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.
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.
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.
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.
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%.
В сети OTTO, использующей машинное обучение для закупки актуальных товаров, 90% завезенного ассортимента раскупают в течение 30 дней, ничего не залеживается на складе.
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%.
Сегментирование покупателей
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.
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.
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.
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.
В целом прогнозирование спроса, подбор ассортимента и ценообразование с помощью ML может увеличить прибыль розничного магазина до вычета процентов и налогов (BIT) на 2%, сократить запасы на 20% и уменьшить возвраты товаров на 2 млн в год.
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.
Автор: Екатерина Кушнир
Полная версия статьи: https://mcs.mail.ru/blog/kak-machine-learning-povyshaet-prodazhi/
