ТЕНДЕНЦИИ И ВЫЗОВЫ ОБРАБОТКИ ДАННЫХ В E-GROCERY: ГЛОБАЛЬНЫЙ И РОССИЙСКИЙ КОНТЕКСТЫ

TRENDS AND CHALLENGES OF DATA PROCESSING IN E-GROCERY: GLOBAL AND RUSSIAN CONTEXTS

Evgeny Kochergin

master’s student, Department of Telecommunication Systems and Information Security, Russian New University,

Russia, Moscow

Evgenia Stepanova

scientific supervisor, candidate of Sciences in Pedagogics, associate professor of the Department of Information Systems in Economics and Management, Russian New University,

Russia, Moscow

АННОТАЦИЯ

В данной статье автором представлен анализ глобальных трендов обработки данных в сфере услуг доставки продовольственных товаров, заказанных через интернет(e-grocery). Рассмотрены примеры лидеров рынка и особенности российского сегмента e-grocery. Проведен сравнительный анализ глобального и российского контекстов, выявлены специфические вызовы, стоящие перед российскими компаниями, и приведены векторы развития отрасли.

ABSTRACT

In this article, the author presents an analysis of global data processing trends in the field of food delivery services ordered via the Internet (e-grocery). Examples of market leaders and features of the Russian e-grocery segment are considered. A comparative analysis of the global and Russian contexts has been carried out, specific challenges facing Russian companies have been identified, and the vectors of the industry's development have been presented.

Ключевые слова: e-grocery, обработка данных, системное моделирование, оптимизация логистики, электронная коммерция.

Keywords: e-grocery, data processing, system modeling, logistics optimization, e-commerce.

Современная сфера доставки продовольственных товаров, заказанных через интернет (e-grocery), переживает бурный рост, и в этой динамичной среде эффективная обработка данных становится ключевым фактором успеха. Компании, способные эффективно собирать, анализировать и использовать данные, получают значительное конкурентное преимущество.

Данные, собираемые из различных источников (веб-сайты, мобильные приложения, системы управления складом, логистические платформы), выступают в качестве входных параметров для моделей, которые, в свою очередь, помогают компаниям принимать обоснованные решения, снижать издержки и повышать эффективность. В частности, обработка данных играет ключевую роль в создании персонализированного клиентского опыта, позволяя улучшать пользовательский опыт взаимодействия со сферой доставки. Модели предпочтений на основе алгоритмов машинного обучения, которые прогнозируют индивидуальные потребности каждого покупателя. Это, в свою очередь, позволяет предлагать наиболее релевантные товары и услуги, повышая лояльность и удовлетворенность клиентов. [1]

Основные тенденции развития в сегменте e-grocery на данный момент связаны с системным подходом к моделированию и использованию искусственного интеллекта.

Системный подход в e-grocery предполагает комплексный анализ и оптимизацию различных процессов с помощью информационных технологий.

Так, анализ и прогнозирование спроса позволяют участникам рынка наиболее эффективно распоряжаться запасами, что особенно важно для дарксторов. Дарксторы (англ. Darkstore) – специальные склады, предназначенные исключительно для обработки и отгрузки онлайн-заказов, без доступа покупателей. Ориентируясь на быструю и точную обработку заказов и минимизацию издержек на хранение, дарксторы требуют особенно точного планирования запасов.

Автоматизация бизнес-процессов с помощью ИТ-решений помогает качественно управлять ассортиментом, продажами, уровнем сервиса и покупательской лояльностью, маркетинговыми акциями и доставкой интернет-заказов. Одной из современных технологий, используемой в сфере доставки товаров, является система управления складом Warehouse Management System (WMS). Для формата e-grocery система должна чётко разделять позиции в заказе и формировать правильные инструкции для кладовщика. Примером успешного использования такой системы для сферы e-grocery можно назвать американскую компанию “Amazon”. “Amazon”, будучи крупнейшим маркетплейсом в мире, развивает свою отрасль e-grocery под дочерним брендом “Amazon Fresh”. Подсистема для дочерней компании “Amazon Fresh” использует обширные массивы данных для персонализации клиентского опыта, создавая индивидуальные рекомендации и предложения, основанные на анализе истории покупок и предпочтений, в том числе и с помощью инструментов интеллектуального анализа данных. Более того, “Amazon” применяет системное моделирование для оптимизации своей сложной цепочки поставок, используя имитационные модели для тестирования различных сценариев и принятия обоснованных решений с применением специализированного программного обеспечения [2].

Американская компания по доставке продовольственных товаров “Instacart”, в свою очередь, делает акцент на персонализации списков покупок и рекомендаций с использованием машинного обучения, а также оптимизации доставки. Они используют данные о местоположении магазинов, курьеров и покупателей для динамического распределения заказов и оптимизации времени доставки с помощью алгоритмов и мобильных технологий. “Instacart” также работает в партнерстве с различными ритейлерами и использует данные о запасах в каждом магазине для оптимизации процесса выбора и доставки товаров с применением API [3].

Наконец, данные могут использоваться для прогнозирования спроса и управления ассортиментом, где модели, основанные на исторических данных и трендах, полученных с помощью инструментов бизнес-аналитики (BI), помогают оптимизировать запасы, избегать дефицита или избытка товаров и предлагать клиентам наиболее востребованный ассортимент. Таким образом, обработка данных и моделирование, опираясь на IT-решения, не просто дополняют друг друга, а являются взаимосвязанными процессами, обеспечивающими целостную оптимизацию всего бизнеса в сфере e-grocery.

