Cạnh tranh giữa chuỗi các cửa hàng bán lẻ ngày càng gay gắt khi có sự xuất hiện của nhiều ông lớn tại Việt Nam. Ngoài ra, tốc độ tăng trưởng nhanh chóng của thương mại điện tử cũng đặt áp lực vào các cửa hàng offline.
Vì vậy, để không bị thụt lùi phía sau và tối ưu chi phí đầu tư cửa hàng, nhu cầu để các nhà bán lẻ thấu hiểu sâu sắc người mua sắm của mình bằng cách tận dụng dữ liệu là rất lớn.
Tại sao ngành bán lẻ nên sử dụng dữ liệu lớn
Nói đơn giản việc áp dụng Dữ liệu lớn bởi một số kênh bán lẻ đã tăng khả năng cạnh tranh trên thị trường đến một mức độ lớn. Các nhà bán lẻ hiện đang tìm kiếm Big Data Analytics để có lợi thế cạnh tranh cao hơn các đối thủ khác. Họ đang nhanh chóng áp dụng nó để có được những cách tốt hơn để tiếp cận khách hàng, hiểu khách hàng cần gì, cung cấp cho họ giải pháp tốt nhất có thể, đảm bảo sự hài lòng của khách hàng, v.v.
Use cases về dữ liệu lớn trong ngành bán lẻ
- Cá nhân hóa trải nghiệm khách hàng – Personalized Customer Experience
- Dự đoán nhu cầu – Predicting Demand
- Hiệu quả hoạt động kinh doanh – Operational efficiency
- Phân tích hành trình khách hàng – Customer journey analytics
Vì sao trong ngành bán lẻ, những use cases này lại được tập trung nhiều như vậy, ta sẽ đi phân tích từng use cases để có cái nhìn khách quan hơn về hiệu quả của việc phân tích dữ liệu lớn trong ngành bán lẻ này.
Cá nhân hóa trải nghiệm khách hàng – Personalized Customer Experience
Thành công của bất kỳ doanh nghiệp nào chỉ dựa trên mức độ hạnh phúc của khách hàng và họ đã được đối xử tốt như thế nào. Khi bạn làm một khách hàng hạnh phúc, điều đó đồng nghĩa bạn có thêm một khách hàng trung thành. Dữ liệu lớn cung cấp cho các nhà bán lẻ cơ hội để nâng cao trải nghiệm khách hàng của họ. Phân tích dữ liệu lớn sẽ giúp các nhà bán lẻ dự đoán nhu cầu của khách hàng và do đó sẽ trao quyền cho họ trong việc đưa ra các quyết định hiệu quả và lấy khách hàng làm trung tâm và từ đó cá nhân hóa hoạt động tiếp thị của họ dựa trên dữ liệu của người tiêu dùng. Nguồn của những người mua sắm dữ liệu này bao gồm các trang web, ứng dụng di động, nền tảng truyền thông xã hội, cảm biến, v.v.
Điều này sẽ giúp các nhà bán lẻ đạt được vị thế cao hơn trên thị trường và do đó cũng sẽ tăng khả năng cạnh tranh với các đối thủ. Hãy tưởng tượng bạn có thể mua các sản phẩm được tùy chỉnh chính xác theo những gì chúng ta cần. Chúng ta là người tiêu dùng cần gì nữa? Chúng tôi yêu thích mọi thứ được tùy chỉnh trong những ngày này và đó là lý do tại sao Big Data ở đây.
Vậy câu hỏi đặt ra ở đây là ” Làm thế nào để các nhà bán lẻ có thể cá nhân hóa trải nghiệm khách hàng “, nếu không trả lời được thì mớ lý thuyết trên chỉ là xáo rỗng.
Cùng nhìn vào case study của Mall of America, Bloomington, Minnesota:
Là tổ hợp mua sắm lớn nhất ở các bang phía Bắc nước Mỹ là nơi có hơn 500 nhà bán lẻ, hơn 50 nhà hàng, 14 rạp chiếu phim, 2 khách sạn, công viên giải trí trong nhà và bảo tàng. Với cơ cấu tổ hợp siêu lớn, lượng giao dịch phát sinh mỗi ngày lên đến vài chục ngàn, với cơ sở dữ liệu khách hàng khổng lồ như vậy, thật khó khăn cho họ để cung cấp trải nghiệm cá nhân hóa cho mỗi người trong số họ. Vậy thì điều gì đã giúp họ trong việc cung cấp trải nghiệm tốt hơn cho khách hàng của họ? Điều gì làm cho cuộc sống của họ dễ dàng hơn? Rõ ràng, đó là Dữ liệu lớn.
