Без долгих предисловий – что технологии машинного обучения могут дать бизнесу? Сегодня мы решили рассмотреть наиболее популярные запросы на их использование – проблемы, с которыми клиенты чаще всего обращаются, и которые хотят решить с помощью внедрения ML.
Предлагаем разобрать топ-3 технологии, которые вызывают наибольший интерес бизнеса: прогнозирование спроса, рекомендательные системы и динамическое ценообразование. А чтобы раскрыть тему глубже и интересней, мы попросили эксперта Сергея Подольского, руководителя Magrit Tech Solutions, дать оценку решениям – какие преимущества можно получить от использования, и какие подводные камни кроются в разработке и техническом внедрении.
Прогнозирование спроса
What for?
● Взвесьте мне 3 килограмма яблок.
● Ой, а у нас только 2 осталось, раскупили уже все.
Вот так быть не должно. И не будет – технологии машинного обучения не допустят. Прогнозирование спроса – важная составляющая ритейл-бизнеса. Отсутствие качественного прогноза и недостаток товара ведет к снижению продаж и потере покупателей, а избыток к лишнему затовариванию складов и магазинов. Крупные сети уже давно прогнозируют спрос на всю свою ассортиментную матрицу, в разные сезоны и с учетом различной промо-активности. Технологии машинного обучения способны анализировать исторические данные о покупках и предсказывать спрос на любые товары в онлайн и офлайн-ритейле и при этом учитывать множество дополнительных факторов, влияющих на уровень продаж.
В итоге бизнес получает измеримые результаты: рост оборачиваемости, доступность на полке, а также сокращение запасов.
Показатели производительности бизнеса растут благодаря:
● Снижению объема ручных операций;
● Сокращению времени на сбор данных;
● Исключению человеческого фактора и, как следствие, снижению количества ошибок и времени на их устранение;
● Минимизации участия собственной IT-команды;
● Оперативности прогнозирования;
● Росту точности прогнозов в процессе обучения алгоритма на вновь поступающих данных;
● Повышению точности долгосрочных прогнозов.
Все это позволяет принимать более информированные и точные управленческие решения, а также формировать более качественный план загрузки производственных мощностей, закупок и формировать результативную маркетинговую стратегию.
Алгоритм на основе ML позволит повысить доступность товаров для клиентов и при этом избежать большого количества списаний, которые влекут значительные экономические издержки для бизнеса и снижают прибыль.
Немного цифр:
можно до 10-15 % снизить количество списаний продукции;
до 15 % сократить число случаев отсутствия нужных клиенту товаров.
Сергей Подольский, руководитель Magrit Tech Solutions:
Прежде всего, нужно понять, какую существующую данная технология заменит для бизнеса, какие задачи частично или полностью она на себя возьмет. Поняв это, мы сможем точно определить ценность и пользу для бизнеса. Что еще важно? Применять любые новые технологии нужно, опережая проблемы, а не когда все начинает, что называется, трещать по швам. Зачастую коммерческие директора, руководители отдела маркетинга и аналитики выдвигают предложения, но аргументация и экономическое обоснование в виде кейсов сторонних компаний не всегда убеждают руководство и собственников. А вот мощный форс-мажор становится триггером, как правило, и заставляет метаться в поисках решения проблем, которые можно было предотвратить.
Исключение фактора внимания к деталям от сотрудников разной квалификации (а в компании всегда возможна ситуация, когда ответственный за расчеты, заказ или подготовку аналитики заболел, и данная функция размазывается на другого сотрудника дополнительной нагрузкой). Включите сюда болезни + отпуска + обучение новых сотрудников + чрезвычайные ситуации и умножайте на число людей, от которых зависит ваш бизнес более чем на 15 % – это переменные со 100 % риском в некоторые дни, случайно распределенные по году.
Возьмите одного сотрудника – специалиста на ответственной должности – и оцените его внимание как минимум за 6 месяцев работы. Он, как живой человек, имеет спады настроения, подъемы активности, реакцию на катастрофы – это время, когда он может допускать ошибки, имеющие реальную цену для компании. То, что вполне нормально для человека и ответственного сотрудника, имеет определенную стоимость для бизнеса. Ошибки в работе – не повод увольнять человека, но повод помочь ему в работе, не отрывая от рабочего процесса, дать инструменты для анализа его поля деятельности. Так есть возможность использовать знания и время сотрудника лучшим образом, перепоручив рутинные процедуры и сбор данных технологическим решениям.
Важно, что для внедрения не понадобится нанимать в штат отдельного сотрудника: компания получает имплантируемый инструмент в помощь уже имеющемуся штату и бизнесу, а не новый отдел с размытыми функциями. Так угрозы внедрению будут минимизированы со стороны «луддитских движений» внутри компании, которые всегда появляются вместе с внедрением новых технологий.
К части рисков и минусов можно отнести смену команды, которая не готова к переменам. Также, с внедрением механизмов аналитики и прогнозирования, уходит в прошлое мифический поиск сотрудников-звезд, способных на одной харизме и кураже делать фантастические сделки. Такие истории возможны лишь в плохо изученных рынках и слабо подготовленных коллективах. Для профессиональных команд, как успех, так и неудача, должны быть заложены в схему системной работы.
Чего стоит ждать при внедрении технологии, и какие риски это может повлечь?
Риски:
- Низкая точность прогноза из-за недостатка данных (текущие предикторы не могут объяснить колебания значений прогноза);
- Мало данных (минимум надо собрать данные за год);
- Изменение процессов (мало прогноз построить, им еще надо пользоваться, на его основе закупать сырье или выставлять штат). Сам по себе прогноз ничего не оптимизирует.
