НовостиМнениеЦитатыДокументыПроектыКто есть кто
»

Цифровая экономика

"Рив Гош" повышает продажи с помощью машинного обучения

© ComNews
17.05.2018

Компания "Инфосистемы Джет" разработала для сети "Рив Гош" обучаемую систему предсказания поведения покупателей на базе Machine Learning (ML).

По первым результатам тестирования точность персональных товарных рекомендаций по конкретным артикулам составила около 33%. Ритейлер получил возможность повысить лояльность клиентов, увеличить продажи и снизить издержки на маркетинговые акции за счет адресной работы с потенциальными покупателями. Проект охватил более 220 торговых точек по всей России, а также интернет-магазин "Рив Гош". Полный цикл рабочего процесса с применением ML реализован за 1,5 месяца.

По словам пресс-службы "Инфосистемы Джет", разработанное решение выполняет два ключевых сценария. Первый – выявление из всех держателей карт лояльности (2,6 миллионов человек) тех, кто потенциально может совершить покупку в ближайшие две недели. В рамках второго сценария система делает прогноз топ–2 покупок по каждому из этих клиентов, определяя из десятков тысяч товарных наименований конкретные позиции до уровня артикула (SKU). Обладая этими данными, ритейлер может повысить вероятность тех или иных продаж, своевременно предлагая скидки интересующему сегменту клиентов, а также снизить затраты на их привлечение. При этом размер самой скидки в рамках допустимых значений система рассчитывает для каждого покупателя индивидуально.

Прогностическое решение использует комплекс методов машинного обучения (градиентный бустинг, random forest, коллаборативную фильтрацию и др.). 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).

В выявленной группе клиентов повторные обращения за покупками составили около 47% (тогда как в среднем по клиентской базе этот показатель равен 22%). Кроме того, их средний чек оказался на 42% больше, чем у остальных покупателей. Таким образом, методами машинного обучения удалось определить "золотой сегмент" держателей карт лояльности. За выбранный промежуток времени они принесли компании порядка 7% дохода, составляя всего 1% от общей клиентской базы. Состав, численность и параметры данного сегмента меняются динамически, и система учитывает это в режиме реального времени.

"Применение технологий Big Data и Machine Learning открыло для нас новые перспективы в развитии взаимоотношений с клиентами и переосмыслении нашего бизнеса. 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. В настоящее время мы продолжаем развивать направление персонализированных товарных рекомендаций за счет более тесной интеграции инструментов ML в ИТ-ландшафт и бизнес-процессы. В наших ближайших планах – построение отдельного Data Lake для проведения более глубокой аналитики данных, а также совершенствование системы лояльности", – комментирует директор по маркетингу компании "Рив Гош" Дмитрий Подолинский.

Выявленные в ходе проекта закономерности дали дополнительные возможности для повышения точности математической модели и развития новых подходов в формировании персональных предложений для целевой аудитории. К нынешнему моменту "Рив Гош" совместно с "Инфосистемы Джет" рассматривает возможность добавить неиспользуемые ранее показатели (информацию о складах, рейтинги товаров и пр.) для расширения выборки и круга решаемых задач. Еще одно направление сотрудничества связано с анализом эффективности различных каналов взаимодействия с группами клиентов для оптимизации расходов на маркетинговые кампании.