IBM đã cung cấp cho họ một chatbot (một nền tảng nhắn tin văn bản đơn giản) có tên ELF để bắt buộc khách hàng của họ phải lèo lái qua trung tâm thương mại rộng lớn. Chatbot này đã giúp họ hiểu được nhu cầu của khách hàng một cách tốt hơn và do đó giúp họ tạo ra trải nghiệm cá nhân hóa vượt trội cho khách hàng. Bất cứ khi khách hàng cần mua một thứ gì trong tổ hợp ví dụ như là bếp gas, chỉ cần hỏi chatbot, nó sẽ trả lời cho bạn cả một danh sách các nhà cung cấp ở tổ hợp có sản phẩm này, rồi sản phầm cùng loại, hay sản phẩm có giá tốt hơn, chất lượng cũng tương đương hoặc tốt hơn. Khi khách hàng mua được bếp gas rồi, chatbot sẽ lại đưa ra những lời khuyên là đối với bếp gas này, thì việc vệ sinh cần những gì, nơi nào trong tổ hợp gần nhất có chứa những sản phẩm này hay recommend rằng khách hàng có cần mua 1 chiếc máy xay sinh tố cho căn bếp thêm tiện nghi và sang trọng hay không. Haizz, chỉ cần tưởng tượng như vậy thôi, đã dễ dàng bị dụ vào mê cung không lối thoát rồi
Dự đoán nhu cầu – Predicting Demand
Bạn có thể tưởng tượng Dự báo thời tiết đã giúp một chuỗi bán lẻ tăng doanh số của họ không? Bản thân tôi thực sự tò mò vì điều này? Đây là câu chuyện tuyệt vời. Dự báo thời tiết không chỉ đưa thông tin về thời tiết. Nó có nhiều thông tin khác hơn để có thể khai thác. Ví dụ như dự đoán tác động của thời tiết đối với cảm xúc của người xem.
Một ví dụ như vậy về Big Data Analytics trong bán lẻ là sự hợp tác của Pantene, Walgreen và Kênh thời tiết. Kênh thời tiết đã thu thập dữ liệu về mức độ ẩm trong không khí và thời gian sẽ cao nhất. Điều này đã giúp Pantene và Walgreen quảng cáo sản phẩm của họ liên quan đến các vấn đề về tóc mà người phụ nữ có thể gặp phải do độ ẩm trong không khí tăng lên. Sau đó, nó đã thúc đẩy phụ nữ tìm kiếm một sản phẩm tại các cửa hàng địa phương của họ để ngăn mình khỏi bất kỳ vấn đề về tóc. Điều này dẫn đến doanh số bán hàng của Pantene tại Walgreen tăng 10% trong tháng 7 và tháng 8, cùng với mức tăng tổng cộng 4% doanh số trên toàn bộ sản phẩm liên quan đến tóc tại Walgreen. Việc này biến từ khóa “haircast” thành top trending trên các mạng xã hội dưới thẻ #haircast.
