Технологии анализа данных для ритейла

В сфере ритейла есть широкий спектр задач, которые можно решить с помощью технологий анализа данных. Представим вам часть наработок команды Data Scientist Softline Digital, которые эффективно справляются с проблемами компаний розничной торговли.

Интеллектуальный поиск

Самая сложная задача как для продавцов, так и для покупателей – это вовремя найти ответ на актуальный вопрос. Сегмент ритейла богат на объем информации: продукция, ее особенности, документация, поставки, складские запасы и т.д. Чтобы найти ответ на элементарный вопрос, новый сотрудник компании зачастую вынужден либо отвлекать от работы опытных коллег, либо тратить значительное время, осваивая информационные базы. Что до потребителей, то они, заходя на сайт магазина, попросту закрывают окно чат-бота, так как уверены, что он не поймет формулировку их вопроса.

Команда Softline Digital создала прототип вопросно-ответной системы, которая позволяет подходить к поиску информации не механически, а интеллектуально. Она не просто ищет совпадения ключевых слов, но и анализирует естественный разговорный язык запроса, понимает его смысл и находит ответ в огромных массивах данных компании, к числу которых относятся корпоративные порталы, информационные фонды, базы документации и знаний.

Эту систему можно организовать как интеллектуальный поисковик по базе документов.

С его помощью менеджеры по продажам могут оперативно находить информацию для работы или отвечать на вопросы клиентов в торговых залах.

Систему также можно использовать для усовершенствования чат-ботов, научив их оперировать не только заранее загруженными формулировками, но и «понимать» суть любых запросов, подбирая на них ответ в виде цитат из документов.

Робот-ассистент рекрутера 

HR-работники в сфере ритейла традиционно одни из самых загруженных – вакансии открываются практически ежедневно. За год крупные розничные компании рассматривают десятки тысяч резюме, при этом вакантные места в рознице не терпят простоя – скорость найма должна быть максимальной, чтобы не снижалась эффективность бизнеса. 

Робот-ассистент занимается рутинной работой по подбору кандидатов – он анализирует описание вакансии и на основе заданных критериев ищет подходящие резюме. В результате его действий создается рейтинг релевантных кандидатов. Это небольшая подборка, которую рекрутер сможет быстро обработать, обзвонить претендентов и назначить им собеседования.  

Оптимизация маркетинга

Успешность решения маркетинговых задач ритейлеров зависит от того, насколько хорошо ими изучена целевая аудитория. Кому и какие акции предложить? Какую цену? Какой товар? Когда лучше это сделать? На каких условиях? Анализ данных имеет большое поле для применения в маркетинге. Машинное обучение помогает исследовать клиентов и рынок так подробно, как не могут другие классические методы маркетинговых исследований. Приведем пример нескольких задач, с которыми помогает справляться анализ данных.

Формирование портрета потребителя и сегментация клиентов. Технологии Big Data используют максимум данных: перемещение по сайту, поведение в соцсетях, отзывы на сайтах, история покупок и множество других параметров, которые помогают создавать точечные портреты конкретных пользователей и выделять сегменты потребителей. Используются как классические подходы к анализу – RFM+P, ABCD, XYZ, так и более сложные – построение графов связей, кластерный анализ и др.

Анализ корзины потребителя. Информация о том, какие покупки делают целевые клиенты, в каком количестве, как часто, на какие суммы, позволяет принимать взвешенные решения по выстраиванию взаимодействия с ними. Чтобы эффективно работать в этом направлении, команда Softline Digital применяет методы матриц продуктовых ассоциаций и другие методы, которые могут быть использованы для создания в том числе рекомендательных систем.

Персонализация программ лояльности. Описание портретов потребителей и анализ их предпочтений позволяет делать для разных аудиторий ценные таргетированные выдачи, основанные на индивидуальных критериях. Сфера торговли стремится к тому, чтобы реклама перестала быть спамом, став своевременным источником выгодных предложений, от которых нет смысла отказываться.

Прогнозирование спроса, цен, оттока клиентов. Предиктивная аналитика – одна из ключевых задач анализа данных. С помощью машинного обучения для предсказания потребительского спроса можно учитывать сотни факторов – от расположения торговой точки до глобальных экономических изменений. Прогнозирование цен позволяет подстраивать ценообразование под конкретного потребителя, например делать скидку на те товары, которые он часто покупает. Этот метод использует компания-гигант Amazon. Им требуется всего две минуты, чтобы поменять цену на сайте в зависимости от действий пользователя.

Сложная, а порой даже невозможная задача для ритейла – это вернуть недовольного клиента.  Поэтому отток лояльных потребителей нужно предсказывать еще до того, как они соберутся уйти к конкурентам. Делая предобработку на кластерах Big Data и обучая модели машинного обучения, можно заблаговременно выявлять факторы, которые влияют на отток. Например, пользователь перестает добавлять товары в корзину, не делает повторных покупок, совершает их очень редко, игнорирует акции и купоны, возвращает продукцию и множество других критериев. Выявив клиентов из зоны риска, анализ также поможет выбрать оптимальный канал взаимодействия и принять решение о том, какую акцию или другие выгодные условия предложить. Для решения этих задач применяются разные подходы машинного обучения, например дерево решений или рекуррентные нейронные сети и мн. др. В результате работ клиенты будут удержаны, а их лояльность повышена.

От чего зависит эффективность анализа данных

Топливом алгоритмов машинного обучения служит информация. Чем выше качество и чем больше объем данных, тем точнее и результативнее получается их анализ. Многое зависит от специфики организации и от того, какие данные уже накоплены внутри нее: транзакции, фокус-группы, пути по сайту, база контактных центров – даже анализ эмоциональной окраски тона голоса может быть важным фактором при оценке качества обслуживания. Не менее важно постоянно обогащать информационные базы извне. Особо ценны сведения о ценах конкурентов, их программах лояльности, активности в социальных медиа. Нужно стремиться к большему количеству источников и высокой скорости накопления.

Как мы решаем задачи

Команда Data Scientist Softline Digital всегда отталкивается от потребностей бизнеса заказчика. Для этого сначала проводится предварительный аудит, на котором исследуются как в целом тренды отрасли, так и возможности развития конкретного клиента. После изучения ситуации специалисту по анализу данных предложат стратегию, которая объективно сможет приносить эффект, а после подберут готовое решение или предложат разработку специализированного продукта, если задача нестандартная. Далее запускается пилот, другими словами PoC (Proof of Concept), на основе которого будет рассчитан экономический эффект и дорожная карта по внедрению и масштабированию решения. Финальный этап – это внедрение решения в ландшафт организации и его поддержка.

В работе специалисты Softline Digital используют как классические подходы обработки данных, так и последние достижения Data Science. Имея доступ к самому передовому ПО, AI-инструментам, наши сотрудники работают на основных для исследования данных языках программирования и сотрудничают с ведущими вузами РФ, реализуя в своих решениях глубокий научный подход для максимальной точности и эффективности.