В ритейле покупатель особенно избалован, а конкуренция среди игроков отрасли все более ужесточается, поэтому для получения высоких результатов каждому представителю этого бизнеса следует использовать все возможные IT-инструменты и технологии. Чтобы лучше понимать своего покупателя и знать, что, когда и где ему предложить, ритейлер собирает огромные массивы данных о нем. Но только лишь сбор не поможет решить эти задачи, необходимо верно обработать полученную информацию. Привычки пользователя меняются очень быстро, и каждый ритейлер старается завоевать преимущество. Здравый смысл с интуицией, конечно, полезны, но их недостаточно, чтобы делать прогнозы. И здесь на помощь ритейлерам приходит Data Science.
Фото: freepik.com
При помощи Data Science можно существенно увеличить эффективность бизнеса и его прибыль, снизить затраты и влиять на решения потребителей, если подойти к этому вопросу серьезно и поставить правильные цели.
Команда разработчиков DataLab (подразделение компании «Автомакон») реализует проекты с применением Big Data, Интернета вещей и искусственного интеллекта. Эксперты компании создают решения для ритейлеров, которые помогают им достичь поставленных целей.
Опираясь на свой опыт, в этой статье эксперты DataLab рассказывают, что такое Data Science, какие особенности стоит учесть ритейлеру при внедрении и с какими «подводными» камнями можно столкнуться.
Что такое Data Science в ритейле и зачем это бизнесу
Под Data Science (DS) понимают область на стыке статистики, математики, машинного обучения, которая охватывает все этапы работы с данными: сбор, анализ и обработку, визуализацию, извлечение необходимых для бизнеса сведений. Data Science дает преимущества для бизнеса за счет применения искусственного интеллекта (ИИ). ИИ обрабатывает разные источники информации, среди которых могут быть и история продаж по каждому покупателю, и статистика запросов в поисковых системах, и даже время присутствия в магазине.
Далее происходит анализ структурированных и неструктурированных данных для создания прогнозной модели (она помогает предсказать поведение покупателя или факторы, оказывающие существенное влияние на рост продаж), сегментация клиентов методом кластеризации, чтобы следующее взаимодействие с ними стало еще более эффективным, а также разработка рекомендательных систем и построение модели ожидаемой доходности продуктов и/или сервисов компании.
С помощью анализа данных и инструментов машинного обучения можно получить ответы на такие вопросы:
-
Какой товар и в каком количестве будет куплен в следующем месяце?
-
Как эффективнее расположить товары на полках, чтобы их купили?
-
По каким причинам покупатели не завершают оплату в интернет-магазине (проблема «брошенных корзин») и в какой момент?
-
Как направить потоки покупателей в магазине, чтобы избежать скопления в конкретном отделе, но максимально охватить все товарные группы?
-
По какому маршруту направить транспорт, чтобы сократить расходы на бензин и привезти товар точно ко времени?
Аналитика действительно может помочь «заглянуть в будущее» и дать ответы на самые разные вопросы – каким будет спрос на отдельные виды товаров или даже какие методы удержания сотрудников наиболее эффективны.
Применение Data Science в ритейле за последние годы расширилось. Алгоритмы используются:
-
в цифровой рекламе – от рекламных щитов до рекламных баннеров в поисковых системах;
-
при поиске в интернете для получения более точных результатов по запросам за короткий промежуток времени;
-
в рекомендательных системах: технологии Data Science используются для продвижения продуктов. Системы улучшают пользовательский опыт и облегчают поиск продуктов или услуг. О рекомендательных системах расскажем ниже.
Также результаты, которые получаются при применении Data Science, помогают:
-
Улучшить качество обслуживания клиентов посредством персонализации. Покупатель получает только необходимую информацию, его уровень лояльности растет, он рекомендует ритейлера другим потенциальным клиентам.
-
Повысить эффективность и оптимизацию для снижения затрат.
-
Провести автоматизацию в задачах по комплектации и перемещению товаров путем прогнозирования потребностей. Сокращаются издержки, так как склады используются более рационально, а остатки контролируются. Это особенно актуально для рынка скоропортящихся продуктов. Лучше планируются закупки, потому что предсказаны приток и отток клиентов.
-
Своевременно реагировать на изменения в поведении конкретного сегмента покупателей. Создать эффективную ценовую стратегию.
-
Увеличить посещаемость сайта и других онлайн-площадок продаж, посещаемость розничных магазинов.
-
Повысить производительность труда в решении специфических задач.
-
Автоматизировать общение с клиентом. Благодаря прогрессу машинного обучения в обработке естественного языка, распознавании и синтезе речи стало возможно автоматизировать голосовые взаимодействия. Чат-боты помогают ритейлеру разгрузить операторов и сэкономить средства – от нескольких сотен тысяч до миллионов рублей в месяц.
