Andersen

Как AI и ML могут быть использованы для повышения эффективности и привлечения клиентов в ритейле

Oct 26, 2020
Blog

Несколько лет назад компания-производитель одежды Burberry уничтожила избыточных товаров на сумму порядка 28 миллионов фунтов, чем спровоцировала грандиозный скандал и потерю лояльности части целевой аудитории. Этот случай до сих пор является примером нерационального и довольно архаичного подхода к stock management — компания допустила ошибку уже на этапе производства.

Использование искусственного интеллекта и машинного обучения помогает не допускать подобных ошибок, рассчитывая объемы необходимой продукции порой с точностью до единицы и корректируя показания в реальном времени. И контроль объемов производства/закупок — лишь малая часть возможностей, которые открывают AI и ML перед производителями/ритейлерами. В этой статье мы разберем 5 наиболее популярных способов повышения эффективности и привлечения клиентов в ритейле с помощью AI и ML.

1. Персонализация рекомендуемых продуктов

Персонализация рекомендаций не только помогает продать больше товара, но и ориентирует продавца по объемам следующих поставок. Сейчас существует множество различных алгоритмов анализа действий покупателей, с последующим принятием решения по персонализированным предложениям.

Одним из наиболее успешных механизмов рекомендаций является технология, разработанная Amazon. Для предложения рекомендаций конкретному покупателю этот механизм оценивает не только его покупки и интересы, но и покупки других пользователей с похожими интересами. Для реализации этого механизма в Amazon разработали технологию item-to-item collaborative filtering. Одна из главных ее особенностей — фокус не на пользователе, а на элементе, что открывает дополнительные возможности для масштабирования.

2. Планирование цепочки поставок

Традиционно люди, ответственные за планирование поставок и управление запасами сталкивались с большим количеством неизвестных. Машинное обучение позволяет прогнозировать уровень спроса, его динамику и даже вероятность возникновения форс-мажорных ситуаций.

В первую очередь ML поможет проанализировать историю поставок и определить слабые места. Такой анализ лишен человеческого фактора и более объективен. На основе первичного анализа можно определить более популярные товары и более эффективные каналы продаж.

С появлением SKU у компаний появилось гораздо больше данных для анализа. Помимо возможности работать с большими объемами данных, ML имеет также следующие преимущества:

  • большая сегментация для более подробного анализа;
  • охват таких факторов, как рекламный ритм, рыночная каннибализация и т. д. за счет рассмотрения нескольких SKU в рамках одного исследования;
  • комбинация исторических данных и данных реального времени;
  • автоматизация заполнения баз данных с помощью компьютерного зрения.

3. Планирование маршрутов доставки

При планировании маршрутов сбор данных в реальном времени действует гораздо эффективнее и позволяет вносить корректировки на основе текущих условий. Модель ML рассчитывает оптимальный маршрут после каждого поворота, на основе нескольких переменных, таких, как погодные условия или уровень трафика.

Например, пивоваренная компания Anheuser-Busch запустила пилотную программу выстраивания маршрута доставки товара с помощью ML. Показатели оказались настолько позитивными, что вскоре Anheuser-Busch перевела на эту модель всю свою логистику в США и части Канады. Их модель учитывает переменные, изменяющиеся в реальном времени и основана на опыте водителей с самой лучшей историей поездок.

ML также помогает решить проблему “последней мили”. На завершающем этапе поставки возникает больше всего проблем, и анализ данных с помощью ML поможет разобраться в их причинах и принять меры.

4. Электронные консультанты

Машинное обучение может помочь интегрировать в виртуального консультанта всю известную о товаре информацию и обновлять данные в реальном времени. Живой консультант может не знать ответов на некоторые вопросы или не располагать актуальной информацией, виртуальный лишен таких недостатков.

Одной из компаний, запустивших такого консультанта, стала Macy’s. Виртуальный ассистент Macy’s On Call работает на AI и использует технологию Watson’s Natural Language Classifier API от IBM Watson.

Для повышения эффективности виртуальных консультантов используются нейронные сети и глубокое обучение. Постоянно обрабатывая новые данные, такие помощники со временем становятся “умнее”.

5. Оптимизация цен и акции

Преимущество ML в ценообразовании — это возможность создавать множество деревьев решений на основе различных подгрупп. После этого создается комплексная модель, способная рассчитывать максимальную цену, которая будет приемлема для определенного количества пользователей.

При анализе в расчет принимается несколько переменных:

  • размер скидки;
  • изначальная цена продукта;
  • цены конкурентов;
  • уровень конкуренции и т. д.

Динамическое ценообразование позволяет не только назначить оптимальную цену, но и эффективно масштабировать продажи.

С ростом использования машинного обучения и искусственного интеллекта, ритейлеры могут повысить эффективность и производительность, активно взаимодействуя с потребителями через цифровые и мобильные платформы. Разработка таких платформ, а также AI и ML-решений — задачи, которые следует доверять только профессионалам.

У крупных компаний достаточно ресурсов, чтобы сформировать мощное IT-подразделение, но даже они обращаются за помощью аутсорс-компаний, таких, как Andersen. Представителям малого и среднего бизнеса и вовсе выгоднее заказать разработку IT-решений сразу на аутсорсе. У нас есть опыт работы как с крупными корпорациями, так и с небольшими предприятиями и стартапами. Посмотреть все наши кейсы можно на соответствующей странице официального сайта.

Previous articleNext article