Смята се, че потребителите харчат почти $300 000 на минута, пазарувайки онлайн2 и 78% от потребителите са по-склонни да купуват от търговец на дребно, който им изпраща оферти, които са по-близки до техните интереси3. Освен това, 59% от търговците на дребно цитират липсата на познанията за потребителите като най-големия си проблем, сързан с данните. Intel работи с търговци на дребно, за да помогне за създаването на по-добро използване на big data.
Например, за да се избегнат разочаровани купувачи, за които дадена стока не е достигнала, търговците на дребно могат да предвиждат по-добре правилния продуктов микс за всеки магазин, определяйки оптимално ценообразуване и вникването в състоянието в реално време на асортимента. Със специален софтуер и инструмент за анализ, търговците на дребно могат да извличат модели от данни, да изграждане на решения със засилено емоционални и поведенческо разбиране от 360 градуса по отношение на клиента, както и намаляване на случаите на пропуснати възможности. Загубите от продажби на на стоки, които са свършили и големи отстъпки за продукти, които са в големи количества, е изчислено, че струва на търговците на дребно $818 милиарда годишно. Като се гарантира, че всеки магазин има точните продуктите, които купувачите искат и от които се нуждаят, търговците на дребно могат по-добре да гарантират, че те винаги имат подходящите продукти на разположение в точното време.
Друг начин, по който big data може да помогне на търговците на дребно е да доставя по-персонализирано преживяване при пазаруване, чрез контекстно-осъзнат маркетинг. Intel Context Aware Marketing прави дигиталните означения по-ефективни, чрез динамично променящи се реклами, показвани въз основа на възрастта и пола на човека, който гледа рекламата. Когато потребителят мине покрай дигитален знак, базиран на Intel® Core, Intel Advertising Framework технологията може да анализира информация, включително метеорологични тенденции, социални медии, както и данни за купувач на телефона, които да променят интерфейса на съдържание и данни за телефона на потребителя, за да промени съдържанието и потребителския интерфейс, за да ги направи по-релевантни и персонализирани към зрителя.
Чакането на дълги, дразнещи опашки на касите, може дори да се превърне в нещо от миналото, чрез ефективно използване на big data. Специална програма може да измери и анализира данни, включително в реално време за движението на влизане и излизане от магазина, дължината на опашката, броят на активните и отворени каси, исторически данни за транзакции, както и информация за работния график, за да предостави прогнозни препоръки за отваряне или затваряне на каси, на базата на очаквания трафик от клиенти.