Sammanfatta detta blogginlägg med:
”Sofistikerade algoritmer för att förutsäga efterfrågan på disknivå och framtidsklar robotik i stationerna…” – Detta är ett utdrag hämtat från Zomatos tillkännagivande om 10-minuters matleverans inom 10 minuter, där Zomatos grundare talar om 10-minuters materbjudanden.
Varför börjar vi vår artikel med den här frasen? För att den sammanfattar exakt hur dataanalys inom Q-handel har blivit en integrerad del av verksamheten. Och varför nu? Det beror på att den indiska Q-handelsmarknaden, enligt konsultföretaget RedSeer, uppskattas till 10–15 gånger 5 miljarder dollar år 2025, jämfört med nuvarande 0,3 miljarder dollar.
Men innan vi djupdyker i hur snabbhandel fungerar och försöker avkoda dem en efter en, och förstår vilken roll data och teknik spelar, låt oss prata lite om vad snabbhandel är och hur handeln har utvecklats över tid.
Alla vet vad e-handel är (åtminstone) efter Amazons framgångar. Men vad är Q-handel? E:et i e-handel antyder elektronisk, vilket betyder att köp och försäljning av varor sker online. På liknande sätt betyder Q:et i Q-handel snabb, vilket visar hur snabbt beställningarna levereras. Det används också ibland omväxlande med "on-demand-leverans" och "e-livsmedel".
Men, hur snabbt är snabbt? Den genomsnittliga leveranstiden för e-handel var fem och en halv dag år 2012, vilket har minskat med tiden och gradvis har sjunkit till 2–3 dagar år 2019, enligt en undersökning från Clutch . Med Q-commerce sker leveransen inte i dagar utan i minuter.
Kort sagt hänvisar Q-commerce till tjänster där kunder kan ta emot leveranser (vanligtvis små) på några minuter.
Du kan ta en titt på infografiken nedan för att se hur e-handel har utvecklats till q-handel.
Källa: Data Weave
Detta ekosystem är inte bara begränsat till livsmedel utan kan utökas till matleveranser, apotek, molnkök, presenter, blommor, budfirmor, köttleveranser etc. Därför kan typer av Q-handel inkludera leveransplattformar från tredje part som mat och leverans, detaljhandelsjättar, specialister på livsmedel etc. Det kan också finnas en överlappning mellan sådana plattformar.
I Indien kan man se att många Q-handelsplattformar som Blinkit, Swiggy Instamart, Zepto, Dunzo, etc. har gjort framsteg, medan i USA är GoPuff, som grundades 2013, levererar matvaror på 30 minuter och värderas till 15 miljarder dollar, och även i andra länder är Gorillas, som är baserat i Berlin, och brittiska Zapp (andra exempel inkluderar Delivery Hero, Getir, Flink, Glovo, JOKR, etc.) redan ganska populära inom sina verksamhetsområden.
Delivery Hero, ett företag baserat i Berlin, har sett en tillväxt på 400 % jämfört med föregående år, medan även företag som Apple ser en tillväxt på 11 % jämfört med föregående år.
Det betyder att konsumenter över hela världen letar efter lösningar som erbjuder nästan omedelbar leverans vilket är billigare, och företag strävar alltid efter att ge maximal konsumentupplevelse.
Till exempel, när jag är sugen på Maggi eller en läsk (i Indien), kan jag öppna en app för detsamma, som kan vara Swiggy Instamart (rekommenderar inte det, bara ett exempel), och efter betalning och beställning börjar jag skära de grönsaker som behövs, vilket är klart när beställningen anländer. Eller så kan jag beställa Maggi direkt från en restaurang med Zomato (återigen, rekommenderar inte det, bara ett exempel) och vänta på att maten ska levereras. Eller så kan jag bara vara hungrig men hellre hålla mig till de två första.
Samma cykel har representerats i infografiken ovan, men det är mycket som händer på några minuter. Låt oss ta det första, vilka problem kan uppstå för att ordern ska vara tillgänglig?
- Har plattformen det jag söker?
- Lagret (Maggi i det här fallet) borde vara tillgängligt.
- Beställningsområdet bör ha ett distributionscenter i närheten
- Leveransansvariga bör vara tillgängliga
- Om den exakta ordningen inte är tillgänglig, vilka alternativ finns det?
Dessa saker kanske låter väldigt enkla och tas oftast för givna, men det är faktiskt inte fallet. En av de viktigaste sakerna på den här listan är ett distributionscenter. Det är här perspektiv krävs.
Ta till exempel Amazons leveranscenter. Dess typiska storlek är 800 000 kvadratfot , jämfört med den genomsnittliga storleken på en D-Mart som är cirka 34 000 kvadratfot , jämfört med storleken på ett Q-handelsdistributionscenter eller ett så kallat mikrodistributionscenter (eller ibland kallat Dark Stores) som är 2000 till 5000 kvadratfot till sin natur. Men varför?
