Как Machine Learning повышает продажи

10 минут

Нейросети и машинное обучение в рознице: примеры использования

Крупные ритейлеры уже применяют технологии искусственного интеллекта и машинного обучения для повышения продаж. Например, интернет-магазин Wildberries использует Machine Learning для рекомендаций товаров в почтовых рассылках, а сеть «Перекресток» для анализа данных о покупателях: частоте и сумме покупок, стиле жизни, приемлемом уровне цен, любимых категориях товаров.

По данным опроса 1000 организаций по всему миру, 78% компаний внедряют машинное обучение для того, чтобы повысить операционную эффективность, 75% для увеличения лояльности клиентов, 79% для анализа данных и получения новых идей.

В статье расскажем, как технологии машинного обучения помогают офлайн и онлайн-магазинам увеличивать прибыль, кому подходят такие методики и как их внедрить в процессы ритейла.

Что такое Machine learning

Машинное обучение (Machine learning, ML) — класс методов искусственного интеллекта, позволяющих улучшить результат работы компьютеров с помощью обучения на известных данных. По сути, это способ быстрой маркировки и анализа больших массивов информации, которые не способен обработать человек.

Самообучающиеся алгоритмы обрабатывают большие объемы данных, запоминают удачные и неудачные решения, используют эту информацию в дальнейших прогнозах

Алгоритмы обучаются на исторических данных: это могут быть транзакции, история взаимодействия с клиентами, интернет-источники, информация о выручке и т. д. Набор данных, качество и продолжительность периода, за который они собраны, определяют, насколько точная модель получится в итоге.

В массиве данных алгоритм находит взаимосвязи, отслеживает, как и почему меняется влияние разных факторов на интересующий процесс. Машина видит даже неочевидные закономерности и делает это быстрее, чем команда аналитиков.

Например, в магазине несколько лет собирали информацию о покупках. Система анализирует данные и находит закономерности: как покупательский спрос зависит от сезона, появления новых товаров, акций и других факторов. На основании этого она делает прогноз: каких товаров надо закупить больше в следующем месяце, а какие никто не купит.

Сейчас технологии машинного обучения автоматизируют многие бизнес-процессы и помогают ритейлу зарабатывать деньги.

Источник

Нужно понимать, что машины не могут учиться самостоятельно, им для этого нужны качественные данные. Если информация, на основе которой обучается алгоритм, неверная, машина не сможет дать точный прогноз. При этом только 3% от всего объема информации, собираемой компаниями, можно назвать качественной. Для того чтобы нейросети правильно строили модели, нужно собирать достоверные данные, тщательно очищать их от постороннего шума и подготавливать для машинного обучения. Этап подготовки называют предпроцессингом — информацию переводят в формат, подходящий для обучения алгоритма.

Как используют машинное обучение для повышения продаж

Оптимизация цен. Алгоритм прогнозирует лучшие для ритейлера цены с учетом спроса покупателей, цен конкурентов, остатка товара на складе, сроков его хранения, дат поставки следующей партии, скорости реализации и других факторов.

Также машинное обучение используют для определения ценовой эластичности — разброса цен на товары с учетом ниши, особенностей аудитории, сезона продаж и позиции продукта в общей линейке цен.

То есть алгоритм способен рассчитать, что шкаф может стоить от 3 000 до 8 000 рублей. Зная эти границы, ритейлер определяет оптимальную стоимость товара с учетом цели. Например, если нужно извлечь из продаж максимальную прибыль, надо ставить 8 000 рублей — за большие деньги никто не купит. Надо распродать быстрее — можно продать по акции за 3 000 рублей, это позволит избавиться от товара, не уйдя в убыток.

