Экономическая ситуация последней пары лет сказалась на российской отрасли ритейла не лучшим образом: снизилась покупательская активность, уменьшился спрос на дорогие товары, сократились ежемесячные обороты ритейлеров. Если торговое предприятие не планирует сокращать масштабы своей деятельности, ему нужно искать способы привлечения клиентов. Для этого придется внимательнее присматриваться к потребностям и запросам покупателей, своевременно реагировать на изменения потребительского поведения, а также оптимизировать производственные процессы для повышения оборачиваемости товаров и уменьшения операционных затрат.

На данный момент в распоряжении крупных ритейлеров находятся огромные массивы данных о клиентах и покупках. Анализируя эти данные, можно найти пути решения указанных задач. Однако экспертам-аналитикам процедуры анализа сотен и тысяч показателей могут показаться пугающе длительными и трудоемкими, если вообще осуществимыми. И тут на помощь приходят технологии машинного обучения.

Читайте также: Работа с постоянными клиентами: общие правила и индивидуальный подход

Машинное обучение (Machine Learning, ML) – класс математических методов, способных моделировать виды человеческой деятельности, которые традиционно считаются интеллектуальными. При этом, в отличие от человека, алгоритмы и модели ML могут обрабатывать огромные объемы данных, выявляя различные, в том числе неочевидные, закономерности – в динамике спроса, интересах потребителей, покупательской активности. И делают они это на порядки быстрее, чем любая команда аналитиков. Более того, чем больше данных подается на вход, тем точнее результат.

Омниканальный подход

Технологии ML будут более эффективны, если торговая компания уже реализовала у себя омниканальную модель взаимодействия с клиентами. Сегодня омниканальность – мировой тренд в розничной торговле. Но, хотя этот термин у всех «на слуху», следует уточнить его смысл.

Практически все ритейлеры взаимодействуют с покупателями по нескольким разным каналам: через торговые точки, web-сайты, мобильные приложения, SMS-информирование, рекламные кампании и т.д. Но, если у компании имеется несколько изолированных информационных систем, поддерживающих разные каналы взаимодействия, это еще не омниканальность.

Об омниканальности можно говорить, когда различные каналы взаимодействия с покупателями интегрируются между собой и в любом из них можно использовать данные, полученные через другой. В этом случае становится возможным, например, определить в посетителе интернет-магазина человека, который только что получил информационную рассылку, или в посетителе торгового зала – потенциального покупателя, изучавшего конкретный товар на сайте. И, соответственно, сделать ему адресное предложение, которое с высокой долей вероятности попадет в цель.

На базе омниканальности реализуется, например, следующий бизнес-кейс, который набирает популярность в среде западных ритейлеров. Пользователь мобильного устройства выбирает товар в интернет-магазине, но, прежде чем решиться на покупку, хочет посмотреть на него вживую. Придя в торговый центр, он, скорее всего, подключится к бесплатной сети Wi-Fi – и будет опознан магазином как владелец устройства, с которого велся поиск конкретного товара. На мобильное устройство высылается сообщение с предложением купить данный товар на льготных условиях (со скидкой, в рассрочку и т.п.). Как правило, такого рода персонализированные предложения находят отклик и делают покупателя более лояльным к торговой сети.

Внедрение омниканальной модели предполагает создание единого хранилища данных, в котором собираются данные о клиентах, товарах и транзакциях из всех информационных систем: CRM, web-сайта, чекового хранилища, ERP и т.д. Наличие такого «единого источника правды» дает возможность полнее раскрыть потенциал каждого из каналов продвижения и продажи товаров и одновременно увеличивает эффективность применения ML. Для расширения прогнозного потенциала алгоритмов ML можно дополнить данные из корпоративных систем данными из внешних источников, в первую очередь, социальных сетей.

Машинное обучение в работе

Математические алгоритмы и модели на их основе дают возможность точнее определять предпочтения клиентов, их готовность к покупке и с учетом этого разрабатывать персонализированные предложения. Не меньшую пользу они способны принести для оптимизации бизнес-процессов. Повышение отдачи от маркетинговых акций, повышение конверсии (отношения числа посетителей торговой точки к числу совершенных покупок), оптимизация товарных запасов, товарной логистики – вот далеко не полный перечень задач, для решения которых эффективен такой инструмент, как машинное обучение. Рассмотрим несколько кейсов.

Маркетинговое таргетирование

Традиционно сегментацией клиентских баз занимались маркетинговые аналитики, руководствуясь неким набором формальных критериев (пол, возраст, наличие детей, место проживания и т.п.). Но объем данных о клиентах, которыми сегодня располагают ритейлеры, намного больше того списка параметров, с которым можно работать традиционными методами.

Алгоритмы ML позволяют объединять клиентов в группы (кластеры), используя неявные связи. Причем эти связи машина находит самостоятельно, анализируя огромное количество признаков – для человека такая задача непосильна из-за объема данных и скорости их поступления. Машина может сформировать, например, такие кластеры, как «Молодые мамы, которые, покупая одежду для маленьких детей, приобретают также развивающие игрушки», «Люди, покупавшие N или более товаров по акции 2+1» и т.д. Кластеризация может применяться не только к самим клиентам, но и к товарным группам  (например, «Группа игрушек, которые чаще всего покупаются одновременно»).

Другой вариант сегментации позволяет формировать группы клиентов, используя информацию об их поведении – на web-сайте, в соцсетях и т.д. Так можно, например, выявить группы клиентов со схожими интересами, склонных к импульсивным покупкам или, наоборот, настроенных на продолжительный выбор и сравнение товаров.

