Попасть в нейросети: как технология помогает ритейлерам увеличивать продажи

На прошлой неделе представители торговой сети «Магнит» сообщили о том, что завершили тестирование нейросети для анализа спроса на товары и переходят к полноценному внедрению технологии. Она поможет тщательнее планировать количество привозимых товаров и отслеживать пики покупательской активности.

По прогнозам аналитиков «Магнита», использование нейросетей и машинного обучения позволит ритейлеру увеличить выручку на 4 млрд рублей в год за счёт снижения на дефицита товаров. Ещё 1 млрд компания планирует сэкономить на сокращении списаний продукции.

Ранее систему прогнозирования спроса и пополнения товарного запаса внедрила X5 Retail Group в своих сетях «Карусель» и «Перекресток». Для определения необходимого количества товара система использует данные о продажах, рыночных и маркетинговых активностях за два года, и, кроме того, информацию о событиях, которые могут повлиять на поведение покупателей и работу магазинов. Как сообщил директор по логистике «Перекрёстка» Денис Шульга, «возврат инвестиций от внедрения произошел за два месяца вместо восьми».

Тестирование системы на базе machine learning для предсказания поведения клиентов проводит и косметическая сеть «Рив Гош». С ее помощью компания планирует нарастить продажи и снизить издержки на маркетинговые акции. Система определяет, кто из всех держателей карт лояльности может совершить покупку в ближайшие пару недель, а зачем делает прогноз конкретных покупок по каждому клиенту. Учитывая эти данные, ритейлер повышает вероятность продаж, своевременно предлагая скидки. Размер скидки система рассчитывает индивидуально. Первые результаты тестирования показали, что точность персональных товарных рекомендаций составляет больше 30%.

Обувные сети «Эконика», RALF RINGER и ZENDEN применяют прогнозные алгоритмы российского решения VERME для построения графиков персонала. Прогноз клиентопотока и вывод оптимального количества сотрудников под трафик увеличивают продажи на 6-19%.

Нейросети используются в сфере реализации услуг. Например, в розничном страховании. По словам Александра Крейдермана, вице-президента Группы Ренессанс страхование, основные направления сегодня — это прогнозирование вероятности продажи дополнительных продуктов существующему клиенту и вероятности продления договора на следующий год. Такие системы могут предсказать вероятность кросс-продажи клиентам, оформившим договор КАСКО, других продуктов: страхования от несчастных случаев и страхования недвижимости.

«Инструмент форекастинга (forecasting — англ. прогнозирование) сверхприменим в ритейле, — комментирует Максим Архипенков, руководитель проекта ST SmartMerch ГК „Системные Технологии“. Во-первых, данные по анализу спроса помогут оптимизировать цепочки поставок, выяснить лучшее количество сетевых торговых точек в городе или место для нового магазина. Во-вторых, этот инструмент нужен не для того, чтобы увидеть, что ты растешь, а для того, чтобы увидеть, что растешь недостаточно или вообще не растешь. Получив прогноз, что продажи вырастут на 3% при уровне инфляции 4%, ты начинаешь думать, каким образом повысить продажи и сократить издержки». Также форекастинг позволяет просчитать последствия до изменения тех или иных бизнес-процессов.

Как это работает

Нейросети — это инструмент машинного обучения, математическая модель, которая позволяет проанализировать большой объем данных о клиентах и процессах компании — рассказывает Алексей Сидорин, архитектор бизнес-решений компании КРОК. Результатами анализа может быть сегментация клиентской базы, прогнозирование спроса и продаж, а также другие гипотезы.

«Подобные модели оперируют вероятностями и делают выводы в рамках тех источников информации, которые у них есть. Система обучается на исторических данных, среди которых могут быть: транзакции, факты коммуникаций с клиентом, интернет-источники и так далее. Именно набор данных, их качество и история (период сбора) определяют точность модели», ─ продолжает Алексей Сидорин.

Помимо исторических данных по продажам, могут быть данные по региону, погоде, покупательским сегментам, сезонности потребления и спроса, отзывам в интернете, продуктам-аналогам, — дополняет Дмитрий Ларин, руководитель направления Ритейл компании SAS: «Находя взаимосвязи в массиве данных, вы выявляете наиболее и наименее значимые факторы, отслеживаете, как и почему изменяется их влияние во времени, ранжируете их и зависимости между ними. Далее ваша аналитическая модель — нейронная сеть — будет использовать эти принципы в своей работе. От качества инструментов, которыми пользуется аналитик, и от качества обучения модели зависит, с какой точностью нейросеть будет рассчитывать ожидаемый спрос».