Từ ví dụ này, ta có thể thấy, thông qua Big Data Analytics các nhà bán lẻ sẽ có thể có những hiểu biết về thói quen của khách hàng, điều này sẽ giúp họ hiểu được các sản phẩm và dịch vụ nào của họ mà thị trường có nhu cầu cao nhất và những sản phẩm họ nên ngừng cung cấp. Nó cũng sẽ trao quyền cho họ dự đoán những thay đổi lớn trong tương lai trong ngành bán lẻ và sau đó đưa ra các sản phẩm mới theo xu hướng hiện tại trên thị trường. Theo cách này, Big Data giúp các nhà bán lẻ dự đoán nhu cầu của người tiêu dùng và tạo nên các hiệu quả về kinh doanh, chiếm lĩnh thị trường
Hiệu quả hoạt động
Giả sử bạn là một người bán trà chanh ở đầu đường, bạn đảm nhiệm mọi vai trò từ pha chế, bồi bàn, kế toán, thu ngân rồi cả giám đốc cơ sở trà chanh của bạn, nói vui là cty trách nhiệm hữu hạn một thành viên thì việc một ngày bán được bao nhiêu cốc trà đá, thu về được bao nhiêu tiền, và lời lãi bao nhiêu, khi nào bạn cần nhập thêm các sản phẩm để duy trì việc kinh doanh của mình đều nằm trong lòng bàn tay của bạn. Nhưng rồi một ngày, thương hiệu trà chanh của bạn vươn xa, bạn mở thêm cả chục đại lý bán trà chanh ở đầu nhiều con đường khác, khi đó bài toán quản lý kinh doanh, quản lý bán hàng, kế toán, tài chính, nhân sự không còn đơn giản như câu chuyện lúc chỉ có 1 mình bạn và 1 cơ sở bán hàng nữa.
Vấn đề cũng tương tự khi bạn là một nhà bán lẻ, tối ưu hiệu quả hoạt động kinh doanh luôn luôn là một bài toán vô cùng nan giải. How to control sự hiệu quả kinh doanh từ các kênh khác nhau ( website và cửa hàng ), từ các cơ sở, địa phương khác nhau khi mà ở mỗi nơi đều tự do hoạt động??? How to phối hợp trơn tru giữa bộ phận kiểm kê và đơn vị sản xuất để cung cấp sản phẩm đúng, đủ và kịp thời.
Lúc này bạn cần phân tích dữ liệu lớn!!!
Ngày nay, dữ liệu lớn trong bán lẻ giúp các nhà bán lẻ theo dõi nhu cầu cấp cửa hàng trong thời gian thực để đảm bảo các mặt hàng bán chạy nhất vẫn còn trong kho. Nó đã hỗ trợ xử lý các vòng đời sản phẩm nhanh hơn và các hoạt động phức tạp hơn bao giờ hết và do đó giúp họ hiểu được chuỗi cung ứng và phân phối sản phẩm để giảm chi phí. Dữ liệu lớn đã tạo điều kiện cho họ đối phó với áp lực mạnh mẽ để tối ưu hóa việc sử dụng tài sản, ngân sách, hiệu suất và chất lượng dịch vụ. Máy chủ, máy móc nhà máy, thiết bị thuộc sở hữu của khách hàng, cơ sở hạ tầng lưới năng lượng và thậm chí nhật ký sản phẩm là một vài ví dụ về tài sản tạo ra dữ liệu có giá trị.
Dữ liệu lớn hỗ trợ địa phương hoá cửa hàng như thế nào?
Dưới đây là một vài yếu tố mà việc phân tích dữ liệu có thể cải thiện:
Không gian sàn: Nhà bán lẻ phải quyết định một sản phẩm hay ngành hàng có thể sử dụng tối đa bao nhiêu sản phẩm để có thể tối đa hoá doanh thu và tạo ra lợi nhuận cao nhất trên mỗi mét vuông. Thông thường, hoạch định không gian phải dựa vào dữ liệu bán hàng trong lịch sử và tương lai. Để đánh giá tính kinh tế trong việc tận dụng không gian, nhà bán lẻ phải xác định sự khác nhau trong lợi nhuận mà một sản phẩm hay ngành hàng tạo ra trong cùng một không gian so với sản phẩm hay ngành hàng khác. Ví dụ, chuỗi bán hàng thực phẩm tươi sống cần xác định diện tích cửa hàng dành cho thịt gà sẽ ảnh hưởng thế nào đến doanh thu và lợi nhuận so với thịt heo.
Chủng loại mặt hàng: Chủng loại mặt hàng là tất cả sản phẩm được lưu trong kho của của hàng. Nhà bán lẻ phải có nhiệm vụ xây dựng một danh mục sản phẩm tạo nhiều lợi nhuận biên tối đa trong dài hạn ở mỗi cửa hàng. Các nhà bán lẻ có thể sử dụng dữ liệu giao dịch khách hàng để đo lường một mặt hàng trong danh mục tăng doanh thu và lợi nhuận so với các mặt hàng tương tự như thế nào. Lại lấy ví dụ về thịt gà, dữ liệu mua hàng có thể cho ta biết sản phẩm đùi gà rút xương tác động đến tổng doanh số thịt gà như thế nào, và việc giảm hay tăng số lượng mặt hàng này có ảnh hưởng đến những sản phẩm gà khác (như cánh gà, ức gà,…) ra sao.
