Тестовые запуски системы показали повышение точности примерно на 33%. Кроме этого, как говорят в компании "Инфосистемы Джет" (разработчики системы), ретейлер получил возможность повысить лояльность клиентов, увеличить продажи и снизить издержки на маркетинговые акции за счет адресной работы с потенциальными покупателями.
Что делает система?
Во-первых она занимается выявлением из всех держателей карт лояльности (2,6 млн человек) тех, кто потенциально может совершить покупку в ближайшие 2 недели. Далее она делает прогноз из ТОП-2 покупок по каждому такому клиенту, определяя из десятков тысяч товарных наименований конкретные позиции до уровня артикула (SKU). Эти позиции и можно порекомендовать людям.Предполагается, что такие данные помогают ретейлеру существенно повысить вероятность тех или иных продаж, своевременно предлагая скидки интересующему сегменту клиентов, а также снизить затраты на привлечение новых потенциальных покупателей. Интересно, что размер самой скидки в рамках допустимых значений система рассчитывает для каждого покупателя индивидуально.
"Мы на практике выясняем с помощью искусственного интеллекта и накопленных в программе лояльности данных личные предпочтения целевой аудитории, что дает возможность делать заказчику по-настоящему индивидуальные предложения для своих клиентов", - рассказывает директор по разработке и внедрению компании "Инфосистемы Джет" Владимир Молодых.
Как проходило тестирование?
Проект охватил более 220 торговых точек по всей России, а также интернет-магазин "Рив Гош". Полный цикл рабочего процесса с применением ML реализован всего за 1,5 месяца.Разработчики решения рассказывают, что оно использует целый комплекс методов машинного обучения, в частности градиентный бустинг, random forest, коллаборативную фильтрацию и другие.
"На первом этапе проекта математическая модель обучалась на данных, консолидированных в CRM-системе, включающих информацию о транзакциях за 2017 год, товарных позициях, товарообороте и поставках, а также историю покупки и демографические данные держателей дисконтных карт. Анализируя скрытые закономерности, ML-система выделила целевой сегмент покупателей и предсказала вероятные позиции в их чеках. Следующим этапом была произведена контрольная рассылка по требуемой категории клиентов, а затем - анализ фактических результатов (покупок)", - говорят разработчики.
Результаты тестовых испытаний
После персональных рекомендаций клиенты значительно чаще приходили за покупками. Повторные обращения в "Рив Гош" составили около 47%. При этом в среднем по клиентской базе этот показатель равен 22%. Кроме того, средний чек в этом случае оказался на 42% больше, чем у остальных покупателей.Таким образом, удалось вычленить "золотой сегмент" держателей карт лояльности. За выбранный промежуток времени они принесли компании порядка 7% дохода, составляя всего 1% от общей клиентской базы. Что важно: состав, численность и параметры этого сегмента меняются динамически, и система учитывает это в режиме реального времени.
"В сжатые сроки мы получили инструмент, который позволил заметно повысить эффективность таргетированных коммуникаций с покупателями. От этого выигрывает и компания, повышая уровень продаж, и клиенты, которые вовремя получают интересующие их предложения", - рассказывает директор по маркетингу компании "Рив Гош" Дмитрий Подолинский.В ближайших планах компании - построение отдельного Data Lake для проведения более глубокой аналитики данных, а также совершенствование системы лояльности. Также "Рив Гош" рассматривает возможность добавить неиспользуемые ранее показатели (информацию о складах, рейтинги товаров и пр.) для расширения выборки и круга решаемых задач.