В российском сегменте e-grocery наблюдается своя специфика в использовании данных, обусловленная особенностями рынка и потребительского поведения. Компании адаптируют глобальные тенденции к местным условиям и разрабатывают собственные подходы с использованием различных IT-решений [4]. Сервис "Самокат" строит свою работу на основе прогнозов поведения покупателей, работы логистической сети и курьеров, а также мгновенном реагировании на ситуации, когда реальность начинает отклоняться от прогнозов, применяя для этого инструменты предиктивной аналитики. Например, на основе роста количества заказов в первые два часа работы склада сложный алгоритм обновляет прогноз по продажам на весь день. Это позволяет "Самокату" оптимизировать свою ультрабыструю доставку и открывает возможность моделирования управления локальными складами. Сервис “Купер” (ранее – “Сбермаркет”), в отличие от концепции дарксторов, работает с партнерскими физическими магазинами и получает данные от них. Сервис анализирует данные ритейлеров, структурирует и выводит на сайте уже готовые мастер-данные. На основе этих мастер-данных создаются элементы пользовательского интерфейса: карточки товаров, фильтры, категории и разделы [5].

Анализируя обработку данных в e-grocery, становится очевидным, что, несмотря на общие цели по оптимизации процессов и улучшению клиентского опыта, глобальные и российские компании используют различные подходы и сталкиваются с разными вызовами, проявляя разные уровни IT-зрелости. В то время как “Amazon Fresh” и “Instacart”, как представители глобального рынка, опираются на передовые IT-инфраструктуры и масштабные массивы данных для построения собственных сложных моделей и систем, включая системное моделирование на основе продвинутых алгоритмов и технологий, российские компании, такие как “Самокат” и “Купер” фокусируются на адаптации этих технологий к местным условиям и специфическим потребностям с использованием доступных IT-ресурсов. Кроме того, российский рынок e-grocery отличается от глобального своей географической структурой, будучи сконцентрированным в основном в крупных городах. "Самокат" делает упор на внедрение WMS-систем и прогнозных моделей для оптимизации доставки. "Купер", в свою очередь, формирует удобный каталог и пользовательский интерфейс на основе данных, полученных от ритейлеров. Важно отметить, что в России доля рынка e-grocery составляет менее 1% от всего продуктового ритейла, в то время как в Великобритании этот показатель достигает 7-10%, что также подчеркивает различия в масштабах и развитии этих рынков и возможностях инвестиций в развитие информационных технологий [7].

Очевидно, что в дальнейшем развитии отрасли системный подход и моделирование будут играть все более важную роль, и российским компаниям, стремящимся к долгосрочному успеху, необходимо будет активно развивать компетенции в этой области и адаптироваться к меняющимся условиям рынка. Для дальнейшего развития отрасли, особенно в российском контексте, ключевым является активное внедрение системного моделирования, усиление персонализации на основе искусственного интеллекта, моделирование и автоматизация логистических процессов, развитие аналитических платформ, использование облачных технологий и использование систем для синхронизации управления запасами.

Список литературы:

1. Михайлов А. Н. Персонализация 2.0: как искусственный интеллект меняет подход к взаимодействию с клиентами // Вестник науки. 2024. №12 (81). URL: https://cyberleninka.ru/article/n/personalizatsiya-2-0-kak-iskusstvennyy-intellekt-menyaet-podhod-k-vzaimodeystviyu-s-klientami (дата обращения: 10.01.2025).

2. Al Imran, Md Abdullah., A study on amazon: information systems, business strategies and E-CRM // Research Gate [Электронный ресурс]. – URL: https://www.researchgate.net/publication/261440748_a_study_on_amazon_information_systems_business_strategies_and_e-crm (дата обращения 10.01.2025)
3. Instacart Harnesses Generative AI To Revolutionize Grocery Delivery Experience // Официальный сайт Forbes [Электронный ресурс]. – URL: https://www.forbes.com/sites/bernardmarr/2024/04/11/instacart-harnesses-generative-ai-to-revolutionize-grocery-delivery-experience/ (дата обращения 10.01.2025)
4. Еремин К. А., Суворова С. Д. Форматы «е-grocery» и «dark store»: развитие на потребительском рынке России // Экономика и бизнес: теория и практика. 2020. №12-1. URL: https://cyberleninka.ru/article/n/formaty-e-grocery-i-dark-store-razvitie-na-potrebitelskom-rynke-rossii (дата обращения: 17.01.2025).
5. Пратусевич, В. Р. Исследование концепций позиционирования бренда на основе метаконтекстов на рынке e-grocery / В. Р. Пратусевич, Е. В. Юдаева. // Молодой ученый. — 2023. — № 40 (487). — С. 123-132. — URL: https://moluch.ru/archive/487/106504/ (дата обращения: 18.01.2025).
6. Данюкова М.Н. перспективы развития рынка e-grocery России в условиях санкционного давления // Вестник Алтайской академии экономики и права. – 2022. – № 12–1. – С. 54-59; URL: https://vaael.ru/ru/article/view?id=2615 (дата обращения: 19.01.2025).
7. Как устроена экономика сервиса по доставке продуктов? // Электронный портал для ритейлеров и поставщиков Retail [Электронный ресурс] URL: https://www.retail.ru/articles/kak-ustroena-ekonomika-servisa-po-dostavke-produktov/ (дата обращения 19.01.2025)