Сергей Галеев, генеральный директор компании Addreality, называет нейросети «умной обработкой данных» и приводит следующий пример: «Допустим, вы годами собирали информацию о покупках. Проанализировав эти данные, система находит закономерности: с сезоном, выпуском новых коллекций, отдельными акциями. На основании данных она делает прогноз: например, в следующем месяце нужно закупить больше бананов из-за ряда следующих факторов — и дает обоснование». Крупный международный ритейл уже давно использует подобные системы, отечественный бизнес скорее догоняет этот тренд.

А Леонид Клычев, руководитель отдела отраслевой экспертизы компании IBS Platformix, отмечает, что понятия «искусственный интеллект», «машинное обучение» и «глубокое обучение» часто используют синонимично, однако стоит их различать. ИИ — это компьютерная система, выполняющая действия по образу и подобию человека. В основу поведения компьютера могут быть заложены как фиксированные алгоритмы, так и алгоритмы, предполагающие обучение на успешных примерах — тогда речь идет о машинном обучении. Если в основу обучения положена нейронная сеть, то речь уже идет о глубоком обучении.

Ритейлеры хотят учитывать при прогнозировании спроса не только внутренние исторические факты, но и внешние: погоду, обсуждения продуктов и упоминания брендов в соцсетях, экономические факторы, новостной фон. И в этом техника глубокого обучения на базе нейронных сетей проявляет себя наилучшим образом, так как задачу по извлечению признаков из многообразия исходных данных нейросеть берет на себя.

От выбора локации до «умного» ценообразования

Нейросети, машинное обучение и искусственный интеллект могут использоваться в розничной торговле для решения множества задач. Одна из них — управление товарными запасами. С помощью нейросетей можно оптимизировать хранение скоропортящихся товаров на складе или точно спрогнозировать количество необходимой продукции в зависимости от географии или сезона.

Прогнозировать спрос с помощью нейросетей можно, например, интегрировав в системы видеонаблюдения магазина систему распознавания лиц. Последняя анализирует видеопоток с камер наблюдения, находит в кадре человеческие лица, создает их «цифровой слепок» и сравнивает его с изображениями, загруженными в базу данных. В базе могут содержаться фотографии VIP-клиентов и платежеспособных покупателей. При выявлении совпадений cистема моментально уведомляет об этом сотрудников магазина.

«Таким образом можно получить полную картину о покупателях: составить их портрет, узнать, какие товары они предпочитают, какова сумма среднего чека и так далее, — комментирует Сергей Черных, генеральный директор компании „Видеотэк“. — Владея информацией, управляющие магазинов могут более эффективно формировать предложение, включать в ассортимент товары, востребованные целевыми потребителями, создавать работающие программы лояльности или предоставлять более качественный сервис».

Анализ потребительского поведения позволяет делать потенциальным покупателям персональные предложения на основе их предпочтений и таким образом увеличивать средний чек. «Объединение технологий искусственного интеллекта вместе с системами Digital Signage и решениями по распознаванию лиц позволяет взаимодействовать с потребителем с момента его входа в магазин, — говорит Сергей Галеев, Addreality. — Система анализирует передвижение по магазину, товары, которые интересуют человека, и акции, на которые он обращает внимание. Разработка „карты пути покупателя“ не только помогает ретейлерам увеличивать прибыль, но и улучшает покупательский опыт».

Еще одно направление, ставшее возможным с распространением машинного обучения — автоматизированное интеллектуальное ценообразование. Программные решения могут оценивать остатки товара на складе, срок хранения, дату поставки следующей партии, скорость реализации товара и учитывать все эти данные при определении наиболее привлекательной для ритейлера цены, — отмечает Денис Баранов, руководитель ритейл-практики, старший консультант компании DataArt: «Пример того, как это работает, можно наблюдать на сайтах по покупке авиабилетов. Если одновременно бронируют несколько билетов на рейс, цена может возрасти через несколько минут. Если бронирования отменяются — цена падает. С помощью машинного обучения отслеживается сезонная миграция, количество запросов на билеты и так далее».

