SoftBank wprowadzi big data do małych firm dzięki prognozowaniu liczby klientów

Grupa SoftBank zaoferuje sprzedawcom detalicznym usługę prognozowania liczby klientów kosztującą zaledwie 40 dolarów miesięcznie, chcąc uczynić analizę big data bardziej dostępną dla małych japońskich firm, które do tej pory nie mogły sobie pozwolić na wdrożenie takiej technologii.

Japońska firma zacznie sprzedawać usługę „Sakimiru” szerszej grupie klientów korporacyjnych, w tym małym i średnim przedsiębiorstwom, już w tym roku podatkowym. System, którego nazwa oznacza „widzieć przyszłość”, wprowadzony na rynek w styczniu, ale tylko w kilku większych firmach.

Usługa wykorzystuje informacje o natężeniu ruchu pieszego oparte na danych lokalizacyjnych z około 30 milionów urządzeń mobilnych podłączonych do stacji bazowych SoftBank. W połączeniu z dwutygodniowymi prognozami pogody Japońskiego Stowarzyszenia Meteorologicznego, uwzględnia takie czynniki jak temperatura i wiatr, aby przewidzieć, jak będzie wyglądał ruch pieszych wokół sklepów.

supermarket sklep SoftBank big data

Firmy mogą wprowadzać dane dotyczące ruchu klientów i sprzedaży w poszczególnych sklepach, które są korelowane z innymi informacjami za pomocą sztucznej inteligencji, co pozwala przewidzieć, ilu klientów prawdopodobnie odwiedzi dany sklep. Technologia pozwala również na analizowanie danych o klientach według takich czynników, jak płeć, wiek oraz to, czy są to miejscowi, czy przyjezdni.

Usługa SoftBank jest wielokrotnie tańsza od konkurencji

Ceny za będą zaczynać się od 41 dolarów miesięcznie. Bardziej zaawansowane funkcje, takie jak przewidywanie popytu na poziomie produktu i automatyczne uzupełnianie zapasów, będą dostępne za dodatkową opłatą. W testach przeprowadzonych w sieci aptek w marcu 2021 r. prognozy Sakimiru różniły się od rzeczywistych danych dotyczących ruchu klientów średnio o około 7%.

Szczegółowe prognozy ruchu mogą pomóc detalistom uniknąć odwiecznego problemu nadmiernych zapasów lub braku towarów. Test Sakimiru pozwolił zmniejszyć straty wynikające z marnowania produktów o 3%, a straty w sprzedaży spowodowane brakiem zapasów o 15%. Usługa może również obliczyć, ilu pracowników sklep będzie prawdopodobnie potrzebował w danym czasie i automatycznie zaplanować zmiany, pomagając w ten sposób kontrolować koszty pracy.

sklep supermarket big data SoftBank

Tego typu analizy są dostępne dla dużych sieci detalicznych z rozległymi sieciami systemów punktów sprzedaży, ale technologia ta wolniej upowszechnia się wśród mniejszych przedsiębiorstw. Usługi wykorzystujące statystyki dotyczące lokalnego ruchu pieszych są dla nich zwykle zbyt drogie.

Usługa prognozowania popytu firmy NTT Data, która wykorzystuje dane o natężeniu ruchu z sieci komórkowej NTT Docomo, kosztuje podobno ponad 38 tys. dolarów rocznie. KDDI pobiera ponad 18 tys. dolarów rocznie za szczegółowe informacje o odwiedzających, które można podzielić według danych demograficznych.

beverages g8b37585e9 1920

SoftBank obniżył koszty dzięki automatyzacji analiz, którymi wcześniej zajmowali się naukowcy. Opracował także uniwersalny, własny algorytm przewidywania popytu dla firm takich jak sprzedawcy detaliczni czy restauracje, co pozwala ograniczyć czas i wysiłek potrzebny do dostosowania usług dla potrzeb konkretnych branż.

W przeszłości firma odegrała główną rolę w obniżaniu cen w innych dziedzinach, w tym cen usług internetowych i stawek za połączenia bezprzewodowe. Podobne podejście zastosuje w tym przypadku, chcąc przejąć inicjatywę w dziedzinie analizy big data dzięki przystępnym cenom. SoftBank zapowiada, że będzie współpracować z innymi firmami, aby włączyć do usługi więcej danych.

Według firmy badawczej IDC Japan japoński rynek analiz big data wzrósł w 2020 roku o 7%, osiągając wartość 2,5 mld dolarów. Oczekuje się, że w kolejnych latach rynek ten będzie notował dwucyfrowy wzrost ze względu na masowe przechodzenie firm na rozwiązania cyfrowe.

Źródło: Nikkei

0 0 votes
Article Rating
Powiadomienia
Powiadom o
0 komentarzy
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x
()
x