Актуальные тренды машинного обучения в России

Актуальные тренды машинного обучения в России

Виктория Шаймарданова
Виктория Шаймарданова 10 мин.

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.
retail-tech23-shaimardanova1

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.
retail-tech23-shaimardanova2

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.
Виктория Шаймарданова
Виктория Шаймарданова 10 мин.

Читайте также

мужчина несет коробки

Почему видимость и контроль становятся ключевыми факторами успешного управления.

мужчина несет коробки

Как технологии искусственного интеллекта на периферии меняют подход к обработке данных.

мужчина несет коробки

Как цифровые решения помогают бизнесу справляться с вызовами современности.

мужчина несет коробки

Как инновационные технологии помогают устранить пробелы в ритейле.

мужчина несет коробки

Какие шаги предпринимает отрасль для развития и независимости в новых условиях.

мужчина несет коробки

Автоматизированный склад: как повысить эффективность производства

мужчина несет коробки

Как искусственный интеллект помогает развиваться бизнесу в России?

мужчина несет коробки

Как защитить бизнес от уязвимости ПО.

мужчина несет коробки

Цифровизация ритейла в 2024 году: актуальные тренды и прогнозы на будущее

мужчина несет коробки

Как цифровизация меняет промышленность: экспертное мнение

мужчина несет коробки

«Мосгоргеотрест» начал цифровизацию производственных процессов на базе ELMA365

мужчина несет коробки

Цифровизация в промышленности России: анализ текущих тенденций от TAdviser

мужчина несет коробки

Перспективы цифровизации в промышленности: мнения экспертов

мужчина несет коробки

Подборка лучших инструментов для тестирования сайтов и ПО

мужчина несет коробки

Как ИИ влияет на интернет-безопасность

мужчина несет коробки

TeamIdea займется внедрением «Гармонии MDM»

мужчина несет коробки

TeamIdea предложит рынку платформу бизнес-аналитики «Дельта BI»

мужчина несет коробки

“Машинное обучение позволяет нам вывести персонализацию на новый уровень”, – Виктория Шаймарданова, TeamIdea

мужчина несет коробки

Teamldea и ЛАНИТ подписали партнёрское соглашение

мужчина несет коробки

«О’КЕЙ» автоматизирует распределительные центры с помощью SAP EWM

Начнем вашу историю успеха?

Мы готовы предложить эффективные цифровые решения для устойчивого роста бизнеса. Напишите нам, чтобы начать работу над вашим проектом уже сегодня.

Имя
Заполните поле
Должность
Заполните поле
Сайт компании
Заполните поле
Электронная почта
Некорректный Email
Контактный телефон
Некорректный номер телефона
Сообщение

Продолжая, вы принимаете условия политики обработки персональных данных