Искусственный интеллект способен помочь в выборе подходящей локации для открытия торговой точки. На примере уже существующих магазинов алгоритмы выделяют наиболее значимые факторы и зависимости, не очевидные для человеческого восприятия. Далее алгоритм использует выявленные зависимости для анализа новых мест, чтобы спрогнозировать возможную выручку и принять решение об оптимальной локации для открытия нового магазина. Фактически описанный процесс полностью повторяет алгоритм мышления человека: накопили определенный опыт и используем его для принятия решения в новой ситуации, — комментирует Евгений Максимча, руководитель продуктового направления «ритейл» компании oneFactor.

«ИИ также способен автоматизировать процесс проведения промо-акций, — добавляет он. — Как опытные продавцы знают, что данный товар „не зайдет“ в магазине, потому что покупателям он неинтересен, так и алгоритм искусственного интеллекта может каждый раз анализировать предыдущие промо-акции и выбирать оптимальные комбинации „магазин/товар/глубина скидки“, чтобы выполнить поставленную перед компанией задачу: захват рынка, рост маржи или прирост трафика».

Технологии придут в средний и мелкий ритейл

Крупные мировые ритейлеры уже активно применяет нейросети, ИИ и машинное обучение для увеличения продаж. Испанская корпорация Inditex (владеет брендами Zara, Bershka, Massimo Dutti) использует технологии для помощи клиентам при подборе товаров онлайн. Шведский концерн H&M подбирает ассортимент для своих магазинов с помощью искусственного интеллекта. Walmart оптимизировал процесс снабжения, используя прогнозную аналитику. Система получает информацию с кассовых терминалов и прогнозирует, какие товары будут пользоваться спросом, а какие — нет.

Перспективы использования нейросетей в ритейле многообещающие, так как любой бизнес нуждается в прогнозах, а технологии повышают их точность — говорит Михаил Толмачев, архитектор IТ-решений КПМГ в России и СНГ. В последнее время помимо нейронных сетей появились новые методы анализа больших данных. Например, применение методов вариационного вывода для анализа продуктовых корзин позволяет очень точно описать поведение покупателей и отследить изменения в нем практически в онлайн-режиме. Это позволяет лучше понимать потребности клиентов: кто стал покупать у конкурента, кто начал экономить, у кого появился новый любимый товар, а также видеть, как образуются устойчивые потребительские сегменты и многое другое.

Нейронные сети, развитие технологий распознавания голоса и лиц и, в итоге, сервисной робототехники крайне выгодно для ритейла, — уверен Владимир Венеров, генеральный директор компании Alfa Robotics. Уже сейчас с помощью нейронных сетей создаются системы, которые, как люди, могут «набираться опыта» — накапливать однотипную информацию, анализировать, создавать алгоритмы ответов и решений. Технология распознавания речи позволяет лучше слышать покупателя, а значит, точно выполнить его просьбу. Распознавание лиц — узнавать и запоминать клиентов, помнить, что они покупали, напоминать о необходимых или привычных товарах.

Использование технологий искусственного интеллекта в полной мере приведет к созданию принципиально новых форматов ведения бизнеса, — полагает Леонид Клычев, IBS Platformix. В качестве примера он приводит магазин Amazon Go без касс и персонала. По мнению эксперта, полностью раскрыть потенциал технологий сейчас могут лишь наиболее крупные игроки рынка. Проблема не только в дорогостоящей экспертизе, но и в большом объеме данных, необходимых для обучения систем.

Нейросети имеют гораздо больший потенциал в прогнозировании спроса, потому что в отличие от аналитика могут использовать в вычислениях большее на несколько порядков количество факторов: погоду, пробки, маркетинговую активность конкурентов, политические события, — считает Михаил Барабаш, маркетолог компании «Сервис-плюс».

По его мнению, в будущем можно ждать стремительного роста использования ИИ в российском ритейле. Связано это и с кейсами, подтверждающими выгоду от использования технологии, и с ростом предложения решений от вендоров, и с проникновением в сети современного ПО для программ лояльности, позволяющего собирать и анализировать максимально полную информации о покупателях.

«Технология будет становиться доступнее для использования в среднем и мелком ритейле, — полагает Михаил Барабаш. — Это уже происходило в e-commerce, когда технология сначала обкатывалась крупными клиентами, которые могли позволить себе эксперименты. В итоге появились простые в применении и доступные по цене даже для небольших интернет-магазинов решения. В оффлайн-рознице применение ИИ реализовать сложнее по ряду причин, но и здесь можно прогнозировать такой же сценарий распространения технологии».