Обложка статьи «Технологии машинного обучения в реальной жизни: повышаем эффективность розничной торговли»

Технологии машинного обучения в реальной жизни: повышаем эффективность розничной торговли

На основе статьи «The Guide to Machine Learning in Retail: Applications and Use Cases»

Мария Косолапова

Мария Косолапова, руководитель агентства CNV Analytics

Технологии машинного обучения буквально взорвали технологический мир в последние годы. Решения на основе искусственного интеллекта используют везде: от приложений для прослушивания музыки до оптимизации процессов логистических компаний. Особенно часто ML используется в e-com, потому что именно там технология показала практический рост выручки компаний.

Первыми компаниями, начавшими промышленное использование технологий машинного обучения, стали гиганты рынка онлайн-торговли: Amazon, eBay и Alibaba. Они используют модели на основе машинного обучения на всех этапах работы компании от логистики и складской организации до клиентского сервиса и post-sale. Сейчас технологии распространились настолько широко, что не нужно быть лидером рынка, чтобы использовать их для увеличения выручки.

Как онлайн и оффлайн-магазинам интегрировать технологии машинного обучения, чтобы успешно анализировать и понимать действия конкурентов, увеличивать продажи и оптимизировать расходы? В этом материале подробно разберем, где и как ML могут использоваться и составим дорожную карту, которая подойдет любому бизнесу в сфере розничной торговли. Все примеры рассмотрим на основе реальных кейсов, которые можно реализовать в любой компании.

Первое, что нужно понять — все технологии машинного обучения делятся на три больших целевых направления:

  • В первую очередь увеличивают доходы.
  • В первую очередь снижают расходы (за счет оптимизации и автоматизации процессов.
  • Одновременно влияют и на доходы, и на расходы.

Мы будем рассматривать все варианты применения ML, а вы сможете испробовать их на себя и решить, какие больше подходят вашему бизнесу.

Приложения интернет-магазинов

Каталог товаров

Приложения — это самое удобное и эффективное, что придумали для коммуникации с клиентом. С учетом того, что многие меньше стали проводить времени за компьютером и все больше отдают предпочтение мобильным устройствам для доступа к сервисам и онлайн-магазинам. Сейчас практически все торговые площадки имеют собственное приложение, и клиенты предпочитают искать товары или просто просматривать ассортимент в приложении. Это просто, быстро, удобно, к тому же, хорошо оформленные и лаконичные карточки товаров в мобильных версиях показывают товар с лучшей стороны и дают полную исчерпывающую информацию о его характеристиках. Удобная навигация, качественные фото и полная хорошо структурированная информация точно «удержат» человека: создадут нужное настроение для покупки и продемонстрируют, что магазин ценит покупателя и его время.

Мобильное приложение интернет-магазина Asos

Система рекомендаций

Система рекомендаций – это инструмент увеличения продаж, который не только знаком многим, но и доказал свою эффективность. Компании, работающие в онлайн-продажах, без них, как без рук — они используют все возможности для их улучшения, которые только можно получить на основе данных об истории покупок и просмотров.

Первое и главное, что ритейл может получить с помощью системы рекомендаций, которая помогает персонализировать предложения и улучшает сервис онлайн-магазина — увеличение продаж. Если система хорошо продумана, то она ускоряет поиск и облегчает пользователям путь до интересных ему товаров и их аналогов. Нередки случаи, когда нужного товара не оказалось в наличии, а ждать клиент не хочет: система рекомендаций предложит альтернативный выбор из товаров со схожими параметрами. Клиент доволен — выручка увеличилась. В чем еще системе рекомендаций нет равных? Очень часто они выводят в поле зрения клиента товары, которые он бы никогда и не увидел. Как правило, при простой выдаче по конкретному запросу или отборе с помощью фильтров, клиент получает список, отсортированный по умолчанию по признаку «популярность». Но не всегда самые популярные товары — это именно то, что нужно покупателю. Система рекомендации способна подбирать товары максимально похожие по внешнему виду и параметрам, и она не всегда ориентируется на количество просмотров и покупок. А значит клиент сможет увидеть больше разных предложений, которые в равной степени подходят под его требования.

Мобильное приложение сервиса Wildberries и Ozon

Рекомендации успешно применяются не только для увеличения продаж в онлайн-магазинах. Они также помогают значительно повысить эффективность в e-mail маркетинге. Привлекать и удерживать клиентов можно, отправляя им письма с предложениями, собранными на основе их интересов, предпочтений и даже параметров профиля. Когда клиент видит подборку интересных ему товаров или услуг, он с большей вероятностью совершит покупку. Это удобно — все, что подходит клиенту уже собрано и ему не нужно тратить время. Рассылки помогают увеличивать продажи и сохранять лояльность клиентов, не смотря на маркетинговую активность конкурентов. Такие рассылки можно считать видом обратной связи от магазинов — они вовлекают клиента в «отношения», создают добавленную стоимость бренда и увеличивают жизненный цикл клиента.