Detta beror på att för Q-Commerce utgör en hub-spoke-leveransmodell med många mikrodistributionscenter och dark stores logistikens ekosystem. Den traditionella distributionsmodellen för e-handel, som har större leveranscenter, butiker och fler SKU:er, är vanligtvis belägna i utkanten av staden.
Nackdelen med denna modell för Q-Commerce är att med den utlovade leveranstiden på några minuter är det inte logistiskt möjligt att leverera långt bort på kort tid. Därför används Hub-and-spoke-modeller normalt som en del av deras leveranskedja, vilket gör det möjligt för dem att etablera Dark Stores även mitt i staden till en lägre kostnad än en vanlig hubb.
Nu när vi har förstått hur logistiken fungerar, dvs. hur centren är etablerade så att lagerenheterna är närmare kunden vilket möjliggör leverans på kortare tid, låt oss utforska en annan fråga om huruvida plattformen har det vi söker.
När det gäller data är Q-commerce verkligen en guldgruva för dataanalys ! Allt vi lämnar ett fotavtryck av är data: Varje beställning, varje varukorg som lämnas ouppfylld, varje sökning, varje adress, allt är data. Detta hjälper företag att skapa personliga aviseringar till suggestiva rekommendationer. Det är ingen överdrift att säga att: Data är det nya vattnet.
Låt oss återgå till inledningsfrasen i den här artikeln:
"Sofistikerade algoritmer för att förutsäga behovet på parabolnivå och framtidsklar robotteknik i stationerna..."
Låt oss lämna robottekniken åt sidan ett tag och prata om algoritmerna och analyserna som skulle vara involverade i processen. Låt oss inte gå för långt. Ta Zomatos 10-minuters matleverans som exempel (tänk på att det inte handlar om matvaror, utan om riktig mat som är rykande het!!)
Artikeln handlar om att hysa bästsäljande varor (ca 20–30 rätter) från olika restauranger baserat på förutsägbar efterfrågan och hyperlokala preferenser. Det är här befintlig data från beställningar och restauranger kan utnyttjas. Men hur är detta möjligt?
Med avancerade analysalgoritmer som prediktiv analys på restaurangers hyperlokala data kan du identifiera de mest köpta varorna, ytterligare analyser kan göras för att se om ett molnkök kan lagra dessa, och det kan göras tillgängligt för en leverans på 10 minuter.
Vare sig det gäller livsmedel, mat, kött eller läkemedel, ligger nyckeln i att identifiera det lokala sortimentet av varor som kan göras tillgängliga. För att identifiera och optimera sortimentet måste man därför förstå hur efterfrågan skiljer sig mellan varje demografiskt segment och hur utbudet är möjligt. Till exempel kan fisk och skaldjur vara en produkt med hög efterfrågan över olika geografiska områden, men det färskaste utbudet skulle finnas nära kustområdena.
För att all analys ska kunna genomföras är det första steget att identifiera data. Men är detta det första steget? Förmodligen inte, för att ens kunna genomföra analys är det avgörande att samla in data. Data Lakes för Q-Commerce är därför det nollte steget där den insamlade datan lagras och kan extraheras av dataforskare att arbeta med. Varje butik, varje e-handelswebbplats och varje restaurang behöver data, men Q-Commerce-företag strävar efter och fungerar med data som blod är för en människa.
Låt oss lämna livsmedels- och restaurangbranschen och återgå till dagligvaror ett tag. För dataanalys av Q-Commerce-butiker kan det finnas fler parametrar vi behöver hantera, som behovet av sortiment, prissättning, leveranstid, prognoser, identifiering av leveranscenter, personalplanering med avseende på geografiska områden och mer.
Sortimentsanalys för Q-commerce
Med det växande antalet SKU:er, begränsat hyllutrymme och växande komplexitet är det viktigt att skilja mellan långsiktiga och kortsiktiga krav på kundbeteende och bestämma den optimala produktmixen för daglig lagerhållning. Du kan också ta reda på eventuella förändringar i efterfrågan gentemot konkurrenter.
Prissättningsstrategi
Prissättning är, och kommer alltid att vara, en svag punkt för de flesta Q-Commerce-plattformar, eftersom de flesta plattformar hittills har en negativ slutproduktivitet och strävar efter att växa positivt under åren. Men återigen, kunderna är kungen. De flesta kunder jämför priser mellan flera plattformar och det utgör en integrerad del av deras beslutsfattande. Därför bör den konkurrenskraftiga prissättningen vara sådan att priserna är i realtid och inte för olika (högre) än dina konkurrenters. Återigen för detta kommer den hyperlokala strategin in på plats.
Titta till exempel på de två bilderna nedan av en Q-Commerce-plattform för två olika platser. Du kan se att vissa förslag skiljer sig åt och vissa priser skiljer sig åt trots att produkten är densamma.