Также важно менять цены с учетом состояния рынка. Если стоимость похожих позиций у конкурентов упала, как правило, нужно снижать расценки, чтобы товар не завалялся на складе, при этом нельзя продавать в убыток магазину. Самообучающиеся алгоритмы могут обеспечить быструю реакцию на изменения рынка и динамическое ценообразование для тысяч товарных позиций. В итоге ритейлер поддерживает нужный товарооборот без потери прибыли.

Источник

Прогноз продаж, спроса, управление ассортиментом. Алгоритм находит и измеряет все взаимосвязи между продуктами, анализирует прошлые данные о продажах, конкурентах и состоянии рынка, а затем моделирует влияние разных факторов на продажи.

Например, прогнозирует, как скидка на модель Х поменяет продажи сходных моделей, или как скажется на продажах июльская жара. Это помогает оптимизировать логистику и закупки, снизить сопутствующие расходы, не потерять клиентов.

Так, в сети Магнит использовали нейросети для анализа спроса покупателей и корректировки предложений. В результате точность прогнозирования увеличилась на 5%, что, по прогнозам экспертов, позволит магазину поднять выручку на 4 млрд рублей в год за счет снижения дефицита товаров на 2%. Еще 1 млрд рублей ритейлер может сэкономить из-за сокращения списаний товаров на 5%.

Алгоритмы машинного обучения прогнозируют покупательский спрос, то есть потребности покупателей. Это помогает составить план закупок так, чтобы в наличии всегда были позиции, нужные покупателям, актуальные в этом сезоне и приносящие прибыль магазину.

Например, в сети OTTO, использующей машинное обучение для закупки актуальных товаров, 90% завезенного ассортимента раскупают в течение 30 дней, ничего не залеживается на складе.

Кроме этого, прогноз спроса позволяет предсказать, когда в офлайн-магазин придет больше всего клиентов. Так, обувные сети «Эконика», RALF RINGER и ZENDEN применяют прогнозные алгоритмы для построения графиков персонала под поток покупателей. Вывод оптимального количества сотрудников под трафик увеличивает продажи на 6-19%.

Алгоритмы машинного обучения помогают организовать поставки нужных товаров и контролировать ассортимент

Сегментирование покупателей. В рознице разнообразный круг покупателей: они могут быть разного возраста, уровня доходов, социального статуса, интересов. Алгоритм машинного обучения работает глубже, чем обычный маркетинговый анализ, ритейлер получает более полную информацию о клиентах, может учитывать не только объем и суммы продаж, но и пол, возраст, особенности поведения.

Так, ML позволяет объединять клиентов в группы, используя неявные связи. Например, можно выделить группы «молодые мамы, которые вместе с детской обувью всегда покупают развивающие игрушки», или «люди, которые склонны к импульсивным покупкам предлагаемых доптоваров». Такую кластеризацию можно применять не только к самим клиентам, но и к группам товаров, например, найти продукты, которые часто покупают одновременно.

В «М.Видео» покупателей с помощью машинного обучения сегментируют по ценностям: практичные, амбициозные (хотят самое лучшее), семьянины, охотники за выгодой. К каждой категории нужен свой подход.

Так можно составить портреты покупателей, выяснить, какие товары они предпочитают, настроить персональные предложения, разработать программы лояльности, улучшить пользовательский опыт.

Анализ того, как именно покупают клиенты, помогает составить стратегию кросс-продаж и автоматизировать этот процесс, повысив средний чек. Кроме этого, магазин получает информацию о том, какие клиенты перспективны и могут покупать больше, а какие группы убыточны и не приносят прибыли.

Косметическая сеть «Рив Гош» тестирует Machine learning для предсказания поведения клиентов. Система выявляет участников программы лояльности, которые могут приобрести продукцию магазина в ближайшие две недели, и прогнозирует, что они купят. Затем ритейлер предлагает этим покупателям индивидуальные скидки на нужные товары. Первые результаты показали, что точность персональных рекомендаций составляет более 30%.

Оптимизация маркетинга и рекламы. Алгоритмы машинного обучения помогают повысить прибыль от маркетинговых акций — убрать ненужные промоакции и усилить работу над теми, что приносят результат. Например, они могут проанализировать предыдущие промоакции и выбрать такие комбинации «магазин/товар/величина скидки», чтобы выполнить нужную задачу: расширить рынок, увеличить прибыль или привлечь новых покупателей.

Также нейросети находят взаимосвязи между продажами и рекламными каналами, помогая оставить самые эффективные и не терять деньги на неэффективной рекламе.

Маркетологи могут точнее таргетировать рекламные кампании в интернете — показывать нужным группам пользователей те объявления, которые скорее их заинтересуют. Это увеличивает число переходов с рекламы на сайт интернет-магазина и количество заказов. Можно персонализировать email-рассылки, SMS и другие сообщения, отправляемые клиенту.

В контекстной рекламе ML помогает определять группы объявлений, клиенты с которых приносят наибольшую прибыль, и повышать для них ставки.

В торговой сети «Пятерочка» опробовали решение для кастомизации акций и спецпредложений. Система автоматически подбирает предложения, актуальные для покупателей, по обезличенным данным о прошедших акциях. В результате выявили наиболее прибыльные акции, маржинальность отдельных предложений была вдвое выше среднего показателя.

Мерчендайзинг. Анализ информации от систем видеонаблюдения помогает понять, как люди перемещаются по магазину, как расположение влияет на покупку товаров, какие прилавки и витрины вызывают наибольший интерес. Можно составлять «карты пути покупателей» по торговому залу.

Сопоставив полученные данные с наполнением полок и витрин, проводимыми акциями и другими факторами, система может определить, где лучше разместить разные группы товаров и как расставить по магазину промостенды. Это помогает увеличить прибыль и сделать процесс покупки удобнее для покупателя.

X5 Retail Group протестировала технологии видеоаналитики и компьютерного зрения, работающие на основе искусственного интеллекта и нейросетей. Так контролировали выкладку товаров, отслеживали очереди, определяли самые посещаемые отделы в магазинах. В результате на 10% сократилось количество людей, уходящих без покупок, и на 20% — потери магазинов. В сети «Карусель» после внедрения умных планограмм расстановки товаров продажи выросли на 3-8% в категории «Сопутствующие товары», на 5% — в категории «Чай и кофе» и на 10,5% — среди средств для бритья.

Пример схемы-планограммы выкладки товара. Источник

В целом прогнозирование спроса, подбор ассортимента и ценообразование с помощью ML может увеличить прибыль розничного магазина до вычета процентов и налогов (EBIT) на 2%, сократить запасы на 20% и уменьшить возвраты товаров на 2 млн в год.

Источник

Кому подходят технологии машинного обучения, и как их внедрить

Машинное обучение стоит внедрить ритейлерам с большим оборотом, которые работают на ежедневно меняющихся рынках, отслеживают информацию о тысячах покупателей, следят за ценами на тысячи товарных позиций. Чем больше выручка и оборот магазина, тем выгоднее применять алгоритмы, оптимизирующие цены и предсказывающие продажи.

Внедрить Machine learning в бизнес-процессы проще, если IT-инфраструктура базируется в облаке. Это позволяет легче масштабировать решения на региональные филиалы сети, упрощает стратегическое планирование.

Как машинное обучение помогает ритейлу повысить продажи

  1. Самообучающиеся алгоритмы могут анализировать массивы данных, которые не способен обработать человек, находить взаимосвязи между различными факторами и величиной прибыли.
  2. Машинное обучение в ритейле позволяет точнее прогнозировать спрос и продажи, сегментировать клиентов, оптимизировать маркетинг и рекламу, управлять ассортиментом.
  3. Внедрить машинное обучение стоит ритейлерам с большими годовыми оборотами или высокой маржинальностью бизнеса.
Group 40Group 44Group 43Group 46Group 41Group 27Group 42Group 39