelhetnek például a következők, amelyek gyakran strukturált és strukturálatlan adatforrásokra vannak felosztva.

Strukturált adatok

CRM-adatok és más üzletági alkalmazások
POS-tranzakciós adatok
Érzékelői adatok
Relációs adatok
e-kereskedelmi tranzakciós adatok

Strukturálatlan adatok

Közösségi hírcsatornák
Videó
Digitális képek
Webhely kattintásfolyamának elemzése

Egyre több használati eset támogatja a strukturálatlan adatokat az érték generálásához. Ezt az adatvezérelt döntések iránti vágy és az olyan technológiák fejlődése vezérli, mint az AI, amely lehetővé teszi az adatok nagy léptékű rögzítését és feldolgozását. Az adatok tartalmazhatnak például fényképeket vagy videóstreamelést. A streamelt videók például felhasználhatók az ügyfelek vásárlásainak észlelésére a zökkenőmentes fizetés érdekében; vagy a termékkatalógus adatai zökkenőmentesen egyesíthetők az ügyfél kedvenc ruháját tartalmazó fényképével, hogy hasonló vagy ajánlott elemeket jelenítsen meg.

Strukturált adatok például a relációsadatbázis-adatcsatornák, az érzékelőadatok, az Apache Parquet-fájlok és az e-kereskedelmi adatok. Ezeknek az adatoknak az eredendő szerkezete teszi őket alkalmassá egy Machine Learning folyamathoz.

Az Azure Data Lake szolgáltatás kötegelt és interaktív lekérdezéseket, valamint valós idejű elemzéseket is lehetővé tesz Data Lake Analytics használatával. Emellett a Data Lake kifejezetten jól használható nagyon nagy adatelemzési számítási feladatokhoz. Végül a Data Lake-ben lévő adatok állandóak, és nincs időkorlátjuk.

Más adattárak, például a relációs adatbázisok, a Blob Storage, a Azure Files Storage és a Cosmos DB-dokumentumtárolók is tartalmazhatnak tiszta adatokat az adatkezelési folyamat alsóbb rétegbeli elemzéséhez. Nem követelmény, hogy egy Data Lake-t használjon.

Elemzés

Az olyan problémák esetén, mint a leltárköltség csökkentése, a kiskereskedők egy Machine Learning folyamat által végzett elemzést használhatnak.

Az adatelemzés előkészíti az adatokat a feldolgozásra egy Machine Learning motoron keresztül, hogy mélyebb betekintést nyerjen az ügyfélélménybe. Ez a folyamat létrehoz egy modellt, amely "tanul", és a jövőbeli adatokra is alkalmazható az eredmények előrejelzéséhez. A modellek határozzák meg a megvizsgálandó adatokat, és azt, hogy hogyan lesznek elemezve különböző algoritmusokkal. Az elemzés kimeneti adatainak adatvizualizációval való használata olyan megállapításokat eredményezhet, mint például egy üzleten belüli kupon felajánlása az ügyfél kívánságlistájából a kiskereskedelmi e-kereskedelmi platformon.

Az adatelemzés a tanulási ökoszisztémák feldolgozásra tárolt adatokkal való táplálásával történik. Ez általában a Hadoop, a Databricks vagy egy virtuális gépen futó, önkiszolgáló Spark-példány által végzett gépi tanulás. Ez egyszerűen az adatok lekérdezésével is elvégezhető. A KPI-kre vonatkozó megállapítások gyakran megtalálhatók a tiszta adatokban anélkül, hogy egy gépi tanulási folyamaton kellene végigmenni.

A Hadoop a teljes körűen felügyelt Azure-szolgáltatás, a HDInsight része. A HDInsight adatmodellek betanítására, adatok adattárházba történő kimenetelésére és a Hadoopon végzett lekérdezések Hive-lekérdezési nyelven történő végrehajtására szolgáló adattanulási eszközök gyűjteménye. A HDInsight képes streamelési vagy előzményadatok elemzésére.

A betanítás és az adatmodellek fenntartása érdekében számos tanulási algoritmus alkalmazható az adatokra. Az adatmodellek explicit módon határozzák meg az elemzők számára előállított adatok struktúráját.

Először is az adatok tisztítása és megfelelő kialakítása történik. Ezt követően egy gépi tanulási rendszer, például a HDInsight vagy az Apache Spark dolgozza fel. Ehhez a meglévő adatokkal tanítunk be egy modellt, amelyet az adatok elemzéséhez használunk. A betanított modell rendszeres időközönként frissül az új, jól ismert adatokkal, hogy növelje a pontosságát az elemzés során. A gépi tanulási szolgáltatások a modell használatával elemzik a feldolgozott adatokat.

A modell betanítása és az adatelemzési folyamat futtatása után a gépi tanulási elemzésből származó adatok adattárházban vagy normalizált tárolási adatbázisokban tárolhatók elemzési adatokhoz. A Microsoft Power BI, egy teljes funkcionalitású adatelemzési eszközt biztosít az adattárházban lévő adatok részletes elemzéséhez.