Стратегия ценообразования

Занизили цену — упущенная прибыль, заявили слишком высокую — отпугнули и потеряли клиента. Именно поэтому оптимальное ценообразование смело можно считать одним из основных факторов, влияющих на прибыльность бизнеса. Технология машинного обучения может помочь решить задачу по трем направлениям:

  • Алгоритм ML, основанный в первую очередь на экономике, учитывает ключевые ценовые переменные и определяет стратегию автоматического ценообразования, учитывая изменения цен на рынке в реальном времени.
  • Алгоритм может оценивать адекватность установленных цен по поведению клиентов на сайте: он соотносит время проведенное на страницах просматриваемых и купленных товаров и делает вывод, за что и какие деньги клиент готов платить.
  • Алгоритм на основе машинного обучения может сравнивать цены с другими предложениями рынка. Постоянно сканируя конкурентов в сети, он собирает информацию об изменениях цен за разные периоды времени по аналогичным товарам.Также он может отслеживать акции и специальные предложения по заданным параметрам, чтобы вы смогли скорректировать свою маркетинговую стратегию при необходимости. Причем собирать он может любые данные в привязке к ценам: сезонность, события, влияющие на продажи конкретных товаров, рыночный спрос и предложение. Полученная информация помогает автоматической системе ценообразования эффективно регулировать цены относительно рынка.

Визуальный поиск

Многие клиенты выбирают и покупают что называется «глазами». Визуальный контент очень сильно влияет на интерес клиентов к продукту и уровень продаж. Часто именно он становится решающим аргументом для совершения покупки. Как правило, клиент уже представляет себе, как должно выглядеть то, что он ищет и выбирает то, что соответствует его визуальным ожиданиям. Он задает определенные параметры в системе фильтрации, но список товаров все равно оценивает визуально. В некоторых случаях покупатели легко находят то, что им нужно. Но бывает и противоположная ситуация: покупателю нужен, к примеру, синий свитер (на самом деле нет). А в каталоге товаров найти то, что ему нужно можно по запросу синий джемпер. Некорректный поисковый запрос при ведет к тому, что клиент просто не найдет то, что ему нужно и расстроенный уйдет без покупки. И хорошо, если вернется еще раз. В данной ситуации основная цель визуального поиска – упростить для клиентов нахождение необходимых товаров вне зависимости от того, знает ли он как они правильно называются.

Пользователи смогут не вбивать в поиск запросы, а просто загрузить изображение нужного товара, что сузит выдачу до подходящей выборки. Можно добиться очень высокой точности, если использовать алгоритмы машинного обучения, привязывающие  изображений к конкретному описанию и параметрам.

Изображение: www.digitalinformationworld.com

Компании Microsoft, Google или eBay в 2017 году представили Bing Visual Search, Google Lens и Image Search – онлайн-сервисы поиска визуального контента. Подобные технологии используют и в сфере онлайн торговли. Например, Pinterest представила Lens Your Look. Это визуальная поисковая система, которая позволяет находить идеи образов на основе вашего гардероба. Как это работает? Вы просто загружаете фото конкретных вещей (которые у вас уже есть) в визуальный поиск, а система выдает вам идеи образов с ними. Все вещи из лука, собранного виртуальным стилистом, конечно, можно приобрести и больше не переживать на тему, что с чем носить.

Что нужно для начала?

Данные – вот с чего стоит начинать. Качественно собранные, достоверные и разнообразные. Исторический горизонт сбора – в идеале от одного года до трех лет. Для описанных выше моделей потребуются: информация о продуктах, их параметрах и характеристиках, о клиентах (социально-демографические данные, история покупок и предпочтений) и покупках (частотность, популярные товары, сочетания товаров в корзине покупок).

  • Разработка системы рекомендаций. Что потребуется для разработки модели ML? Данные о покупателях: покупки, история поиска, время просмотра товаров. Данные о товарах: описание, характеристики, цены, изображения в карточке товара.
  • Стратегия ценообразования. Что потребуется для разработки модели ML? Данные о клиентах: история поиска и покупок. Данные о конкурентах: конкурентное поле (какие бренды в нем), сайты конкурентов и их социальные сети. Данные о продуктах: цены, описание, точные характеристики для сравнения. Внешние данные: если на рост или снижение цены влияют какие-либо события (вы продаете сувенирную продукцию с символикой города, и намечается крупный фестиваль; вы продаете зонты, а главный метеоролог региона предсказывает аномально дождливое лето), то нам обязательно нужно их учитывать.
  • Визуальный поиск. Что потребуется для разработки модели ML? Данные о продуктах: изображения, описания, точные характеристики.

Даже если у вас пока нет части данных — это не повод отказываться от возможностей, которые дают технологии машинного обучения. Недостающую информацию при необходимости можно получить с помощью парсинга открытых данных в сети. Если говорить об объеме необходимых данных, то большое количество данных даст лучший результат, но и небольшие наборы достоверных данных будут эффективны.

