Как машинное обучение повышает эффективность в e-commerce

Коротко о ML

Машинное обучение (ML) активно применяется в e-com для самых разных задач. Например, для автоматизации аналитики, персонализации маркетинга и клиентского сервиса, анализа покупательской активности.

Чтобы эффективно справляться с задачами ML-решения должны обучиться: они анализируют большие массивы данных, запоминают правильные алгоритмы действий в различных условиях, а затем путем проб и ошибок закрепляют нужные паттерны.

Чем больше данных есть для анализа, тем больше решений задачи могут предоставить алгоритмы. Решения постоянно тестируют: сверяют прогноз с реальными результатами за период. Сбывшиеся прогнозы становятся базой для дальнейших исследований. Постоянно самообучаясь, программы улучшают свою способность прогнозировать.

Применение ML в бизнесе

Спектр применения ML-решений довольно широк. Расскажем о четырех наиболее актуальных направлениях в e-commerce.

1. Прогнозирование спроса и объема продаж. Продажи многих категорий товаров — от продуктов питания до автомобильной химии — зависят от сезонности. Бизнесу важно учитывать этот фактор, чтобы эффективно управлять ассортиментом товаров и ценообразованием. На пике спроса покупателей не отпугнет высокая цена, а в низкий сезон для реализации товара могут потребоваться скидки. Также важно предупредить возможный дефицита товаров в сезон высокого спроса.

Нейросети могут не только предсказать популярность отдельных групп товаров, но и выстроить оптимальную модель ценообразования.

Например, сеть гипермаркетов «Ашан» создала единую платформу Big Data, чтобы строить на ее базе ML-модели — и в итоге эффективнее прогнозировать спрос на различные товары, определять оптимальную цену, точнее сегментировать клиентов и растить их лояльность. В компании ожидают, что ML-прогнозирование спроса позволит на 2% увеличить выручку и на 5% сократить излишние запасы товаров в магазинах.

2. Улучшение клиентского опыта и анализ покупательского поведения. Клиентский опыт — также в числе приоритетных направлений использования ML-решений в электронной коммерции, и сейчас компании не ограничиваются привычными чат-ботами поддержки и голосовыми помощниками.

К примеру, американская сеть Walmart запустила «виртуальную примерочную». В приложении клиент может загрузить свое фото, а искусственный интеллект покажет, как выбранный наряд будет смотреться на клиенте. Помимо удобства пользователя, такой подход позволяет оптимизировать сбор и анализ актуальной статистики о клиентских предпочтениях.

3. Персонализация рекомендаций, акций и коммуникаций. С помощью нейросетей можно улучшить рекомендательную систему и персонализировать рекламные акции и коммуникации — это помогает формировать лояльность клиентов и удерживать их. Также ML-решения помогают возвращать неактивных клиентов, сообщая им о новинках и акциях.

Например, книжный магазин Book24 отказался от массовых писем по всей клиентской базе и перешел на персонализированное общение: ML-алгоритм определяет время, в которое человек скорей всего откроет письмо, и планирует отправку на это время. После внедрения ML, открываемость рассылок повысилась на 25%, переходы по ссылкам в письме – на 20%, а конверсия в покупку выросла вдвое.

4. Оптимизация логистики и управление розницей. ML-решения помогают компаниям составлять оптимальные маршруты доставки товаров в торговые точки, оптимизировать комплектацию и сбор заказов на складах. А решения на основе компьютерного зрения могут даже фиксировать наличие товаров на полках, чтобы сотрудники своевременно их пополняли.

В оффлайн-магазинах Walmart специальные датчики и камеры фиксируют ассортимент продуктов и покупательскую активность. Если на полке образовалось свободное место или закончился товар, программа передает информацию на склад для пополнения запасов.

Что надо учитывать перед запуском ML

Как правило, ритейл не испытывает недостатка в данных для обучения ML-моделей. Нужно только корректно объединить их в датасеты, например:

— данные о заказах,

— данные о промоакциях,

— данные о поведении клиентов,

— данные о продуктах.

Но даже при наличии данных есть риск, что ML не будет экономически эффективен из-за различных факторов. Поэтому перед внедрением ML-алгоритмов вначале нужно определить показатели, которые бизнес хочет растить с их помощью. Затем важно провести эксперименты: спрогнозировать, как именно ML повлияет на рост метрик. Важно учитывать, что задачи бизнеса могут меняться — а значит модель может как потерять эффективность, так и стать убыточной.

Финальное решение о внедрении ML-системы нужно принимать, сопоставив все затраты проекта и потенциальную экономическую отдачу от него.