AVB LabПолезный контент

Как машинное обучение увеличивает продажи

Поделиться

О машинном обучении говорят многие, из них единицы понимают, о чем идет речь, и только избранные используют его на практике. И эта технология приносит им реальные деньги, например за счет роста продаж. Разбираемся, что стоит за машинным обучением и почему ретейл возлагает на него надежды.

Пройдемся по терминам

Машинным обучением (с англ. machine learning, ML) называют направление искусственного интеллекта, представляющее собой совокупность методов анализа данных. Сложная аналитическая система использует эти данные для обучения: чем больше однотипных задач она решает, тем больше шансов, что для следующей задачи, похожей на предыдущие, она найдет верный ответ.

Можно объяснить, что такое машинное обучение, простыми словами: это когда специальная программа ищет закономерности в разных событиях и потом предугадывает другие такие же события.

Чтобы понять, как работает машинное обучение, возьмем простую задачу. Нужно спланировать поход в супермаркет так, чтобы потратить меньше времени и купить свежие продукты.

Исходными данными в этом случае будет ваш опыт предыдущих покупок в том же магазине:

  • молочная продукция появляется на полках в 8 утра;
  • ароматные булочки из собственной пекарни можно купить с 9 утра;
  • до 10 утра очередь в кассу создают те, кто предпочитает делать покупки утром;
  • после обеда в будние и выходные дни в магазине аншлаг.

Зная это, можно выбрать оптимальное время для похода за продуктами: будний день с 11 до 13 часов. Этот вывод – результат «бытового» машинного обучения, где вы побывали в роли аналитической системы.

На рисунке – машинное обучение в виде робота
Платформа для машинного обучения похожа на робота, которого «кормят» данными

Усложним задачу. Рассчитаем загрузку сотрудников крупного сервисного центра (СЦ) бытовой техники так, чтобы сэкономить на их зарплате.

Вам понадобятся данные о нагрузке на СЦ за последние пару лет: пиковые значения в разное время года, дни недели и время суток. Например, после праздников обращений может быть больше, а летом меньше (люди охотнее тратят время на путешествия). Также учитывается влияние мелких факторов, которые могут определять нагрузку в течение недели. Если внести эти данные в аналитическую систему, на выходе получится идеальный график работы инженеров и администраторов СЦ, при котором клиенты будут довольны, а вы избежите ненужных трат.

Для эффективного обучения нужны большие данные, они же биг дата (на англ. big data), – большие объемы неструктурированных данных. Чем больше данных мы передадим на анализ, тем более успешным будет обучение и тем быстрее аналитическая система научится строить причинно-следственные связи.

Также будем использовать понятие нейросети – один из видов машинного обучения, который базируется на распознавании образов. Здесь можно увидеть, как нейросеть ретуширует фото с помощью умной кисти.

Где применяется машинное обучение

Программы, которые вместо и лучше человека находят взаимосвязи и закономерности, заменяют команды специалистов, хотя по-прежнему работают под их присмотром. Как минимум программа не допустит ошибки, которую можно списать на человеческий фактор, не уйдет в отпуск и не сляжет с простудой. Правда, человек допускает ошибки при написании кода программы, и они будут каждый раз влиять на результаты анализа. Но несмотря на это, машинное обучение уже применяют для решения большого числа прикладных задач.

Пионерами в этом вопросе стали технологические гиганты Amazon, Google, Microsoft и Facebook. Зачем бизнесу машинное обучение? Например, Netflix ежегодно экономит по 1 млрд долларов благодаря мощным ML-алгоритмам, анализирующим контент на сайте. Система постоянно обучается и угадывает предпочтения пользователей, предлагая фильмы и телешоу, которые им понравятся.

На фото – рекомендации Netflix
Так выглядит блок с рекомендациями в сервисе Netflix

Машинное обучение используют для получения прямых выгод, поэтому оно востребовано в маркетинге. Нам кажется, что торговые сети хитростью навязывают третью пачку чая в подарок, а на самом деле за предложением продавца стоят результаты машинного обучения. И этот кейс не единственный в арсенале маркетологов.

Рекомендовать так, чтобы попадать точно в цель

Крупные интернет-магазины (в том числе Amazon) изучают предпочтения пользователей, которые покупают несколько товаров одновременно или совершают повторные покупки. Анализируя действия десятков тысяч клиентов, интернет-магазины предлагают им релевантные товары – те, которые с высокой вероятностью окажутся в «Корзине». Только не удивляйтесь, если после покупки смартфона тот же сайт будет еще пару месяцев склонять вас купить технику того же производителя – чехлы или карты памяти.

В рекомендательных механизмах системы машинного обучения обычно анализируется поведение клиентов в прошлом. Также учитываются демографические данные, полезность товара, текущие потребности потенциальных покупателей и другие факторы.

