安德烈·叶菲莫夫，BrainSoft公司技术总监 BrainSoft 在其专栏中探讨了大数据对电子商务市场参与者的商业价值。
如今，企业正努力将积累的信息转化为自身利益并增加销售额。尽管不断有公司声称“只有他们”知道如何最有效地存储和处理数据，但这些解决方案往往无法满足潜在客户需求。那么，在俄罗斯电子商务中，什么是大数据？谁已能高效处理它？发展趋势如何？让我们与专家一起探讨。
自2008年“大数据”（Big Data）一词出现以来，市场兴趣持续增长，涌现出数百种旨在解决“3V”问题的方案：Volume（数据量）、Velocity（高速处理）及Variety（多样性与非结构化）。业界共识是，传统分析工具主要处理结构化小数据，未来将被新方案取代，但具体方向尚不明朗。
帕累托法则加剧了这一问题：少数在线商店贡献了大部分营业额。尽管俄罗斯电商市场逐年增长，但在全国4万多家在线商店中，仅约300至400家产生了主要交易额。
这是否意味着其他商家只能袖手旁观，争夺剩余客户？
国际互联网贸易中心Allbiz在线营销总监阿列克谢·冈察罗夫对此持否定态度：“竞争日益激烈，试错成本高昂，唯有高效运作的企业才能生存。无论月营业额是数百万还是数十亿，没有分析就无法实现增长。补充说明：小型商店数据量少，可用MS Excel和Google免费工具自行分析；但若面临重大挑战且数据量庞大，则需寻求IT公司帮助。”
讨论电商大数据时，必须牢记三个核心问题：
- 首先，用户为何购买？明确答案后，便知需改进和扩展何种体验。
- 其次，用户为何未购买？必须研究并消除导致流失的原因。
- 第三，客户是否会复购？必须持续提升客户忠诚度。
如今，留存老客户远比获取新客户成本低。因此，需分析用户从接触广告到购买后评价的全链路互动数据。
“Sivbez”在线商店经理罗曼·阿努夫里耶夫虽愿遵循此策略，但他测试的挽留顾客IT系统均未见效：“在家电电子等高竞争细分市场，价格仍是首要因素，其次是交货时间。聚合平台上的低价确实是吸引客户的强力工具。大数据虽是‘时尚趋势’，但尚未成为有效的销售增长工具。”
尽管如此，Mail.Ru Group电商总监安德烈·叶菲莫奇金认为分析多多益善。他建议：“在资金允许范围内，围绕自身任务开展尽可能多的分析。优先分析与核心业务指标关联最紧密的事实与流程；利用商业模式画布（Business Model Canvas）研究商业模式运作；借助客户旅程地图（Customer Journey Map）观察用户互动；构建分析销售漏斗；收集并深入分析用户对服务和店铺的看法。”
另一方面，Ozon.ru数字营销负责人康斯坦丁·巴扬丁警告勿陷入“为计算而计算”的误区：“对企业而言，首要任务重于单纯的数据处理与分析。在线商店首先是零售商，其次才是科技公司。”因此，确保网站商品齐全、价格公道、使用便捷至关重要。
目前，解决在线商店海量数据处理问题主要有以下几种途径：
第一种：购买或租赁BI平台
可在其中处理大数据并分析自身及竞争对手信息。“Tri-A-Da集团”总经理阿尔乔姆·格里什科夫斯基指出，现有BI平台众多，各有优劣。
优点包括：
- 支持租赁模式，无需购置昂贵服务器；
- 界面直观，无需专业编程技能即可操作；
- 提供主流数据库标准连接器；
- 支持移动端使用；
- 可根据需求全面定制配置。
缺点在于：此类平台本质是构建器，未组装时无用。自行定制门槛高，聘请开发人员则成本昂贵。鉴于各厂商承诺的实施效果与工期趋同，建议选择时提供小型试点项目，以验证其实际特性与开发时效。
部分公司对模式进行了优化：不仅提供平台，还基于平台交付预置解决方案，再按需微调。这种方式比纯定制成本更低。
由此形成了专用于管理营销广告等业务的系统。它们基于BI平台构建但出厂即预配，实施资金投入更少。Mybi联合创始人彼得·奥泽罗夫指出，此类系统在分析营销行为时，能立即开展涵盖所有触点的客户全链路分析，精确计算CPA（每次咨询成本）、CPO（每单/客户销售成本）、ROI（投资回报率）及LTV（客户终身价值）等业务指标。
第二种：使用专门的利基产品
针对个人难以胜任的任务，可使用专用工具。“别古诺克”公司营销总监丹尼索夫以快递员管理系统为例：订单量≤50单时，物流人员可通过地图+Excel手动分配；但随着单量增加，手动计划错误累积，导致配送延迟损害客户体验。专用系统可在几分钟内自动分配当日订单，兼顾客户期望送达时间。结果是快递员效率提升、公司成本降低，且因配送准时提高了客户忠诚度。
另一热门领域是推荐系统。通过分析访客行为识别需求，在适当时机于网站、邮件、CRM及营销活动中展示相关优惠，从而提升转化率、客单价及复购率，增加收入。
Retail Rocket营销总监阿尔乔姆·卡扎科夫称，研究显示使用此类系统可使销售额增长高达50%。
网页开发工作室米哈伊尔·凯奇诺夫认同该观点，但提出保留意见：“通用推荐系统的问题在于未充分考虑买家与商品特性。所用库处理的是抽象数据，在某些细分市场中可能导致推荐不匹配（如向女性推荐男性用品）。因此，特定品类需要额外算法，同时兼顾商品与买家特性。”
此外，仍需对推荐系统进行“二次配置”。目前电商IT解决方案超500种，部分不与结构化数据绑定，功能由团队按需扩展，可利用客户在互联网上的行为特征、社交数据、订单历史及交叉销售信息等全方位数据。
综上所述，大数据并非营销噱头，而是正以小型专业化解决方案形式崛起的现实力量。仅集中信息并绘制精美图表已远远不够，企业追求的是真正的价值。唯有如此，大数据才能为率先掌握其应用方法的企业带来质的飞跃。