Для создания более эффективных моделей взаимодействия с клиентами многие ритейлеры обращаются к специалистам Data Science, которые помогают им провести эксперименты, собрать необходимую информацию, сегментировать клиентов и находить новых. Созданные на основе проведенного анализа алгоритмы определяют решающие факторы: какие причины мотивируют новых клиентов оставаться, а активных – увеличивать чек или уходить к конкурентам. Более того, алгоритмы помогают вовремя определять активности с наибольшим эффектом и влиять на клиента, используя инструменты с оптимальным бюджетом.
В случае с постоянными клиентами главная задача аналитики – с высокой точностью предсказать правильный момент, когда тот или иной товар будет необходим конкретному человеку. Для привлечения новых покупателей важны правильные и эффективные маркетинговые мероприятия, в разработке которых необходимы эконометрические модели, учитывающие множество параметров. Такие модели дают возможность прогнозировать вклад не только каждого рекламного канала в конечный результат, но и влияние внешних факторов: изменение погодных условий или загруженность трафика в определенное время.
Внедрение Data Science в отдельные бизнес-процессы также помогает заранее узнать о возможном сбое или проблемах в системах и устранить причины заранее. Например, в мобильных приложениях для курьера можно реализовать возможность передачи звукозаписи работающего двигателя для выявления и прогнозирования поломок. Для юридического департамента и бухгалтерии можно настроить проверку сканов документов, чтобы вовремя выявлять спорные моменты или отклонения в суммах.
Фото: freepik.com
Например, разработанная «Автомакон» рекомендательная система выдает покупателю наиболее релевантные товары, которые он до этого не покупал. Конверсия такой рекомендательной системы в 3–4 раза выше, чем рекомендации рандомных товаров.
Интеллектуальные системы, которые мы разрабатываем, способны помочь в управлении ассортиментом, оптимизации торговых площадей и цен, спрогнозировать оптимальное время доставки товаров, размер выручки и запасов. Также применяется предиктивная аналитика с целью создания персональных предложений покупателям для повышения их лояльности и увеличения среднего чека.
Особенности внедрения проектов Data Science
Внедрение Data Science можно сравнить с марафоном. Подробное исследование и анализ данных требуют времени и больших затрат. Ритейлеру с сетью магазинов это может обойтись в несколько миллионов рублей. При этом следует учесть риски и верно структурировать данные. По оценке Gartner, около 85% проектов в области Data Science проваливаются. Venture Beat тоже предлагают неутешительную статистику – только один из десяти проектов по внедрению искусственного интеллекта реализуется на практике.
В России уже сейчас крупнейшие ритейлеры тестируют гипотезы при помощи анализа больших данных. Для проверки конкретной гипотезы сначала определяется, какие данные нужны. Их необходимо готовить минимум 1–2 года, дополнять, структурировать в хранилище, в котором они будут готовы для работы. Data Science включает не только анализ данных, но и машинное обучение. Нейронная сеть должна постоянно обучаться, в противном случае она будет выдавать серьезные ошибки. При этом без участия человека, который формулирует гипотезу и задает переменные, понимает зависимости покупок клиентов и знает их поведение, достичь необходимых для бизнеса результатов невозможно.
Что необходимо сделать перед внедрением проектов в области Data Science?
-
Поставить корректную цель: для чего необходим анализ данных и какой нужен результат?
-
Определить ключевые параметры, которые необходимо контролировать (название продукта, артикул, сезонность).
-
Выявить влияющие факторы для проверки гипотезы и методы машинной обработки данных. Понять, что влияет на продажи того или иного товара, и выдвинуть гипотезы, которые затем будут подтверждены или опровергнуты.
-
Определить частоту сбора данных. Если информации не хватает, то следует отказаться от гипотезы.
-
Создать хранилище данных, которое даст возможность обработать все выдвинутые гипотезы.
Итого
Из-за растущей конкуренции розничная торговля все больше фокусируется на повышении эффективности процессов. Data Science помогает вывести традиционные процессы на принципиально новый уровень: прогнозирует спрос в каждой торговой точке в режиме реального времени, помогает сформировать персональные предложения для конкретного покупателя и провести эффективные промо, что позволяет ритейлеру сохранить миллиарды рублей, которые раньше расходовались из-за того, что решения были основаны не на реальных данных, а на субъективных предположениях сотрудников.
Важно начать меняться уже сейчас, чтобы в 2022 году повысить рентабельность и увеличить выручку своего бизнеса.
Если вы задумываетесь о внедрении решений на основе Data Science или у вас есть вопросы, обращайтесь за консультацией к специалистам «Автомакон». Мы разработаем для вас оптимальное решение, которое будет наиболее эффективно соответствовать потребностям вашего бизнеса.