На фото – блок рекомендаций от Amazon
И снова персональные рекомендации, на этот раз от Amazon

Показывать рекламу, которая закрывает боли пользователей

Чем точнее рекламное объявление соответствует потребностям клиента, тем выше вероятность, что он перейдет по нему на сайт и, соответственно, принесет доход компании, разместившей рекламу. Если пользуетесь сервисами Google, любите смотреть красивые фото в Instagram или узнаете новости из Twitter, ваши действия влияют на то, какие рекламные объявления вы видите на сайте.

Формировать цены, которые стимулируют совершать покупки

Правильная цена выгодна и продавцу, и покупателю. Если покупатель обычно ищет дешевый вариант, то продавец ищет компромисс: чтобы ценник нравился клиенту и продажи принесли прибыль. С помощью машинного обучения торговые сети заранее знают, как покупатели реагируют на повышение или понижение цены на определенную группу товара. Здесь машинные алгоритмы сегментируют покупателей в зависимости от их реакции на изменение стоимости и помогают заинтересовать тех, кто с высокой вероятностью совершит покупку.

Управлять складскими запасами, не допуская перекосов

Для торговой сети с десятками тысяч наименований товаров инвентаризация, как армагеддон локального масштаба. Но для эффективных продаж важно обеспечить магазины достаточным количеством товаров в нужное время. Анализируя информацию о запасах и цепочки поставок, машинное обучение помогает предсказывать, сколько и какого товара понадобится в ближайшее время. Это хорошо работает в предпраздничные дни: за месяц до Нового года торговые сети увеличивают складские запасы деликатесов, импортных сыров и традиционных новогодних продуктов.

А за неделю-две до 14 февраля «главными героями» на прилавках становятся сладости и шампанское. Предсказать спрос на те или иные товары может и человек, но точно определить, сколько какого товара и в какое время нужно поставить на склад, под силу только интеллектуальной системе. Правда, сначала ей нужно предоставить данные о продажах и складских остатках за последние несколько лет.

На фото – склад IKEA
Машинное обучение помогает управлять запасами на складе для ежедневной и предпраздничной торговли

Выбрать место для нового магазина

Большие данные в связке с машинным обучением – это еще хорошие помощники в выборе локаций для новых торговых точек. В этом случае результаты онлайн-продаж той же торговой сети (определяют покупателей по почтовому индексу, например) совмещают с результатами работы ближайшего розничного магазина и добавляют к этой информации данные о расположенных неподалеку новостройках, бизнес-центрах, магазинах конкурентов и т. п.

Проанализировать удовлетворенность обслуживанием у конкурентов

Здесь в качестве базы данных для обучения используются отзывы и комментарии в социальных сетях. Платформа обрабатывает естественно-языковые тексты и выделяет слова с положительной или отрицательной эмоциональной окраской. Результаты анализа компания может использовать для улучшения собственного сервиса, а значит, и для повышения продаж.

Предсказать «срок жизни клиента»

Речь идет о Customer lifetime value (CLV) – ценности покупателя для бизнеса за все время взаимодействия. Чем долгосрочнее отношения ретейлера с покупателем, тем выше доход. С помощью машинного обучения прогнозируют CLV на основе предпочтений клиентов, постоянного дохода, недавних покупок, расходов в конкретных магазинах. Параллельно можно найти закономерности между портретом клиента и выбором, который он делает в торговых точках.

Компания Vanson Bourne опросила маркетологов в рамках исследования The State of Customer Lifetime Value и выяснила, что 81 % уверены в том, что непрерывный мониторинг CLV помогает увеличивать продажи.

Сократить случаи воровства и мошенничества

Из-за мошенников и воров ретейлеры несут большие убытки, и единственный шанс сократить материальные потери – быть на шаг впереди. Алгоритмы машинного обучения помогают предугадывать действия покупателей и с высокой вероятностью определять, когда те планируют что-то украсть или обмануть продавца.

Снизить расходы на кол-центр

Сэкономить время, деньги и место помогут самообучающиеся роботы. Часто клиенты торговых сетей обращаются в контакт-центры с однотипными вопросами: узнать время работы, о карте лояльности, регионах доставки и т. п. Чат-боты предоставляют необходимую информацию без помощи человека при том же уровне качества обслуживания.

На фото – чат-бот магазина швейной фурнитуры
Ретейлеры все чаще поручают чат-ботам общение с клиентами

Как насчет реальных кейсов?

Опыт компании Amazon – хрестоматийный пример использования ML для повышения продаж. Учитывая результаты аналитики, крупнейший онлайн-ретейлер предлагает покупателям те товары, которые они купят с наибольшей вероятностью. Но помимо Amazon есть много других интересных кейсов.

Например, в Японии самообучающийся робот Pepper во время общения с клиентами распознает их эмоции, чтобы затем предложить конкретные товары или услуги. Благодаря этому роботу магазин одежды Ave уже увеличил выручку на 300 %, а компания Nescafе повышает качество обслуживания в своих ресторанах.

