Как машинное обучение в ритейле прогнозирует спрос и продажи – Владимир Кучканов, Data Scientist из Competera Как машинное обучение в ритейле прогнозирует спрос и продажи – Владимир Кучканов, Data Scientist из Competera

Машинное обучение в ритейле – это алгоритм, способный анализировать и прогнозировать спрос и продажи на основе исторических данных сети (так называемые прецеденты). В ритейле машинное обучение либо автоматизирует, либо оптимизирует какие-либо процессы, связанные с работой розничных сетей. О способах применения, решенных задачах крупного бизнеса и подготовке к оптимизации на AI Conference Kyiv рассказал Владимир Кучканов из Competera.

Владимир Кучканов – Data Scientist в компании Competera, которая помогает оптимизировать ценообразование и увеличивать прибыль крупным ритейл-компаниям с помощью машинного обучения. Ранее занимался аналитикой в FMCG-компаниях, таких как Mars и Philip Morris, и входил в Европейский комитет по ценообразованию компании Mars, Inc. Также является одним из лекторов курса Brand Management в Kyiv Academy of Media Arts.

Ниже – самые интересные тезисы из доклада эксперта.

Как искусственный интеллект применяется в ритейле?

Владимир делит задачи, которые решает МО, на ldf класса.

Первый класс задач – оптимизация процессов. ИИ может работать с цепочками поставок – рекомендовать, когда, сколько и у кого заказать товар, чтобы поставка была бесперебойной. Также с помощью ИИ можно оптимизировать затраты на рекламу и маркетинг в целом. Отдельно Владимир выделяет оптимизационные задачи, связанные с ценообразованием. МО помогает найти оптимальные ценовые уровни практически для каждого товара и каждого магазина.

Второй класс задач – прогнозирование. Машинное обучение позволяет прогнозировать продажи или спрос на определенные товары. В более широком контексте работа алгоритма относится к бизнес-планированию: к примеру, МО прогнозирует эффективность размещения или открытия новых магазинов.

Также МО может давать персонализированные рекомендации – обрабатывать данные о каждом покупателе в розничной сети (без учета ФИО) отдельно. Исходя из этого, покупатель может получать более персонализированные акции, которые работают гораздо эффективней.

А в будущем, считает Владимир, это позволит работать с покупателями через виртуальных ассистентов и чат-ботов.

«Автоматизированная коммерция – принципиально новая индустрия. Она позволяет предугадывать спрос на определенный товар, а также осуществлять заказ, списание денег и автоматическую доставку товара. Но на самом деле это не такая футуристическая технология. По данным исследований, 80% потребителей в Китае не против, чтобы ИИ проверял содержимое их холодильника, оперативно дозаказывал товары, которые скоро закончатся, и привозил их», – утверждает Владимир Кучканов.

Какие задачи ритейла может решить нейросеть

Владимир считает, что проблема, которая стоит перед любым менеджером, принимающим решение об изменении цен, – так называемая непроницаемость будущего. Это ситуация, в которой эффект от решений менеджера не заметен на продажах. На это есть четыре причины:

  1. реакция спроса на изменение цены нелинейная: есть определенные ценовые пороги, после которых происходит либо взлет продаж, либо их снижение;
  2. реакция спроса многофакторная: покупатели реагируют не только на цену товара, но и на относительную ценовую привлекательность внутри бренда, категории товаров или в сравнении с конкурентами;
  3. реакция спроса асинхронная: реакция на цену проявляется в течение среднего цикла покупки товара. Если люди покупают товар раз в месяц, то будут реагировать на новые цены в течение месяца;
  4. реакция спроса сильно зашумлена другими факторами: сезонностью, наличием рекламы и т. д.

Учитывая вышеназванное, определить влияние цены на спрос очень сложно. Тут на помощь приходят нейросети. В идеале они должны уметь выполнять пять видов задач:

  • учиться и становиться умнее с каждым днем использования;
  • прогнозировать и предсказывать;
  • интегрироваться в ПО ритейлера, иначе МО будет плохо работать и прогноз будет приходить с сильной задержкой;
  • решать задачу максимизации: какие цены надо установить на каждый из товаров, чтобы в сумме их цена была максимальной;
  • рекомендовать произвольно большое количество вариантов цен для неограниченного количества товаров.

Польза МО на конкретном примере: кейс от Foxtrot

Ожидаемый результат от работы нейросети – автоматическое управление ценами. В качестве такого примера Владимир представил результат сотрудничества Competera и украинского ритейлера Foxtrot.

Чтобы начать тест, Foxtrot понадобилось несколько месяцев на подготовку баз данных. Затем Competera совместно с Foxtrot выбрала 10 магазинов, в которых ценами управляла нейросеть. В течение четырех недель алгоритм максимизировал выручку, при этом не снижая маржинальность продуктов.

Нейросеть учитывала разные ценовые и неценовые факторы: полочные цены, цены в магазинах конкурентов, информацию о скидках, сезонность, остатки и мотивацию персонала, которая играет очень важную роль в применении цен.

Результаты работы нейросети

Затем Competera сравнила результат с 10 магазинами, в которых Foxtrot ставил цены обычным методом. Получилось следующее:

  • в магазинах, где работал ИИ, за месяц выручка увеличилась на 16%, в то время как в контрольной группе – на 2,4%;
  • в группе магазинов нейросети продажи выросли на 14%, в контрольной группе – на 8%.

Следовательно, по ключевым бизнес-показателям нейросеть победила экспертов ритейлера.

«Если взять за показатель 100% маржинальности товаров до старта теста, то вначале работы контрольная группа «уронила» ее на 50%. Это понятно: компания проводила промо. Нейросетям этого не понадобилось, потому маржинальность в этот период просела только на 1,5%. Foxtrot в целом поднял цены на 2,8% за месяц, в то время как рынок стоял на месте», – подводит итог Владимир.

С какими проблемами столкнулись?

В первую очередь проблемы создали технические барьеры. «Компании пришлось потратить несколько месяцев на то, чтобы «причесать» свои данные. Чтобы алгоритм машинного обучения начал работать, они должны быть в идеальном порядке», – утверждает Владимир.

Второй и немаловажный фактор – страх людей перед новыми технологиями. Владимир вспоминает: «Кто-то говорил: „Я все понимаю, но мне страшно“ – и задерживал тест на неделю. Кто-то боялся нажать кнопку просто из-за того, что руководитель был в отпуске. Были и такие, кто заявлял: „Я 20 лет работаю в ритейле, а вы?“».

Однако внедрение системы прошло успешно, и сейчас Competera работает над тем, чтобы масштабировать нейросеть уже на 20 основных категорий бытовой техники из сети Foxtrot.

Что нужно компании, чтобы начать работу с нейросетью:

  1. чистые структурированные данные как минимум за три года;
  2. готовность руководства и команды к изменениям, причем и тех, и других, иначе процесс будет тормозиться;
  3. собственный отдел разработки из 6–10 разработчиков либо партнерство с технологической компанией.
Похожие новости