Művelet

A kiskereskedelmi adatok folyamatosan változnak, és az azokat kezelő rendszereknek ezt időben meg kell tenni. Az e-kereskedelmi vásárlók adatait például gyorsan kell feldolgozni. Ez azért van így, hogy a vevő kosarában lévő tételek további szolgáltatások vagy kiegészítő elemek felajánlására használhatók a megrendelési folyamat során. Az adatkezelés és az elemzés ezen formájának szinte azonnal meg kell történnie, és általában "mikroköteges" tranzakciókat végrehajtó rendszerek végzik. Ez azt jelent, hogy az adatokat egy olyan rendszerben elemzi a rendszer, amely hozzáfér a már feldolgozott adatokhoz, és egy modellen keresztül fut.

Más "kötegelt" műveletek is előfordulhatnak rendszeres időközönként, de nem szükséges közel valós időben. Amikor a helyszíni kötegelt elemzés történik, ezek a feladatok gyakran éjszaka, hétvégeken vagy az erőforrások használaton kívüli állapotában futnak. Az Azure-ban a nagy kötegelt feladatok és a támogatásukhoz szükséges virtuális gépek skálázása bármikor előfordulhat.

Első lépésként kövesse az alábbi lépéseket.

Adatbetöltési terv létrehozása olyan adattárakhoz, amelyek értéket biztosítanak az elvégzendő elemzéshez. Ha részletes adatszinkronizálási vagy migrálási terv van érvényben, kérje le az adatokat az Azure-ba az eredeti formátumában.
Határozza meg a szükséges végrehajtható elemzéseket, és válasszon ki egy adatfeldolgozási folyamatot az adatfeldolgozási tevékenységekhez.
Ezeket az adatfunkciókat szem előtt tartva hozzon létre egy adatfeldolgozási folyamatot a megfelelő algoritmusok használatával a keresett megállapítások kinyeréséhez.
Ha lehetséges, használjon egy közös adatmodellt az adattárházba történő kimenethez; ez elérhetővé teszi a legérdekesebb adatszolgáltatásokat. Ez általában azt jelenti, hogy beolvassa az adatokat az eredeti Azure-tárolórendszerekben, és a megtisztított verziót egy másik adattárba írja.
Dolgozza fel az adatokat a Spark vagy a Hadoop által biztosított gépi tanulási folyamatokon keresztül. Ezután adja át a kimenetet egy adattárházba. Számos alapértelmezett algoritmus dolgozhatja fel az adatokat, vagy a kiskereskedők saját algoritmusokat implementálhatnak. A ML forgatókönyvek mellett töltse be az adatokat a standard adattárba, és kényszerítse ki a közös adatmodellt, majd kérdezze le a KPI-adatokat. Az adatok például csillagsémában vagy más adattárban tárolhatók.

Mivel az adatok most már készen állnak az adatelemzők általi használatra, a gyakorlatban hasznosítható elemzések feltárhatók, és az új ismereteket kihasználó műveletek is végrehajthatók. Előfordulhat például, hogy egy ügyfél vásárlási preferenciái visszatöltődnek a kereskedő rendszereibe, és számos ügyfél-érintési pont javítására szolgálnak, például az alábbiakra.

Az átlagos e-kereskedelmi vagy POS-tranzakció növelése termékek kötegelésével
Vásárlási előzmények a CRM-ben az ügyfélszolgálati kérdések támogatásához
E-kereskedelmi javaslati motor által testre szabott termékjavaslatok
Célzott és releváns hirdetések az ügyféladatok alapján
Frissített készlet rendelkezésre állása a termék szállítási láncon belüli mozgása alapján

Egy másik típusú megállapítás, amely felmerülhet, olyan minták, amelyeket korábban nem kérdőjelezett meg. Előfordulhat például, hogy a 15:00 és 19:00 óra közötti időszak között több készletvesztés történik. Ez azt jelentheti, hogy további adatokra lehet szükség a kiváltó ok és a teendők – például a fokozott biztonság vagy a szabványos üzemeltetési eljárások – meghatározásához.

Összegzés

A kiskereskedelemben az adatkezelés összetett. Ugyanakkor értékes lehetőséget nyújt a relevancia biztosítására és a jobb felhasználói élményre. A cikkben szereplő technikák használatával elemzéseket nyerhetünk az ügyfélélmény javításához, a nyereséges üzleti eredmények eléréséhez és a működési fejlődést indító trendek feltárásához.

Összetevők

Közreműködők

Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.

Fő szerzők:

David Starr | Vezető megoldástervező
Mariya Zorotovich | A HLS & új technológiájának ügyfélélményért felelős vezetője

Következő lépések

Az adatkezelési folyamatok implementálásával kapcsolatos Azure-képességek további megismeréséhez olvassa el a következőket:

Megtudhatja, hogyan segíthet a Azure Data Factory a helyszíni adattárakból az Azure-ba történő adatbetöltésben.
További információ arról, hogy az Azure Data Lake hogyan szolgálhat az összes adat tárolására strukturált és strukturálatlan módon is.
Tekintse meg a tényleges kiskereskedelmi jelentéseket, amelyek bemutatja, hogy Power BI hogyan adhat mélyebb betekintést az ismert kérdésekbe, de hogyan teszi lehetővé a trendelemzést.
Keresse fel a Azure Marketplace a már helyszíni megoldásokkal kompatibilis megoldásokat.

Termékdokumentáció