Sắp xếp hàng hoá: Các nhà bán lẻ thường đưa ra quyết định lưu kho và trữ hàng dựa trên các dữ liệu phổ biến như doanh thu định kỳ, chi phí hàng bán, chí phí tồn kho,… Nhưng một trong những dữ liệu có thể ảnh hưởng đến doanh số bán hàng mà các nhà bán lẻ thường bỏ qua khoảng cách giữa một số mặt hàng trong cửa hàng. Dữ liệu có thể được sử dụng để so sánh về khoảng cách của các ngành hàng lẫn nhau, hay mặt hàng cùng ngành hàng trong cùng một hành lang lối đi. Từ việc phân tích dữ liệu ở cấp độ cửa hàng có thể xác định được việc sắp xếp sản phẩm như thế nào là tốt nhất trong quá khứ. Ví dụ, liệu bánh mì có bán được nhiều hơn khi đặt cần kem hay nước ngọt, hay liệu bình xịt tóc đặt gần lược chải tóc có bán nhiều hơn khi xuất hiện cùng với sản phẩm chăm sóc tóc khác. Nghiên cứu về dữ liệu này còn giúp các nhà bán lẻ quyết định được sản phẩm nào sẽ được đặt ở vị trí “đắc địa” (ngay tầm mắt người mua sắm hay gần cửa/quầy tính tiền).
Các yếu tố khác: Dữ liệu lớn còn giúp cửa hàng tối ưu hoá những yếu tố khác như thiết kế cửa hàng, giá, khuyến mãi. Các nhà bán lẻ có thể phân khúc trải nghiệm khách hàng để cải thiện không gian mua sắm và xác định những dạng khách hàng khác nhau. Dữ liệu lớn về shopper còn phân tích ảnh hưởng từ chi thiết thiết kế đến tổng thể không gian cửa hàng.
Ngoài ra, để tối ưu giá, cửa hàng bán lẻ có thể đánh giá mức giá nào mà người mua sắm địa phương sẵn sàng chi trả. Ví dụ, doanh nghiệp có thể nghiên cứu giá của đối thủ địa phương , từ đó so sánh với chuỗi giá trị của mình để định giá phù hợp.
Thiết kế cửa hàng, giá, khuyến mãi: Các nhà bán lẻ có thể nghiên cứu định lượng các loại khách hàng khác nhau để xác định các loại khách hàng khác nhau muốn mua sắm như thế nào.
Để tối ưu giá, cần phân tích dữ liệu về mức giá mà người mua sắm địa phương sẵn sàng chi trả. Các nhà bán lẻ có thể nghiên cứu về cách định giá của đối thủ, đặc biệt là sản phẩm cơ bản như sữa hay bánh mì, để tự định giá của mình. Họ còn có thể phân tích dạng khuyến mãi nào hiệu quả nhất trong quá khứ để lên kế hoạch cho tương lai.
Theo: insights.magestore
Tại KONVOI – Chúng tôi tư vấn cho bạn dựa vào những con số và thực tiễn, đồng thời đưa ra các phương án chiến lược đã được chứng minh. Hiểu thị trường và hành vi khách hàng cũng như insight của ngành hàng sẽ giúp bạn chiến thắng trước những bài toán khó khăn. Chúng ta cùng nhau làm việc để doanh nghiệp của bạn Bán Nhiều Hàng & Tăng Lợi Nhuận với một vị thế bán hàng độc tôn tại thị trường FMCG.
KONVOI.VN – Chuyên gia lĩnh vực phân phối bán lẻ
Phone: 028 3937 1800
Email: contact@konvoi.vn
Địa chỉ: 159 Điện Biên Phủ, Phường 15, Bình Thạnh, Thành phố Hồ Chí Minh.
Bài viết liên quan:
