Машинное обучение для торговли. С чего начать

Торговые компании любой величины все чаще внедряют машинное обучение (ML) в свои бизнес-процессы. Технология прогнозирует закупки, подбирает оптимальные цены и позиции ассортимента. Мы поговорили с экспертами «М.Видео — Эльдорадо», Clover Group и Napoleon IT и выяснили, с чего начать внедрение машинного обучения в свой бизнес, во сколько это может обойтись и с какими сложностями предстоит столкнуться.

С чего начать внедрение ML

Для правильной работы технологии придется заняться цифровизацией процессов, убежден наш первый собеседник, Виктор Мельников, специалист по ML в Clover Group.

Возможность учиться на собранных статистических данных — это основной принцип любого искусственного интеллекта (ИИ), поэтому перед покупкой системы или созданием с нуля необходимо подготовить инструменты для сбора и обработки информации.

Специфика товара не сказывается на особенностях обучения алгоритмов. Например, для интернет-магазина корейской косметики и большого ритейлера хозяйственных товаров основными статистическими параметрами могут стать объемы закупок, география клиентов, способы оплаты и время отправки грузов. Чем более детализированная информация о передвижении товара будет в системе, тем лучше искусственный интеллект спрогнозирует его перемещения в будущем.

Быстро подготовить данные для внедрения машинного обучения в бизнес-процессы невозможно, особенно если информация собиралась хаотично: понадобится время на то, чтобы привести ее в порядок. Например, если расчеты с поставщиком проходят через «1С: Бухгалтерию», сотрудники работают с данными вручную, а остаток на складе считают в таблицах Excel.

Мы учимся для результатов, а не для отчетов

Даже с самой подробной структурой данных ИИ не принесет пользы, если его используют исключительно ради отчетности. Необходимо не только внимательно относиться к сбору статистики, но и постоянно корректировать алгоритмы и отслеживать прогнозы системы. Это позволит получать точные данные на каждом этапе использования.

Человеческий фактор против вычислительной мощности

Даже в высокоорганизованных рабочих процессах присутствует человеческий фактор. Лишний ноль в формуле или неверно переписанная вручную сумма в таблице может сбить систему с толку и пустить всю работу под откос. Бывает, что после внедрения машинного обучения работников наказывают за низкие показатели. Тогда в попытке избежать штрафов сотрудники искусственно завышают цифры, опять сбивая ИИ и понижая качество дальнейших прогнозов.

Совсем избавиться от человеческого фактора не получится, но можно максимально автоматизировать процесс сбора всех данных о бизнес-процессах. «На их подготовку для прогноза может уйти достаточно много времени», — говорит Олеся Колосовская, руководительница направления Machine learning & AI компании Napoleon IT. Для долгосрочного прогнозирования результатов понадобится собирать цикличные данные, например покупка яиц на Пасху, если речь о продуктовом ритейле. Чтобы ИИ было на чем учиться, помимо сравнения обычного дня с праздничным, нужно подождать до следующей Пасхи, — а это целый год.

Таким образом работают вообще все данные, связанные со стабильностью ассортимента, то есть с его востребованностью в определенные промежутки времени. Следовательно, если предприниматель рассчитывает на серьезную аналитику, сбор статистики для искусственного интеллекта нужно начинать не позднее, чем за год до его запуска.

Другой вариант — купить данные для обучения у компаний, которые специализируются на их предоставлении. Хардкор — покупать данные вместе с компанией, которая их собрала, вариант явно не для магазина корейской косметики.

Собственный сервер или облако

Организовать работу ML можно на собственной инфраструктуре или в облаке. Первый подход подойдет в том случае, когда есть стабильный поток данных в аналитическую систему. Например, постоянное число клиентов и фиксированный спрос на все товары позволяет производить анализ в реальном времени на своих мощностях. Если количество клиентов непостоянное, а спрос зависит, например, от времени суток, real-time анализ лучше развернуть в облаке. Это поможет сократить издержки из-за простаивания системы на спадах нагрузки, снять риск падения инфраструктуры пике, а также уйти от расходов на ее администрирование.

Предположим, мы обслуживаем магазин, в котором каждую пятницу проводится акция «Счастливые часы», когда категория товаров продается с большой скидкой. Это генерирует поток заказов и большую нагрузку на сервер. Акция идет 2–3 часа, и вместо 1000 заказов в час магазин получает 5000.

Нагрузка на инфраструктуру при таком распределении заказов в часы распродаж будет непропорционально выше обычной. Придется постоянно содержать систему, способную обслужить 5000 посетителей, хотя большую часть времени она будет работать в ⅕ своей мощности.

Использование облака экономит деньги и снижает риски падения системы под нагрузкой. Существуют готовые облачные аналитические платформы для коммерческого использования — достаточно оплатить подписку и загрузить в систему данные. Платить придется только за фактический объем используемых арендованных мощностей инфраструктуры. Облачный вариант аналитической системы проще запускается, в нем можно задействовать машинное обучение в виде готовых облачных сервисов. Строить и отлаживать собственную систему не придется.

Облачные решения легко интегрировать: все крупные провайдеры предоставляют свои API, а разработчики могут получить помощь специалистов техподдержки (Google, Amazon и Microsoft — на английском,VK Cloud (бывш. MCS) — на русском языке).

Особенности организации правильной системы ML

ML считается достаточно новой и пока не очень понятной управленцам областью в торговом бизнесе. Несмотря на это, технология уже позволяет решать вполне конкретные проблемы. К примеру, американская торговая сеть Target с ее помощью дает своим постоянным клиентам персональные рекомендации. Нейросети компании настолько хорошо справляются со своей задачей, что в 2012 году это даже привело к скандалу.

Отец несовершеннолетней девушки обратился в один из розничных магазинов Target и, тряся перед менеджером скидочными купонами на товары для беременных, которые пришли на почту его дочери, требовал объяснений. Сотрудник компании извинился и сказал, что система действительно умеет определять даже примерный срок беременности, но в этот раз, по всей видимости, просчиталась. Однако, как выяснилось позже, ошибки не было.

ML широко распространено в онлайн-ритейле для персональных рекомендаций. Его, к примеру, использует российская компания Lamoda — читайте об этом в другом нашем материале.

Машинное обучение применяется и для ряда других задач. Ведущий Data Scientist, руководитель направлений HR и финансы «М.Видео — Эльдорадо» Полина Полунина рассказала нам, что прогнозирование спроса работает для 40 тысяч позиций почти в 1000 розничных магазинах группы компаний. Алгоритмы еженедельно рассчитывают спрос с учетом географического расположения торговой точки, трафика, сезонности, а также скорости розничных продаж и потенциальных объемов самовывоза онлайн-заказов. Технология позволяет существенно оптимизировать не только сам прогноз, но и сопутствующие расходы, к примеру использование складских помещений или организацию транспортной логистики.

Облачные решения для машинного обучения в «М.Видео — Эльдорадо» не применяются, так сложилось исторически. У группы компаний давно полностью своя инфраструктура, однако, по словам Полуниной, препятствий для использования облаков для ML нет.

ML — амбициозная технология, которая в случае успешной настройки пригодится как большому ритейлеру, так и маленьким магазинам для лучшей адаптации к потребностям и запросам своих покупателей.

Ещё почитать про машинное обучение:

1. Что это вообще такое.
2. Как повышают продажи с помощью машинного обучения

Титульная иллюстрация: Анна Шныгина