Актуальные тренды машинного обучения в России

Предпосылки гонки технологий в ритейле

Мы живем в эпоху 4-й промышленной революции. Промышленность основана на массовом внедрении информационных технологий, бизнес-процессы автоматизированы, искусственный интеллект берёт на себя все больше с каждым днем.

McKinsey прогнозирует, что уже через семь лет, в 2030-м году, 14% рабочей силы планеты потеряют работу. Около 400 миллионов человек будут вытеснены программами и роботами.

Официальная статистика от президента по глобальным продажам, маркетингу и операциям Microsoft Жана-Филиппа Куртуа:

«Пандемия COVID-19 форсировала интерес компаний к использованию машинного обучения. 80% компаний уже внедряют Machine Learning в свою деятельность, 56% планируют увеличить объем инвестиций в сферу ML».

Пандемия форсировала начавшуюся трансформацию, ускорила цифровизацию и переход в онлайн. Началась гонка технологий во всех сферах деятельности человечества.

В качестве примера приведу наш кейс в TeamIdea. Клиент – один из крупнейших ритейлеров автозапчастей и автотоваров в России. Бизнес был в оффлайне, решили запустить онлайн.

С началом пандемии онлайн-бизнес был небольшим. В разгар Covid-19 оффлайновые точки автозапчастей закрылись по всей стране. А клиентам все равно нужно проходить техосмотр, менять свечи и т.д. И тогда все пошли в онлайн. Были планы по достижению показателей выручки и доходности. И достигли их на 2 года раньше. Онлайн наплыв, кстати, выдержал и не пошатнулся – тут мы хорошо сработали.

Все идет по плану

Перейдем к общей картине в России. Согласно Boston Consulting Group, отечественные компании в силу объективных обстоятельств зачастую «проскакивают» определенные эволюционные этапы, ранее пройденные многими западными компаниями.

В качестве флагмана российского ИТ BCG рассматривают финтех. И с этим сложно спорить.

Обратимся к опыту крупных российских банков. Они уже прошли большую часть пути в реализации цифровых стратегий, тогда как ритейл в этом плане немного отстает. Но это играет нам на руку – умный учится на чужих ошибках.

Российская банковская отрасль за последние годы превратилась в одну из самых передовых в мире с точки зрения уровня внедрения цифровизации. И внедрение технологий AI&ML занимает не последнее место.

– Виртуальные помощники
– Персональный подход к клиенту
– Анализ рисков
– Скоринг на базе ML-моделирования
– Кибербезопасность

Вот те прикладные задачи, которые решены с применением технологий машинного обучения. Часть из них очень тесно перекликаются с потребностями ритейла: мы тоже внедряем виртуальных помощников в виде чат-ботов, топим за гиперперсонализацию и хотим уметь выявлять мошеннические схемы.

Кто повторит успех в ритейле?

Итак, ритейл следует за финтехом, образуя ИТ-компании, накапливая данные и работая с ними. Но так могут не все.

Кому в ритейле имеет смысл идти в AI&ML?

Вспомним, как работает ML. Если сильно упростить, мы берем огромный массив данных, строим модель, обучаем и развертываем приложение. Далее мы постоянно подливаем новые данные для обучения и совершенствуем результат работы приложения. Ключевой момент – эта технология, очень жадная к данным. Чем больше данных, тем лучше результат.

Рассмотрим 3 условных типа ритейлеров – малый, средний и большой бизнес.

Малый бизнес знает клиента в лицо, общается напрямую. У него нет достаточного объема данных для обработки, да ему этого и не надо. У него и так гиперперсонализация, только без искусственного интеллекта.

У среднего бизнеса с данными лучше. Но все еще далеко от того, что требуется. Все, что можно сделать – это экстраполировать. Результат при этом будет не восторг.

Есть варианты – например, использовать различные SaaS-ы. У провайдера достаточно данных, он собирает их с нескольких подобных компаний. Это уже тот объем, с которым можно работать. Т.е. ты даешь свои данные, помогая себе и соседу (что положительно, сосед помогает тебе в ответ).

И, наконец, большой бизнес. Тут есть, где развернуться. Здесь и данных достаточно, и есть понимание необходимости. К тому же, абсолютное большинство крупных ритейлеров к текущему моменту обзавелось собственной ИТ-компанией, что тоже способствует ускоренному технологическому росту и развитию.

Тренды и бренды

Покупательское поведение в России изменилось. Рынок трансформируется, клиентам приходится искать альтернативы ушедшим брендам, где-то – экономить. Брендам нужно подстраиваться и делать товарные предложения персонализированными.

Мы держим нос по ветру. Аналитики TeamIdea регулярно проводят анализ рынка и прогнозов крупных консалтинговых и рейтинговых компаний. Мы постоянно учимся, актуализируем полученную информацию.

На сегодняшний день список актуальных трендов ритейла, которые базируются на технологиях ИИ и Machine Learning, мы видим вот таким:

– Цифровые двойники клиентов, магазинов, предприятий. Этот тренд прочно укоренился в прогнозах Гартнера и живет там уже не первый год.

Это та технология, которая позволяет строить, например, точные модели каменных магазинов, круг за кругом прогнозируя обход полок клиентами и улучшая товарную выкладку. Или же, например, построить модель конечного пользователя и спрогнозировать поведение клиента в интернет-магазине с последующей оптимизацией CJM.

– Гиперперсонализация (следующий шаг после персонализации). Здесь все понятно. Персонализация, в целом, не новая тема. О ней говорят уже много лет. Гиперперсонализация – это ее естественное продолжение.

Это все более и более дискретная сегментация, которая в конечном счете стремится к индивидуальному подходу. Т.е. сегмент вырождается в группу из одного клиента. И тогда огромный ритейлер сможет выстроить диалог со своим клиентом, как если бы тот общался с личным консультантом. Т.е. мы получаем этакий привилегированный сервис без затрат и человеческого участия.

– Рекомендации на основе AI. Рекомендации нам тоже не в новинку. Но и здесь суть в деталях. Технологии искусственного интеллекта и машинного обучения позволяют сделать следующий шаг, и, вместе с гиперперсонализацией, начать предлагать клиенту наиболее актуальные для него товары в режиме реального времени.

Это позволяет избежать классической ситуации, когда клиент поискал, предположим, телевизор. Выбрал, купил, настроил и вполне счастливо смотрит сериалы. Но счастье его омрачается рекламой во всех углах его браузера, которая предлагает купить ему еще один телевизор. Спасибо, не надо.

– Реальная омниканальность. Здесь все вроде понятно. Про омниканальность говорят давно, но омниканальностью она стала недавно. До этого под нее маскировалась кроссканальность – когда у тебя есть каменные магазины, интернет-магазин с прицепленным живосайтом, колл-центр, мобильное приложение.

Все это разные каналы. Но они работают отдельно и не учитывают данные клиента других каналов. Сейчас это уже не модно – сегодня делают сквозной проникающий анализ и составляют единый профиль клиента. А дальше он уже идет в расход – строятся сегменты, выдаются актуальные рекомендации, происходят другие интересные вещи.

Не просто так сейчас часто говорят: «Большие данные – это новая нефть». И использовать их надо эффективно.

– Сложное ценообразование (включая учет эффективности промо). Здесь опять подключается гиперсегментация и индивидуальный подход.

Сейчас рынок находится на пути к формированию персональных ценовых предложений. Речь в том числе о промо. Для кого-то скидка в 10% решает, и это подтолкнет клиента к покупке. Один из ярких примеров – фуд-ритейл и скидки на скоропортящуюся продукцию.

­­– Анализ рисков и выявление мошеннических действий. Это последний, но не по значимости, пункт. Помните мем с Вовкой из тридевятого царства: «И так сойдет»?

А у меня есть клиент, который начисляет баллы на бонусную карту сразу после покупки. Понимаете, да? Это простой пример. На самом деле есть сложности, тонкости, нюансы. Но выявление мошеннических схем, в конечном итоге, здорово снижает ваши затраты и, зачастую, уменьшает репутационные риски.

Есть еще один интересный тренд, и он несколько шире, чем указанная тема. Это трансформация модели витрины и процессов продаж.

По прогнозам, всего через несколько лет каменные магазины станут играть роль витрины, где клиент знакомится с брендом, с продуктом и совершает свой выбор. При этом электронная коммерция будет играть роль первой скрипки в деле обслуживания процессов обработки и исполнения заказа.

Все перечисленные пункты готовят почву для подобного рода трансформации и способствуют ее ускорению.

Что дает ритейлу использование Machine Learning?

Здесь существует масса возможностей – мы предлагаем непрерывный анализ клиентского опыта в омниканальной или моноканальной модели бизнеса с пошаговым дроблением сегментов, на основе которых строим персональные ценовые и товарные предложения.

Для этого мы объединяем клиентов в группы с помощью ML, используя неявные связи.

Один из наших зарубежных клиентов – гипермаркет товаров для дома – получил в результате моделирования довольно интересные сегменты. Например, «молодые родители двух разнополых детей». Или «любители турпоходов среднего возраста».

Столь глубокая проработка дает возможность повысить эффективность стратегии кросс-продаж и повысить средний чек. Или предсказать будущие покупки и повысить их вероятность благодаря формированию индивидуального ценового предложения. Например, в сегменте туризма это позволило добиться повышения выручки в прошлом году по сравнению с позапрошлым почти на 20%.

Другой пример – это оптимизация процесса поиска на сайте для повышения конверсии. Сервис анализирует, что искал клиент, что он нашел, что купил. И по результатам этой цепочки производит обновление весов важности в поисковом движке.

5 правил применения AI&ML в бизнесе

Практика разработки и внедрения сервисов с применением искусственного интеллекта и машинного обучения в TeamIdea относительно молодая – первой пробой пера было создание чат-бота для одного из ритейлеров автозапчастей в 2017 г.

Вот те выводы, которые мы сделали:

– Сервис должен удовлетворять потребность бизнеса и приносить желаемый результат. Здесь все понятно. Если бизнесу это не требуется, либо продукт не приносит нужного результата, то такой продукт не нужен.

– Используйте внешние данные для более точного предсказания. Не стоит ограничиваться своими данными. В идеале стоит использовать данные партнеров, внешних площадок – например, маркетплейсов. И вообще все данные, которые получится добыть. Тогда результат будет более точным.

– Ешьте слона по кускам (двигайтесь поступательно). Не стоит строить сложные предиктивные цепочки, если вы даже не умеете обратиться к клиенту по имени в письме.

– Сервис должен помогать в принятии конкретных бизнес-решений. Идеальный прогноз не всегда приводит к эффективному решению задачи. Например, вы получили прогноз, по которому стоит продавать определенный товар по разной цене в определенной точке утром, вечером и в обед. И тогда продажи в этой точке вырастут на 0,001%. Но при этом вырастут накладные расходы, связанные с заменой ценников, постоянной актуализацией данных в системе, вырастет количество точек отказа, появятся репутационные риски. И да, вы поднимете продажи, но плата за это будет несоразмерной.

Выводы:

1) Использование ML и ИИ – это глобальный тренд, все и так к этому двигалось, но пандемия этому поспособствовала.

2) В ритейле есть четкий запрос на использование машинного обучения для цифровых двойников, гиперперсонализации, рекомендаций на основе AI, омниканальности, сложного ценообразования, анализа рисков и выявления мошеннических действий.

3) Грамотное внедрение сервисов ML способствует повышению выручки, увеличению продаж, росту конверсии, оптимизации трудозатрат.