Таким образом, алгоритмы ML позволяют формировать рекомендации как для клиентов (увеличивая апсейл и кросс-продажи), так и для менеджеров (которые получают возможность принимать решения с учетом контекста поведения клиентов и тенденций спроса). Эффект достигается за счет увеличения среднего чека при онлайн- и офлайн-продажах, оптимизации размещения товара, повышения точности прогнозов продаж и пополнения.

Пилотная реализация такого решения у одного из крупных российских непродовольственных ритейлеров дала увеличение размера среднего чека на 20%, а конверсии в онлайн-магазине – на 15%. При этом точность прогнозирования эффекта от маркетинговых акций увеличилась на 30% по сравнению с классическим линейным прогнозированием.

Управление товарными запасами

Своевременное пополнение складских запасов товарами нужных категорий позволяет магазину в любой момент быть готовым к удовлетворению покупательского спроса. Товара всегда должно быть достаточно, но не должны образовываться излишки.

Ритейлеры стремятся автоматизировать процессы управления товарными запасами, используя информацию из ERP и систем управления торговлей. Однако эти рекомендации по закупкам формируются исходя из накопленной статистики продаж. Подобные правила обладают невысокой прогностической точностью, поскольку практически не учитывают внешних факторов. Кроме того, они быстро устаревают – эксперты просто не успевают обновлять параметры сотен и тысяч позиций, которые необходимо учитывать при анализе.

В то же время модели ML учитывают множество внешних и внутренних факторов, влияющих на продажи, используют исторические данные по разным товарным позициям и группам. А самообучаемые алгоритмы избавляют от необходимости актуализировать правила анализа вручную. Модели ML позволяют достаточно точно прогнозировать объемы продаж и формировать рекомендации по пополнению складских запасов, а также сразу (автоматически) делать заказы. Важно то, что подобные модели являются самообучаемыми: в отличие от методов линейного прогнозирования и экспертного задания правил они требуют минимального участия человека. Как следствие, не только повышается точность прогноза потребности в товаре, но и уменьшается объем ручного труда менеджеров компании.

О бизнес-эффекте применения ML для управления товарными запасами позволяет судить пример сети ОТТО, в которой 90% завезенных в магазины товаров раскупаются в течение 30 дней.  У другого крупного ритейлера прогнозирование потребности в товарах на основе машинного обучения позволило почти вдвое уменьшить количество случаев out-of-stock – фактического отсутствия в магазине товара, который заявлен как имеющийся в наличии.

Оптимизация ценообразования

Одно из важных направлений использования ML в ритейле – динамическое ценообразование. Алгоритм машинного обучения может учитывать множество ценовых переменных, таких как сезонность, спрос, предложение, и определять границы ценовой эластичности для каждой товарной позиции. Знание этих границ позволяет находить оптимальную цену для товара с учетом целевых показателей, например, оптимизации прибыли или дохода.

Поскольку алгоритмы способны самообучаться, они легко адаптируются к изменениям на рынке. Они могут обеспечить динамическое ценообразование для тысяч товарных позиций SKU, позволяя ритейлеру ускорить оборот товаров, оставаясь прибыльным. По оценкам Forrester Research, ПО для оптимизации цен повышает валовую прибыль на 10%, а динамическое ценообразование с использованием технологий ML повышает прибыль среднем на 25%.

Оптимизация размещения товаров

Один из способов более активно вовлекать посетителей в процесс покупки в офлайн-магазинах связан и использованием Bluetoooth-маячков, расставленных по торговым залам. В мире есть примеры их применения для навигации покупателей, обладающих персональными устройствами с поддержкой Bluetooth, и оказании помощи в поиске подходящего товара. Другое применение этой технологии – сбор информации о перемещениях клиента по торговым залам. Анализируя эту информацию с помощью алгоритмов ML, можно получить картину посещаемости разных отделов, определить прилавки и витрины, которые вызывают наибольший интерес покупателей, или те, у которых посетители вообще не задерживаются. Сопоставление полученной картины с наполнением прилавков в соответствующий отрезок времени, проводимыми акциями и другими факторами, поможет найти оптимальный вариант размещения товаров, промо-стендов и т.д.   

Снижение затрат на хранение заказов

В проекте для сетевого ритейлера технологии ML используются для прогнозирования выкупа корзин, сформированных в интернет-магазине. Подборка товаров для доставки либо хранение заказа в пункте самовывоза – это расходы, которые несет магазин. Сокращение таких расходов в масштабах крупной сети оборачивается весьма значительными суммами экономии.

Анализируя большие массивы данных о клиентах, их потребительском поведении и различных внешних факторах, ритейлер получил возможность определять те заказы, которые с высокой долей вероятности не будут выкуплены при существующих условиях. Следующим шагом стала проработка самообучаемой модели для реализации программы лояльности, которая, в частности, направлена на адресное стимулирование заказчиков к выкупу корзины. Имея «электронного помощника» в виде машинной модели, ритейлер увеличивает продажи и снижает накладные расходы, а также нагрузку на сотрудников склада и службы доставки.

***

Приведенный список бизнес-кейсов – отнюдь не исчерпывающий. Увеличение кросс-продаж, запуск дополнительных востребованных сервисов, повышение лояльности клиентов и их удовлетворенности качеством обслуживания, а также решение многих неспецифических задач, таких как оптимизация деятельности HR-службы или борьба с мошенничеством – все эти задачи успешно решаются с помощью технологий машинного обучения.

Автор: Дмитрий Кулагин