Як машинне навчання в ритейлі прогнозує попит та продажі: Володимир Кучканов, Data Scientist з Competera Як машинне навчання в ритейлі прогнозує попит та продажі:  Володимир Кучканов, Data Scientist з Competera

Машинне навчання в ритейлі — це алгоритм, який здатний аналізувати і прогнозувати попит і продажі на основі історичних даних мережі (так звані прецеденти). У ритейлі машинне навчання або автоматизує, або оптимізує будь-які процеси, які пов’язані з роботою роздрібних мереж. Про способи застосування, вирішення завдань великого бізнесу й підготовку до оптимізації на AI Conference Kyiv розповів Володимир Кучканов з Competera.

Володимир Кучканов — Data Scientist в компанії Competera. Вона допомагає оптимізувати ціноутворення і збільшувати прибуток великим ритейл-компаніям завдяки машинному навчанню. Раніше Володимир займався аналітикою в FMCG-компаніях, як-от Mars і Philip Morris, і входив до Європейського комітету з ціноутворення компанії Mars, Inc. Також Володимир — один із лекторів курсу Brand Management в Kyiv Academy of Media Arts.

Далі — найцікавіші тези з доповіді експерта.

Як штучний інтелект застосовується в ритейлі?

Володимир ділить завдання, які вирішує МН, на два класи:

Перший клас завдань — оптимізація процесів. АІ може працювати з ланцюгами постачань — рекомендувати, коли, скільки і в кого замовити товар, щоб постачання було безперебійним. Також завдяки АІ можна оптимізувати витрати на рекламу й маркетинг загалом. Окремо Володимир виділяє оптимізаційні завдання, які пов’язані з ціноутворенням. МН допомагає знайти оптимальні цінові рівні практично для кожного товару й кожного магазину.

Другий клас завдань — прогнозування. Машинне навчання дає можливість прогнозувати продажі або попит на певні товари. У більш широкому контексті робота алгоритму належить до бізнес-планування. Наприклад: МН прогнозує ефективність розміщення або відкриття нових магазинів.

Також МН може давати персоналізовані рекомендації — обробляти дані про кожного покупця в роздрібній мережі (без урахування ПІБ) окремо. Зважаючи на це, покупець може отримувати більш персоналізовані акції, які працюють набагато ефективніше.

А в майбутньому, вважає Володимир, це дасть можливість працювати з покупцями через віртуальних асистентів і чат-ботів.

«Автоматизована комерція — принципово нова індустрія. Вона дає можливість передбачати попит на певний товар, а також здійснювати замовлення, списання грошей та автоматичне завантаження товару. Але (насправді) це не така футуристична технологія. За даними досліджень, 80 % споживачів у Китаї не проти, щоб АІ перевіряв вміст їхнього холодильника, оперативно замовляв товари, які скоро закінчаться, а також привозив їх», — стверджує Володимир Кучканов.

Які завдання ритейлу може вирішити нейромережа

Володимир вважає, що проблема, яка наявна перед будь-яким менеджером, який приймає рішення про зміну цін — так звана непроникність майбутнього. Це ситуація, у якій ефект від рішень менеджера непомітний на продажах. На це є чотири причини:

  1. реакція попиту на зміну ціни нелінійна: є певні цінові пороги, після яких відбувається або зліт продажів, або їхнє падіння;
  2. реакція попиту багатофакторна: покупці реагують не тільки на ціну товару, а й на відносну цінову привабливість всередині бренду, категорії товарів чи в порівнянні з конкурентами;
  3. реакція попиту асинхронна: реакція на ціну проявляється протягом середнього циклу покупки товару. Якщо люди купують товар раз на місяць, то будуть реагувати на нові ціни протягом місяця;
  4. реакція попиту сильно зашумлена іншими чинниками: сезонністю, наявністю реклами тощо.

З огляду на вищезазначене, визначити вплив ціни на попит дуже складно. Тут на допомогу приходять нейромережі. Вони повинні вміти виконувати (в ідеалі) п’ять видів завдань:

  • вчитися та розумнішати з кожним днем ​​використання;
  • прогнозувати та передбачати;
  • інтегруватися в ПЗ ритейлера, інакше МН буде погано працювати і прогноз буде приходити із сильною затримкою;
  • розв’язувати завдання максимізації: які ціни треба встановити на кожен товар, щоб у сумі їхня ціна була максимальною;
  • рекомендувати довільно велику кількість варіантів цін для необмеженої кількості товарів.

Користь МН на конкретному прикладі: кейс від Foxtrot

Очікуваний результат від роботи нейромережі — автоматичне керування цінами. Як приклад Володимир презентував результат співпраці Competera з українським ритейлером Foxtrot.

Щоб почати тест, Foxtrot знадобилося кілька місяців на підготовку баз даних. Потім Competera спільно з Foxtrot вибрала 10 магазинів, у яких цінами управляла нейромережа. Протягом чотирьох тижнів алгоритм максимізував виторг, але не знизив маржинальність продуктів.

Нейромережа враховувала різні цінові та нецінові чинники: прилавкові ціни, ціни в магазинах конкурентів, інформацію про знижки, сезонність, залишки та мотивацію персоналу, яка відіграє дуже важливу роль у застосуванні цін.

Результати роботи нейромережі

Потім Competera порівняла результат з 10 магазинами, у яких Foxtrot ставив ціни звичайним методом. Вийшло ось що:

  • в магазинах, де працював АІ, за місяць виторг збільшився на 16 %, водночас у контрольній групі — на 2,4 %;
  • в групі магазинів нейромережі продажі зросли на 14 %, у контрольній групі — на 8 %.

Отже, за ключовими бізнес-показниками нейромережа перемогла експертів ритейлера.

«Якщо взяти за показник 100 % маржинальність товарів до старту тесту, то на початку роботи контрольна група «впустила» її на 50 %. Це зрозуміло: компанія проводила промо. Нейромережам цього не знадобилося, бо маржинальність у цей період просіла тільки на 1,5 %. Foxtrot підняв ціни на 2,8 % за місяць, у той час як ринок стояв на місці», — підсумовує Володимир.

З якими проблемами зіткнулися?

Проблеми створили технічні бар’єри. «Компанії довелося витратити кілька місяців на те, щоб нормалізувати свої дані. Для того, щоб алгоритм машинного навчання почав працювати, вони повинні бути в ідеальному стані», — стверджує Володимир.

Другий і важливий чинник — страх людей перед новими технологіями. Експерт згадує: «Хтось говорив: «Я все розумію, але мені страшно», — і затримував тест на тиждень. Хтось боявся натиснути кнопку просто через те, що керівник був у відпустці. Були й такі, хто заявляв: «Я 20 років працюю в ритейлі, а ви?»».

Але впровадження системи пройшло успішно, і зараз Competera працює над тим, щоб масштабувати нейромережу вже на 20 основних категоріях побутової техніки з мережі Foxtrot.

Що потрібно компанії, щоб почати роботу з нейромережею:

  1. чисті структуровані дані (як мінімум) за три роки;
  2. готовність керівництва й команди до змін, причому й тих, й інших, інакше процес буде гальмуватися;
  3. власний відділ розробки із 6–10 розробників або партнерство з технологічною компанією.
Схожі новини