Elaborazione dei dati in tempo reale che consente ai rivenditori di rispondere immediatamente ai comportamenti dei clienti, alle variazioni di inventario e alle condizioni di mercato tramite analisi in streaming
Elabora dati in streaming da sensori IoT, app mobili, analisi web, social media e sistemi di transazione utilizzando tecnologie come Apache Kafka, Spark Streaming e Flink per informazioni con latenza inferiore al secondo.
Le applicazioni includono il monitoraggio dell'inventario in tempo reale per prevenire rotture di stock, prezzi dinamici che si adattano alle azioni e alla domanda della concorrenza, offerte personalizzate attivate dalle abitudini di navigazione dei clienti e rilevamento delle frodi per bloccare le transazioni sospette.
Richiede un'infrastruttura che supporti l'acquisizione di dati ad alta velocità, motori di query a bassa latenza, framework di elaborazione di flussi scalabili e database operativi sincronizzati con i sistemi analitici per esperienze cliente coerenti.
Cosa sono i dati in tempo reale per il commercio al dettaglio?
Fare commercio al dettaglio in tempo reale significa accesso ai dati in tempo reale. L'abbandono di un modello basato su accesso, analisi ed elaborazione orientati al batch a favore di dati "always-on" supporta decisioni e iniziative di business intelligence accurate e tempestive. I casi d'uso in tempo reale, come la previsione della domanda, la personalizzazione, la disponibilità a scaffale, la previsione del tempo di arrivo e la raccolta e il consolidamento degli ordini, forniscono valore all'organizzazione attraverso una maggiore agilità della supply chain, la riduzione dei costi di servizio, l'ottimizzazione della disponibilità dei prodotti e il riapprovvigionamento.
Perché i dati in tempo reale sono importanti per il commercio al dettaglio?
Nel corso degli ultimi 20 anni abbiamo assistito al passaggio all'e-commerce e al commercio omnicanale, per poi vedere i comportamenti dei consumatori cambiare radicalmente quando si è verificata la pandemia COVID-19. In sole 10 settimane, il panorama è cambiato più velocemente di quanto non avesse fatto nei 10 anni precedenti. Quando i negozi fisici si sono trovati a dover chiudere per il lockdown, i consumatori hanno spostato gli acquisti sui canali digitali. I ristoranti hanno visto svuotarsi le sale dei locali, mentre sono aumentati i drive-through e le consegne a domicilio. Lo spostamento dei flussi di denaro ha comportato altri cambiamenti: aumento delle frodi, cambiamento delle aspettative dei clienti, aumento del volume dei resi e aumento dei costi per il servizio e la consegna al piano strada.
Ad aumentare l'impatto dei cambiamenti trainati dai consumi ha contribuito la recente volatilità delle catene di approvvigionamento. Il rischio maggiore per la vendita al dettaglio e i beni di consumo nei prossimi anni sarà la volatilità.
Le strategie aziendali tradizionali si sono rivelate obsolete all'improvviso: la previsione della domanda è diventata inattendibile, il cambiamento nelle preferenze dei clienti ha portato a esaurimenti delle scorte e i margini dei commercianti ne hanno risentito. Dal momento che i consumatori hanno iniziato ad acquistare in tempo reale, le aziende hanno dovuto sostituire le proprie architetture di data warehouse obsolete con altre in grado di funzionare e rispondere in tempo reale: ed è qui che entra in scena Lakehouse for Retail.
Quali sono i vantaggi dell'accesso in tempo reale ai dati?
L'acquisizione rapida di dati su larga scala rende disponibile le informazioni per tutta la catena del valore in tempo reale, riducendo i costi e minimizzando gli errori che i commercianti commettono quando prendono decisioni non supportate da informazioni. Questi errori possono manifestarsi in molti modi:
La sottostima della domanda porta a un aggravio dei costi di spedizione per effettuare consegne urgenti.
La previsione errata delle quantità da produrre porta a costi di trasporto eccessivi, vendite mancate e maggiori sprechi.
La reazione ai guasti porta a interruzioni non pianificate che fermano interi cicli di produzione.
L'evasione degli ordini con dati incompleti o imprecisi comporta costi di spedizione aggiuntivi o tassi di reso più elevati.
Perdere l'occasione di coinvolgere un consumatore sulla base di dati aggiornati porta a perdere opportunità di vendita.
L'elaborazione dei dati in tempo reale consente a tutte le parti della catena del valore di vedere immediatamente lo stato delle operazioni e di prendere decisioni più informate che aiutano a evitare questi problemi.
Quali sono le funzionalità diversificate di Databricks per i dati in tempo reale?
Il lakehouse di Databricks utilizza tecnologie che includono Delta, DLT, Autoloader e Photon per consentire ai clienti di utilizzare i dati a supporto di decisioni in tempo reale.
Lakehouse for Retail supporta anche i job più grandi a intervalli quasi in tempo reale. I nostri clienti caricano nel lakehouse quasi 400 milioni di eventi al giorno dai log delle transazioni a intervalli di 15 secondi. A causa dell'interruzione delle attività di reporting e analisi che si verifica durante l'elaborazione dei dati, la maggior parte dei clienti del settore retail carica i dati nel proprio data warehouse durante un batch notturno. Alcune aziende caricano i dati addirittura con cadenza settimanale o mensile.
Un'architettura lakehouse event-driven fornisce un metodo più semplice per l'inserimento e l'elaborazione di dati batch e streaming rispetto agli approcci legacy, come le architetture Lambda. Questa architettura gestisce l'acquisizione dei dati di modifica e garantisce la conformità ACID delle transazioni.
DLT semplifica la creazione di pipeline di dati e integra automaticamente la derivazione dei dati per agevolare la gestione continua.
Il lakehouse consente di inserire i dati in tempo reale e di eseguire analisi sui flussi di dati. Con i data warehouse è necessario estrarre, trasformare, caricare ed estrarre nuovamente i dati dal warehouse prima di poter eseguire qualsiasi analisi.
Photon offre prestazioni di query ineguagliabili, consentendo agli utenti di interrogare anche i set di dati più grandi per prendere decisioni informate in tempo reale negli strumenti di BI.
