电子商务中的数据是了解消费者的最重要信息来源之一，为与其进行更全面、更紧密的互动提供了可能。Arenadata公司销售总监米哈伊尔·加夫里科夫讲述了如何在电子商务中利用用户的“数字足迹”，以及在此领域应用基于大数据的技术与传统零售有何不同。
现代消费者多变且极具动态性。毫不夸张地说，在线商店面临的挑战远比传统实体店严峻。顾客从一家线下商店走到另一家，可能会因距离、疲劳或觉得浪费时间而却步。然而，关闭浏览器中的一个标签页并打开另一个，几乎不需要任何努力。因此，在线商店之间的竞争日益激烈。
要战胜竞争对手、留住顾客、提高客单价和交叉销售额，仅靠传统工具是不够的。这里需要更有效、更高效的技术。其中一些特别有趣的技术正是建立在大数据（Big Data）基础之上的——即电子商务企业从其顾客甚至普通网站访客那里收集的大量数据。借助这些数据，在线零售商能够处理存储在专门数据仓库中的海量多样化信息，基于此进行分析，预测消费者行为、潜在风险，并制定后续工作计划。
电子商务中大数据的特点
在电子商务中应用大数据技术与线下零售的主要区别在于数据来源及其变现方式。“除了在线下零售中成功使用的销售数据和其他数据外，拉莫达（Lamoda）还高度重视对我们平台上用户行为的分析（包括网站、移动网站和应用程序）。从本质上讲，这些数据描述了商品选择的过程，而这一过程在线下零售中要复杂得多。”拉莫达（Lamoda）研发部门负责人奥列格·霍姆尤克表示。
“乌特科诺斯在线”（Uttonos ONLINE）IT总监玛丽亚·阿尔塔莫诺娃进一步指出，在线下零售中，为了获取关于店铺访问、商品浏览、陈列计划及货架库存的信息，不得不依赖视频摄像头的图像分析或其他方法。
"在电子商务中，用户会留下自己的数字足迹。例如，在'Utkonos ONLINE'，我们可以了解到用户是通过哪个渠道来到我们网站的，浏览了哪些页面。此外，与线下不同，电子商务中的每笔购买都是个性化的。我们可以发现用户在订单处理的任何阶段遇到的困难，并及时解决，识别出能够在不同场景下预测消费者行为或决策的模式"，玛丽亚·阿尔塔莫诺娃指出。
在线商店分析什么
据电子商务行业代表称，他们需要分析海量的数据。这些数据可能包括：
- 点击；
- 用户访问网站的来源；
- 用户浏览过的页面；
- 阅读商品描述所花费的时间；
- 加入收藏夹；
- 搜索查询；
- 最常用的配送地址和时间段；
- 最受消费者关注的促销活动。
所有这些都有助于识别用户在网站上的行为特征。最终，在线商店需要处理数十太字节可供分析的用户行为场景数据。
电子商务中大数据的一个流行来源是分析用户点击和购物车数据。例如，“Утконос ОНЛАЙН”（Utkonos Online）定期开展网站功能变更的A/B测试，以确定：
- 引入合作伙伴搜索带来的效果；
- 移动应用新手引导（onboarding）的效果；
- 弹窗的效果。
“A/B测试有助于我们了解是否应该更改网站功能，使其更加便捷，或者根本不需要任何更改。此外，对购物车和网站点击的分析还可以为机器学习模型和目标营销生成一系列关键因素。例如，消费者是否会对促销活动做出反应、是否按价格排序、上次登录个人账户是什么时候”，玛丽亚·阿尔塔莫诺娃解释道。
商品选择是决定后续购买的关键环节，因此对其相关数据进行深入分析，可以找到改善用户体验的领域，从而提升整个业务的经济效益。
“总体而言，我们在Lamoda每年在面向全量用户发布之前会测试数百个创意方案，且这一数量逐年增长。收集的数据及其分析帮助我们衡量实际的业务效果，并决定是否启动项目。根据分析结果，还会产生改进思路，例如，可以分析那些未导致购买的初始用户会话，并尝试理解是什么因素可能帮助这部分受众做出购买决策”，奥列格·霍姆尤克评论道。
电子商务中另一种日益普遍的数据变现方式是开发基于数据和机器学习的推荐系统及其他产品：从优化首页横幅展示，到在购物车甚至邮件中匹配相关的商品推荐。
大数据在电子商务中的应用优势
如今，大多数在线零售商都充分认识到基于大数据的技术的有效性，并高度评价其在实现各种商业场景中的作用。例如，“Утконос ОНЛАЙН”（Utkonos Online）积极利用买家数据进行营销，使零售商能够基于购买统计数据在网站建立自己的推荐系统，创建推荐购物车。同时，通过管理活跃客户群、客户流失以及已流失客户，零售商获得了大部分收入，这有助于预测流失情况，并通过优化营销活动将这些客户挽回。
此外，基于大数据的技术还有助于优化其他多个领域：
- 定价：通过分析价格需求弹性，有机会将利润率提高几个百分点。
- 预测需求和优化商品库存可以提高客户对商品的获取便利性，并减少因过期导致的损耗。
- 优化仓储和运输物流操作可降低每单运营成本。
电子商务中大数据应用的挑战
获得业务用户的信任是在线零售商在谈及基于大数据构建的工具和技术时指出的主要难点之一。因为企业必须证明数据分析能够提升业务方向的效率。只有理解了这一点，业务用户才愿意加倍投入此类技术。随之而来的是任务解决速度和创新应用效果的显著提升。
其他难点包括数据收集过程、市场上所需技术人才的短缺，以及在构建数据仓库时采取正确的方法。