Källa: Hyderabad Data
Källa: Delhi Data
Leveranstidens betydelse
Även om det är viktigt just nu, till exempel i Indien, erbjuder de flesta konkurrenter samma ungefärliga leveranstid på 10–25 minuter, men detta påverkar identifieringen och etableringen av nya mikrodistributionscenter runt om i staden. Det är också viktigt att notera att med aktörer som Amazon, som erbjuder leverans samma dag eller nästa dag, är kunderna mer benägna att få varorna tidigare än till rabatterat pris. Detta kan också utnyttjas som en del av deras varumärkesstrategi, precis som Dominoes gjorde för sin 30-minuterspizza, även om den senare lades ner.
Efterfrågeprognoser för Q-Commerce
Detta är i huvudsak hjärtat i hela verksamheten. Det är vad alla återförsäljare förlitar sig på för att identifiera och förutsäga framtida försäljningsmönster. Detta är särskilt viktigt när de mörka butikerna kan ha ~2000 till 4000 SKU:er (jämfört med en traditionell butik som har upp till 60 000 SKU:er). Detta är också mer kritiskt när de mörka butikerna också har lättfördärvliga varor som färsk frukt, grönsaker, kött, bröd etc. Om efterfrågeprognoser inte tas om hand kan de skapa fler flaskhalsar och slöseripunkter i hela leveranskedjan.
Vikten av arbetskraftsplanering
Att planera arbetskraften är avgörande eftersom detta är en flaskhals i hela leveranskedjan, och eftersom de flesta plattformars arbetskraft betraktas som en gigekonomi. Man kan skapa efterfrågan med marknadsföringsstrategier, men om arbetskraftsplaneringen inte är i linje med efterfrågan kan det leda till flaskhalsar. Detta är till exempel en av anledningarna till att Swiggy har lagts ner i Hyderabad, Mumbai och Bangalore av samma anledning. Därför krävs det i förväg att analysera mängden arbetskraft som behövs för flera planeringsscenarier för att ha en gedigen rekrytering på plats (också med tanke på att arbetskraften har ett val med många plattformar där ute).
Det handlar inte bara om effektiv datahantering eller dataanalys , frågan uppstår också om hur data visualiseras. Om du inte har läst om det har vi pratat i detalj om hur Business Intelligence förändrar affärslandskapet . Kort sagt menar vi att med den enorma mängd data som samlas in från flera källor från flera geografiska områden för flera användare, sparar dashboards som kan hjälpa chefer att granska flera parametrar från samma plats mycket tid och resurser. Det hjälper också chefer att fatta snabbare beslut.
Om du har kommit hit tror du säkert redan på det här, men låt oss ändå kolla trenderna runt om i världen en gång. Det handlar inte bara om att skapa fler Dark Stores eller ge fler rabatter, utan det handlar om att hitta rätt strategi, varumärke, förvärv och partnerskap.
I Storbritannien samarbetade Deliveroo med stormarknadskedjor som Waitrose, ALDI och Co-op. På andra håll lade Delivery Hero till 1 500 försäljare för att "stödja lokala restauranger, livsmedelsbutiker och apotek". Eller hur även premiummärken som Estee-Lauder tecknade avtal med Uber 2021 för en 60-minutersleverans av deras produkter. Och hur Costco samarbetade med Instacart för leverans samma dag.
Det kan också vara hur Rappi, en konsumentteknikplattform i Brasilien, har förvärvat Avacado, en online-återförsäljare av livsmedel. Eller hur Zomato i Indien har investerat i Blinkit eller hur Swiggy har förvärvat Dine-out. Det här är bara några exempel, det finns många sådana inom Q-Commerce.
I den här matchen på 10–15 minuter försöker alla tävlande täcka sina baser och uppnå maximal potential.
Q-handel är frukten av teknologi, det är så e-handel har utvecklats. Det är också denna teknologi som kommer att göra att Q-handel når ut på fler marknader, skapar nya strategier, ger nya kundinsikter och förstår det förändrade konsumentbeteendet. Teknologi är dessutom den enda vägen in i hjärtat hos de digitala infödingarna – Generation Z och millennials. Sammantaget, med rätt teknologi på plats, kan Q-handel uppnå:
- Effektiv lagerhantering
- Bättre leveranskedjehantering
- Varumärkesbyggande och influencerräckvidd
- Personliga upplevelser för kunden
- Att hitta rätt kampanj- och prisstrategi
Och detta är bara toppen av isberget. Du kan skapa insikter i miljömässiga, sociala och styrningsmässiga frågor för att identifiera eventuella återanvändbara förpackningsalternativ eller identifiera hur alla dessa beslut påverkar din scenarioplanering.
Vi kommer att se e-handel och kvantitativ handel blomstra i framtiden, åtminstone vad gäller transaktioner och nya förvärv. Sektorn har definitivt blomstrat efter Covid-19 och kommer att fortsätta göra det. Om du letar efter kundinsikter, datahantering, scenarioplanering eller bara vill utforska dina möjligheter med data , skicka ett meddelande till oss och kontakta oss idag!