Как Data Science помогает увеличить продажи в ритейле

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?

1. Поставить корректную цель: для чего необходим анализ данных и какой нужен результат?

2. Определить ключевые параметры, которые необходимо контролировать (название продукта, артикул, сезонность).

3. 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.

4. Определить частоту сбора данных. Если информации не хватает, то следует отказаться от гипотезы.

5. 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.

Retail.ru