Машинное обучение и eСommerce: "хайп" падает, но польза остается

Рассмотрим статистику: какой интерес машинное обучение встречает у бизнеса в eCom, чем технология может быть полезна и какие прогнозы можно построить на ближайшее время. 

ML в 2024 — всё ещё тренд? Что говорит статистика 

В 2022 году инвестиции в ИИ сократились до $104 млрд по сравнению с 2021 годом, когда на искусственный интеллект выделяли $146,8 млрд. Тем не менее, это все равно больше, чем в 2018–2020 годах — тогда инвестиции в среднем составляли $73,5 млрд. 

В 2023 году 84% компаний в мире или работали над внедрением AI/ML решений, или считали это своим главным приоритетом. По опросам Высшей школы бизнеса НИУ ВШЭ в 2023 году, 80% российских компаний уже используют или собираются использовать инструменты искусственного интеллекта в своих бизнес-процессах.

Больше всего внимания теме ИИ уделяли в начале 2023 года, но и сейчас активно внедряют технологию в бизнес-процессы. Российские компании, которые уже используют искусственный интеллект, планируют и дальше инвестировать в это направление. К 2024 году более 51% процента eCom бизнесов в мире используют искусственный интеллект и машинное обучение как минимум в одной функции. 

Такая статистика  может свидетельствовать о том, что основной пик интереса спал, но тем не менее компании видят пользу в развитии этого направления. Благодаря притоку инвестиций модели на основе искусственного интеллекта становятся более точными.

Как ML применяют в eCommerce

Машинное обучение помогает компьютерам обучаться на примерах и данных, чтобы принимать решения и выполнять рабочие задачи бизнеса. К таким задачам могут относиться оптимизация уже существующих процессов или прогнозирование спроса. Получается, что использование ML-инструментов снижает риски и повышает качество оказываемых услуг.

Какие вопросы помогает решить ML:

Увеличивает конверсию через персональные рекомендации.

Пользователь знакомится с ассортиментом чаще всего с каталога. Если магазин поймет, какие группы продуктов интересны покупателю, он сможет предложить ему именно то, что понравится. Пользователь будет задерживаться на сайте, заходить чаще и покупать больше. 

Подобрать персональные рекомендации помогает ML-модель. Она составит список индивидуально для каждого пользователя, ориентируясь на историю покупок, товары в корзине и спрос на разные позиции, выложенные на площадке. 

Такие преобразования в системе рекомендаций повышают конверсии, а, следовательно, и выручку. Так, в Авито более 50% просмотров и около 30% контактов покупателей с продавцами происходит именно со страницы рекомендаций.

Оптимизирует ценообразование.

ML-модель рассчитывает стоимость, исходя из срока годности, цен конкурентов, истории продаж, нынешнего спроса на товар, объема закупок и других факторов. В результате компания может поставить подходящую цену, самую оптимальную по ряду параметров.

Прогнозирует спрос и помогает к нему готовиться.

По опыту Riverstart, чаще бизнесу интересно использование инструментов машинного обучения для прогнозирования спроса. Модель с помощью исторических данных за последние несколько лет может оценить существующие тенденции и предсказать, в какие моменты спрос будет повышен или понижен.Так бизнес может заранее решать кадровые, логистические и другие вопросы, минимизируя издержки и колебания рынка.

Пример: международная FMCG-компания внедрила в работу ML для прогнозирования спроса. По заявлению компании, выручка увеличилась на 2%, а прибыльность маркетинговых компаний на 7%. Прогнозирование с ML позволило убрать человеческий фактор: раньше региональные менеджеры могли расходовать маркетинговый бюджет, чтобы стимулировать спрос ради выполнения собственных KPI.

Схема прогнозирования спроса с привлечением искусственного интеллекта.

Оптимизирует логистику.

Сервисы на основе машинного обучения могут автоматически просчитывать оптимальные варианты по доставке, учитывая множество параметров: расположение продавца и покупателя, вид товара, его вес и габариты, загрузку курьерских служб и прочие.

Например, компания Alibaba задалась целью — выполнять заказы на материке в течение 24 часов и в течение 72 часов по всему миру. Она не стала создавать компанию курьерской службы, а еще в 2017 году инвестировала в платформу Cainiao Smart logistic на основе AI/ML. Платформа в реальном времени подбирает продавцам самый эффективный вариант доставки на основе местоположения, габаритов товара и доступных компаний-доставщиков. В итоге компания Alibaba сообщила о снижении количества ошибок в логистике на 40% благодаря использованию платформы.

Ведет учет складских остатков. 

Во избежание ситуаций с "простоем" товаров на складах или, напротив, с недостатком продукции, можно использовать модель. Она спрогнозирует спрос на конкретный товар, используя существующие цены, текущие акции, исторические данные и другие параметры. В результате бизнес может снизить расходы на аренду, повысить доступность товаров для потребителя и упростить логистические вопросы.

Пример из опыта Riverstart —  компания-лидер в отрасли производства упаковки для товаров из пластика. Она работает на рынке со сложнопрогнозируемым спросом и регулярно сталкивается с дилеммой: согласится на внезапный крупный заказ и покупать сырье по повышенным ценам с привлечением кредитов или отказываться от заказа, теряя клиента, репутацию и доход.

Для решения этой задачи компании внедрили систему прогнозирования спроса на базе ML. За три месяца провели несколько этапов тестов системы, и в результате компания отметила, что ежемесячно стала экономить от 2 млн рублей. Эти цифры достигнуты с помощью:

• отсутствия кредитов на срочную закупку: теперь компания может планировать закупки сырья на основе прогнозов и не брать срочные кредиты;

• избавления от дополнительных непредвиденных расходов на хранение неиспользуемого сырья.

ML усиливает компании в eСommerce

Популярность ML обусловлена его эффективностью. Так, отчеты McKinsey показывают, что ИИ способствует значительному увеличению доходов в сфере управления цепями поставок, при этом респонденты часто сообщают об увеличении доходов более чем на 5%.

Как искусственный интеллект помогает снижать затраты в разных сферах бизнеса

Благодаря возможностям искусственного интеллекта компании во всех отраслях могут использовать данные и получать ценную информацию для автоматизации процессов, добавления или расширения возможностей, и принимать более правильные решения.

Хотя первоначальный ажиотаж вокруг новой и сложной технологии постепенно утихает, устойчивый интерес к ней остается. Данные опросов показывают, что все больше компаний будут внедрять машинное обучение в свою работу, чтобы оптимизировать бизнес-процессы и повысить точность прогнозов.