Машинное обучение в ритейле: как алгоритм борется за клиента

Как решения машинного обучения и искусственного интеллекта помогают российскому ритейлу эффективно взаимодействовать с покупателями и оптимизировать работу со складскими запасами? Разбираем кейсы.

Сергей Котик, директор по развитию компании GoodsForecastСергей Котик, директор по развитию компании GoodsForecast

Мировую волну внедрения решений машинного обучения (ML) и искусственного интеллекта (ИИ) сегодня активно подхватывают и российские компании. По данным исследования «Актуальные тенденции рынка искусственного интеллекта и машинного обучения», проведенного аналитическим центром TAdviser и компанией «Инфосистемы Джет», сегодня объем рынка ИИ в России оценивается примерно в 1 млрд руб., но уже через два года он может вырасти до более чем 30 млрд руб. В сфере розничной торговли ИИ-технологии применяются наиболее активно. И это понятно: именно ритейлу приходится иметь дело с большими объемами данных, и их моментальная обработка позволяет предприятиям этой высококонкурентной отрасли существенно повысить эффективность, усиливая свои позиции на рынке.

Просчитать лояльность покупателей

Высокую эффективность решения машинного обучения в ритейле уже демонстрируют в сфере развития программ лояльности.

Например, сеть магазинов «Пятерочка» благодаря внедрению технологий ИИ довольно успешно развивает программу лояльности «ВЫРУЧАЙ-карта». Она была запущена компанией в 2017 г., и сразу встал вопрос о необходимости обработки большого объема данных об участвующих в программе клиентах: ежегодно сеть фиксирует около 4 млрд посещений. По словам представителей «Пятерочки», сейчас в их программе лояльности более 30 млн покупателей.
Искусственный интеллект в новом решении помогает удерживать лояльных клиентов и возвращать ушедших. С этой целью были разработаны алгоритмы коммуникации с учетом профиля каждого покупателя: например, чтобы вернуть клиента, ушедшего в сеть конкурента, ему делается специальное предложение. Сегодня внедренная аналитическая платформа позволяет «Пятерочке» ежемесячно делать около 40 млн персонализированных предложений, предотвращая отток клиентов.

О тестировании системы на базе ML для предсказания поведения клиентов недавно рассказала и косметическая сеть «Рив Гош». Алгоритмы решения здесь определяют, кто из держателей карт лояльности может совершить покупку в ближайшие пару недель, а затем дается прогноз о конкретных покупках по каждому из них. Учитывая эти данные, ритейлер повышает вероятность продаж, делая лояльным клиентам персональные предложения. Первые результаты тестирования показали, что точность личных товарных рекомендаций у ритейлера составляет более 30%.

Машинное обучение в ритейле: как алгоритм борется за клиента

Что клиент купит завтра?

Наряду с поддержанием лояльности покупателей, пожалуй, самые большие успехи технологии ML и ИИ делают в области прогнозирования спроса на товары и оптимизации складских запасов.

Например, недавно представители торговой сети «Магнит» сообщили, что завершили тестирование ИИ-решения для анализа спроса на товары и переходят к его внедрению. В этом случае алгоритм поможет более точно планировать количество доставляемых товаров и прогнозировать пики покупательской активности. Это позволит решить проблему нехватки ходовой продукции, при этом, по подсчетам менеджеров «Магнита», новая система позволит увеличить выручку ритейлера на 4 млрд руб., еще 1 млрд руб. компания планирует сэкономить на уменьшении списания продукции.

Ранее похожую систему прогнозирования спроса и пополнения товарных запасов внедрила X5 Retail Group в своих сетях «Карусель» и «Перекресток». Система OSA (on shelf availability) на базе технологий машинного обучения, разработанная GoodsForecast, и в сети магазинов «О’Кей» позволяет анализировать упущенные продажи. В частности, она оценивает данные из товарных чеков и приходит к выводу, что люди, скажем, вдруг перестали покупать какой-то популярный товар. Тут же анализируется причина, – чаще всего его не успели поставить на полку или доставить на склад. По словам представителей сети «О’Кей», устранение подобных ситуаций помогло увеличить оборот сети на 1%.

Источник: Форум New Retail