Плюсы:
- Оптимизация работы по построению прогнозов;
- Минимизация ошибок при принятии решений;
- Экономия денег.
Рекомендательная система
● Зеленые яблоки есть?
● Есть, а еще попробуйте вот этот новый сорт груш – пальчики оближешь!
Основная цель рекомендательных систем – это увеличение конверсии в покупку и среднего чека за счет продажи сопутствующих товаров. Рекомендательные системы, созданные на основе алгоритмов машинного обучения, призваны помочь клиенту найти из обширного ассортимента именно то, что ему нужно, предложить товары, дополняющие его покупку и подобрать альтернативу отсутствующих позиций. Покупаете сноуборд – вам обязательно нужен шлем, собрались на рыбалку с новым спиннингом – возьмите компактный и удобный складной стул.
Анализируя исторические данные алгоритм ML способен не только персонализировать рекомендации для конкретного клиента, но и сегментировать базу по конкретным признакам и предлагать товары клиентам со схожими параметрами.
Какой эффект получаем:
● Персонализируем маркетинговую активность;
● Повышаем конверсию в продажу;
● Увеличиваем средний чек покупки;
● Уменьшаем количество отказов – удерживаем клиента при отсутствии нужного товара, предлагая ему полноценные аналоги;
● Повышаем лояльность аудитории;
● Увеличиваем частотность покупок.
Немного цифр:
внедрение рекомендательных систем на сайте повышает выручку на 10 %.
Сергей Подольский:
Персонализация – это своего рода «каркас» над предполагаемым объектом. Он подразумевает чёткое позиционирование каждого изучаемого субъекта как относительно среды, в которой он находится, так и относительно других субъектов. Хорошее понимание и своего бизнеса должно начинаться с понимания своего места на рынке, объема в категории и т.д. Но в случае с клиентом, появляется шанс оценить свои механизмы алгоритмизированного понимания рынка клиента.
Преимуществом будет релевантный запросу отбор клиентов по заданным и рассчитанным параметрам. Предварительная оценка более высокой лояльности заметно снижает усилия и стоимость привлечения и повышения конверсии.
Минусом может стать отсечение интереса у аудитории, не попадающей в первичную картину клиента или у той аудитории, которая не узнает себя в клиенте. Примеры можно явно отследить по рекомендательной системе любой из социальных сетей или алгоритмов рекомендаций Youtube. Реагировать придется на то, что предложит алгоритм, а смена алгоритма уже будет проходить в ручном режиме настройки.
Чего же стоит опасаться при работе с алгоритмами машинного обучение? И какие преимущества могут перевесить страх перед нововведением в компании?
Риски:
- Логически неадекватные рекомендации, которые буду смущать клиента;
- Неиспользование разработки.
Плюсы:
- Увеличение чека, увеличение продаж, влияние на LTV клиента.
Динамическое ценообразование
How much is it?
● А яблочки почём?
● 60 рублей за килограмм.
● Ой, нет, на соседнем прилавке по 45 точно такие же, там куплю.
Сложно выдерживать конкуренцию на рынке, если не оптимизировать цену относительно этого самого рынка. Динамическое ценообразование как раз позволяет корректировать цены с учетом внутренних и внешних факторов. Алгоритм на основе машинного обучения может автоматически учитывать целый ряд параметров для этого: промо-активность конкурентов, доступность или дефицит товаров, время дня, день недели, сезон, погода, синергетический эффект внутри категории.
Для чего нужно:
● Увеличение продаж;
● Повышение маржинальности;
● Увеличение клиентской базы и повышение лояльности;
● Гибкое ценообразования для решения тактических задач;
● Интеграция в промо активность, подбор товаров-аналогов или сопутствующих товаров для удержания клиента или увеличения среднего чека;
● Автоматизация процесса ценообразования: освобождения специалистов от рутинных задач и возможность минимизировать ошибки;
● Модель динамического ценообразования можно интегрировать с системой прогнозирования спроса – увеличение эффективности бизнеса за счет синергетического эффекта.
Как измерить качество динамического ценообразование? Оценить показатели основных бизнес-метрик: количество чеков, рост оборачиваемости товаров и оптимизация маржинальности.
Немного цифр:
внедрение алгоритма на основе машинного обучения может дать до 2-3 % прироста маржинальности без снижения оборота.
Сергей Подольский:
Первой всплывает в памяти гигантская территория РФ, с ее особенностями и ценами в регионах. Безусловно, настройка регионального ценообразования для сети, например, федерального уровня. С международными компаниями, выходящими на новые рынки это будет еще более заметно, как и выход на рынок удаленного региона в рамках одной страны. В частности, запуск собственной торговой марки каждой крупной сетью требует оценки не только продажной цены, но и подбор подходящего перечня поставщиков, которые могли бы организовать на своем производстве выпуск продукции, без длительных угадываний корректного коридора цен.
Плюсом будет обнаружение дополнительной ёмкости и выбор времени для повышения цены, если аналитика подтверждает готовность в части спроса такую цену проглотить.
К минусам мы можем отнести вывод из строя налаженного механизма связей, за счёт которых можно было заводить категории товаров по ценам, не соответствующим ни спросу, ни возможностям сбыта.
Что нужно понимать, при принятии решения о внедрении алгоритма на основе машинного обучения и к чему стоить быть готовыми:
Риски:
- Возражения клиентов, кто отследил разные цены;
- Необходимость ручной корректировки динамически сформированных цен.
Плюсы:
- Рост конверсии.
Больше решений ищите на http://cnv-business.tilda.ws/