Прогнозирование поведения клиента

Работа по прогнозированию поведения клиентов — это не только наука, но и искусство. Системы прогнозирования поведения потребителей позволяют анализировать исторические данные и на их основе предсказывать действия в будущем. Модель проанализирует поведение клиентов, сегментирует их и на основе полученных паттернов предложит эффективные персональные предложения. Сравнив поведение клиентов между собой, алгоритм предположит, что клиентам с одинаковыми действиями могут понравится одни и те же товары и с высокой вероятностью будет прав. Такой индивидуальный подход позволяет удерживать аудиторию и значительно повышает ее лояльность.

Одной из базовых функций прогнозирования является возможность предсказывать совершение покупок. Например, мы можем узнать, какие клиенты совершат покупки в ближайшую неделю. А более глубокая аналитика даже подскажет, какие предложения можно отправить им в рассылке, чтобы покупка точно состоялась.

Прогнозирование клиентских потребностей достаточно сложная задача. Алгоритмы машинного обучения помогут вам предугадывать их и сделать предложения с высокой конверсией в покупку.

Что нужно для начала?

Для построения прогностической модели в первую очередь нужны данные о поведении клиентов. Вам понадобится история покупок, их тенденция, анализ поведения на сайте, история поиска, просмотра, данные об отложенных товарах и действиях в социальных сетях.

Как часто клиенты совершают покупки? Они делают это по полной стоимости или откладывают товар с настройкой уведомления об изменении цены, ожидая скидок? Каков обычно состав их корзины и покупки – они покупают товары по отдельности или сразу по несколько позиций? Что они покупают сейчас? Какие у них интересы: о чем они пишут в социальных сетях, какие места посещают, в какие сообщества вступают? Используя все многообразие доступной информации о клиентах, можно построить более точную модель прогнозирования их поведения. И, не менее важно, чтобы ритейл использовал именно свой опыт для более точной настройки модели.

Социальные медиа: новый рынок

Сегодня сложно спорить с тем, что социальные сети стали весомой, самостоятельной и успешной площадкой для продвижения и продаж. Которые иногда дают более высокую эффективность по сравнению с классическими каналами продвижения, привлечения клиентов и продаж. Помимо этого социальные сети стали источником большого объема данных — их можно и нужно мониторить с помощью технологии машинного обучения. Что стимулирует пользователя совершить покупку, откуда идет трафик, какие доходы у потребителей и уровень продаж у конкурентов — все это можно отследить и проанализировать. Полученная информация поможет оптимизировать собственные каналы продаж, ориентируясь на те, где есть нужная аудитория, выбирать лучшее время для рассылок и создавать действительно продающий контент.

Анализом информационного поля бренда сегодня уже никого не удивишь. Существуют специальные сервисы, собирающие все упоминания о компании. При качественной настройке они дают возможность вовремя реагировать на упоминания в сети, отслеживать и минимизировать негатив, улучшая свой сервис и взаимодействие с клиентом. Эта же технология позволяет быть в курсе стратегии и новых креативов конкурентов. Держите руку на пульсе, чтобы не отставать.

Виртуальные помощники и чат-боты

Чат-боты стали отличным помощником не только клиентам, но и самому бизнесу. Они помогают выяснить потребность клиента и помогают ее удовлетворить без привлечения сотрудников компании. А также принимают заказы и оплату, предоставляют необходимую пользователю информацию. Виртуальный собеседник взаимодействует с клиентами и имитирует общение, приближая их к совершению покупки.

Также хорошие боты могут обеспечить добавленную стоимость, используя различные виды мотивации клиентов к совершению дополнительных покупок, персонализируют общение с ними и помогают упростить и улучшить поиск товаров по каталогу. При этом, они помогают сотрудникам выбраться из рутины постоянного консультирования клиентов и высвобождают время для решения других задач.

С помощью алгоритма машинного обучения можно создать умного помощника, который будет подражать продавцу и поможет найти именно то, что нужно клиенту. Например, отличным примером является помощник магазина цветов и подарков 1-800-Flowers.com. Клиент предоставляет информацию о получателе презента, и помощник подбирает подарок по параметрам, ориентируясь на исторические данные покупок для аналогичных запросов.

Изображение: www.newsday.com

Виртуальных консультантов можно и нужно использовать в качестве инструмента повышения продаж. Только за два первых месяца использования бота 70 % онлайн-заказов на 1-800-Flowers.com были выполнены через него.

Что нужно для начала?

Чтобы создать эффективного виртуального помощника вам потребуется следующий набор данных: примеры разговоров, информация о клиентах и их истории покупок, а также полный каталог продуктов, который представлен в магазине.

Решений для повышения эффективности современного онлайн и оффлайн-ритейла любого масштаба — множество. Практически любую проблему бизнеса сегодня можно решить с помощью работы с данными. И все они будут направлены в первую очередь на повышение показателей эффективности и прибыль компании.

Хинт для программистов: если зарегистрируетесь на соревнования Huawei Honor Cup, бесплатно получите доступ к онлайн-школе для участников. Можно прокачаться по разным навыкам и выиграть призы в самом соревновании.

Перейти к регистрации