Или вот еще пример: аналитическая платформа на базе машинного обучения IBM Watson помогает North Face предлагать клиентам лучшие варианты оснащения туристических поездок в зависимости от гендерных предпочтений, времени года и других параметров. Из 50 000 увидевших эти рекомендации 75 % (!) воспользовались ими.

Американская компания North Face, которая специализируется на продаже одежды и снаряжения для активного отдыха, одной из первых использовала интеллектуальную платформу IBM Watson, чтобы повысить розничные продажи.

В России тоже есть примеры внедрения технологий машинного обучения. Lamoda успешно справляется с наплывом заказов в «черную пятницу», заранее строя бизнес-прогнозы, используя ML для формирования рекомендаций. Таким же  инструментом пользуется сервис Bookmate, чтобы рекомендовать книги подписчикам.  Количество просмотров рекомендованных книг выросло в 2,7 раза, платных пользователей стало больше в 1,7 раза. А в «УРАЛСИБЕ» с помощью методов машинного обучения на 10 % повысили продажи потребительских кредитов.

Что нужно для старта

Чтобы начать использовать машинное обучение в ретейле, нужно решить две задачи: добыть данные и развернуть программное решение для машинного обучения. Дальше все зависит не только от технических моментов, но и способности рационально применять аналитику на практике в условиях работы торгового предприятия.

Собрать данные для анализа

Чтобы получить на выходе актуальный прогноз, способный повысить продажи, нужно собрать большой объем данных, на которых будет обучаться интеллектуальная система. 

Что это могут быть за данные:

  • Информация о покупателях: пол, социальный статус, геолокация, предполагаемый доход, предпочтения по способу оплаты и доставки, частота совершаемых ими покупок, количество товаров в «Корзине», виды купленных товаров, обсуждаемые в социальных сетях.
  • Информация о продуктах: изображения, состав, характеристики, цены и динамика изменения стоимости.
  • Информация о покупках: навигационные данные (что привело покупателя на сайт, какие действия он совершил до оформления заказа), содержимое «Корзины» и как оно менялось.
  • Дополнительная информация: результаты визуального поиска на сайте, стратегия ценообразования в компании, отзывы о работе, данные о конкурентах из соцсетей и других открытых источников.

Хорошо, если компания накопила приличный объем данных за несколько лет. Если нет, придется искать альтернативный выход, например, купить большие данные для машинного обучения у компании, которая занимается их сбором. В любом случае без big data не обойтись.

На фото – большие данные в ретейле
Чем больше вы знаете о покупателе, тем лучше справится с предсказаниями ML-платформа

Организовать работу ML-системы

Для этого понадобится собственный пул мощностей (готовность купить, развернуть и настроить его под себя) или инфраструктура со стороны. Если вы рассматриваете аналитику всерьез и надолго, лучше держать и обрабатывать данные на своем оборудовании. В другом случае можно арендовать вычислительные ресурсы в облаке. Как минимум это быстро, плюс вы сможете в любой момент разорвать договор с облачным провайдером. Но самое главное – вы будете платить только за то, что используете, не переплачивая за мощности, купленные про запас.

Может пригодиться

Если планируете развернуть аналитическую платформу и применять машинное обучение в бизнесе, используйте все интеллектуальные инструменты в комплексе, чтобы повысить продажи. Чат-боты взаимодействуют с покупателями и стимулируют их оформлять покупки онлайн или принимать решение о выборе товара. А самообучающиеся виртуальные помощники составляют персональные рекомендации на основе предыдущих действий пользователя или других покупателей с похожими предпочтениями.

Всего через два месяца после внедрения виртуального помощника клиенты компании 1-800-Flowers оформили через него 70 % заказов.

Какие ресурсы нужны для внедрения ML

Основных ресурса два – деньги и человеко-часы. Если у компании нет накопленных данных, которые можно загрузить на аналитическую платформу, их придется купить. А дальше подрядчик, который будет внедрять решение, рассчитывает объем работы в зависимости от сложности задачи, требований заказчика, загруженности другими проектами. Скорость обучения нейросети зависит от объема данных и вычислительной мощности ИТ-инфраструктуры, а качество – от самих исходных данных.

Ретейлеры понимают: мало знать, как работает машинное обучение, нужно как можно быстрее использовать его возможности на практике, чтобы не оказаться позади конкурентов. Первыми к этому пришли онлайн-магазины, но постепенно мы наблюдаем, что важность внедрения ML-платформ оценили и торговые сети в офлайне. Судя по тенденциям, сложившимся в последние пять лет, машинное обучение будет и дальше завоевывать сферу розничной торговли.

Поделиться

Tags: ,
Разработка мобильного приложения: что, зачем, в каком порядке
Кто такой проектный менеджер и почему он нужен вашему бизнесу

Другие материалы

Меню