В качестве эпиграфа ака дисклеймера хочется сказать, что мы планируем цикл материалов по теме ML на службе современного ритейлера. В планах рассказать «от печки» до мелких деталей (включая болтики и шурупы) о том, как машинное обучение спасает наш бизнес от рутины и низкой маржи. Надеемся, что тема будет интересна аудитории Хабра и не вызовет острой аллергической реакции у читателей. Если у вас есть личный опыт по заявленной тематике, не стесняйтесь делиться им в комментариях.

80% компаний внедряют технологии машинного обучения – такую цифру назвал один из руководителей Microsoft Жан-Филипп Куртуа на декабрьской конференции AI Jorney, говоря о влиянии пандемии на мировую экономику. По данным г-на Куртуа, 56% компаний планируют увеличивать свои инвестиции на внедрение машинного обучения.

В ритейле AI и ML используются уже для многих операций — от планирования поставок и повышения эффективности маркетинга до расчёта рабочих графиков сотрудников розницы. М.Видео-Эльдорадо пошла дальше, чтобы предложить своим покупателям ассортимент, цены и промоакции, основанные на продвитуной аналитике. Как это работает, будем рассказывать в цикле материалов про различные ML-решения в области коммерции.

Несколько очевидных мыслей

Для начала вспомним, какие задачи позволяет решить Machine Learning и чем оно хорошо для ритейла. Если вы продаете молоко от своей коровы, вы и без компьютеров прекрасно знаете, кому из соседей оно нужно, сколько они купят и какую цену посчитают привлекательной, да и тут простые навыки учета не помешают.

Иное дело – крупные торговые сети с десятками, а то и сотнями тысяч товарных позиций и миллионами покупателей. Что из этого «пойдет в народ» легко и быстро, а что будет стоять на полке годами? Что по-прежнему заказывать у поставщиков, а от чего следует отказаться?

На какие товары делать праздничные скидки, что предлагать в контекстной рекламе? «Вручную» и точно определить это невозможно. И тут на помощь приходит ML, машинная обработка огромных массивов данных, которые можно «раскладывать» по товарным категориям, характеристикам, географии отдельных точек, скорости реализации товаров и т.д.

Алгоритмы ML – разумеется, не догма, а руководство к действию для экспертов, принимающих окончательные о закупках, ценообразовании и проведении промо. Упрощенно говоря, «машина» предлагает вилку, ориентируясь на спрос, цены конкурентов и другие заданные параметры.

К примеру, на одну и ту же аудиосистему может быть несколько ценовых предложений от 2 000 до 4 000 рублей в Москве и от 1 500 до 3 400 – в областном центре с меньшим доходом на душу населения. Есть цель продать быстрее – устанавливаете нижний порог.

Хотите заработать побольше – поступаете ровно наоборот. А спустя определенное время инструменты ML подскажут, правильно ли вы поступали и нужно ли корректировать свои действия. Скажем, не гнаться за максимальной прибылью, а сделать ставку на скорость оборота средств.

Вирус гонит в «цифру»

Возможности Machine Learning сейчас используют многие, от маркетплейсов и федеральных сетей до локальных брендов. Особенно заметной миграция в сторону ML стала в период пандемии, когда бизнес массово начал переходить «в онлайн и цифру», а значит, появилось намного больше данных для «машинной» обработки. Ритейл стал эффективнее анализировать поведение своих покупателей, их просмотры, поиск, участие в акциях, покупки, реакции на коммуникации.

Ежемесячно веб-площадки М.Видео и Эльдорадо посещают порядка 74 млн пользователей. Их профиль и история взаимодействия с компанией ложатся в основу прогнозных моделей и рекомендательных сервисов, которые ритейлер развивает в том числе в области коммерции.

Однако онлайн больше не является единственным источником информации о потребителях. М.Видео-Эльдорадо в 2020 году полностью перешла на платформу OneRetail, которая благодаря мобильным технологиям в рознице позволяет оцифровывать офлайн-опыт клиентов и анализировать эти данные. А это огромный массив — 85% покупателей техники так или иначе взаимодействуют с физическими магазинами.

Продавец через приложение в своем смартфоне авторизует клиента, получает доступ в его профайл, понимает его предпочтения, видит историю покупок, бонусы и скидки, персональные предложения. Через это решение происходит подбор и покупка товара в магазине, что также добавляется в анализ и влияет на будущие контакты.

Прогнозные и рекомендательные системы анализируют кроме того показатели продаж, уровень, динамику спроса, эластичность цены, вовлеченность покупателей и влияние промо на продажи и эффективность бизнеса.

Внедрение Data science решений в коммерции позволит М.Видео-Эльдорадо, во-первых, глубже понять потребности клиентов и повысить точность планирования ассортимента, во-вторых, рассчитать оптимальную цену, исходя из стремления делать лучшие предложения на рынке, повышая при этом эффективность бизнеса.

Как настроить ассортимент

Например, машинное обучение помогает прогнозировать спрос не только на основе уже совершенных продаж, но также на потребительской потребности. Если представить, что на полке магазина можно разместить 12 чайников, то какие это должны быть модели, если у вас в ассортименте их 50?

Как сформировать сток небольшого регионального склада, чтобы максимальное число клиентов получали быстрые сроки доставки по своим заказам? И, наконец, как найти идеальный баланс между ростом продаж, доли рынка и эффективностью бизнеса?

Если раньше на эти вопросы экспертно отвечали коммерческие менеджеры М.Видео-Эльдорадо, то сейчас наша data-science команда разрабатывает им в помощь рекомендательные сервисы, основанные на ML.

Так, на основе пользовательских сессий формируется дерево принятия решений, где все товары группируются на основании того, как часто их рассматривают вместе. Это позволяет создать сбалансированный ассортимент и не дублировать на полках товары, закрывающие одну потребность. Наш первый рассказ в рамках этого цикла посвятим как раз этому CDT.

Определить подходящую цену

«М.Видео-Эльдорадо» также тестирует алгоритмы Machine Learning для создания сценариев автоматического расчета рекомендованной цены и оценки эффективности промоакций. Цель — дать коммерческим менеджерам инструмент для ежедневного управления ценой на основе как внутренних данных (объем продаж, уровень маржи, товарный запас, промо-календарь), так и внешних (цены на рынке, активность конкурентов и тд.).

Модель рассчитывает несколько сценариев в зависимости от целевых показателей и рекомендует оптимальный. «Сейчас в рамках пилотов мы сравниваем степень заинтересованности потребителей в конкретном товаре в разных регионах и уровень их чувствительности к ценовым колебаниям», – рассказывает Владимир Литвинюк, руководитель центра компетенций по прикладному анализу данных и машинному обучению Группы М.Видео-Эльдорадо.

Не секрет, что, выбирая флагманский смартфон или холодильник side-by-side, покупатель ищет, где выгоднее, а при покупке чайника на дачу или замене телевизора на кухне предпочтёт проверенный магазин у дома или выгодные условия программы лояльности.

Кроме того, сейчас команда дата-офиса тестирует алгоритмы оценки эффективности промо-кампаний. Мы построили модель прогнозирования продаж с учетом набора акций и их параметров. На основе этой модели выполняется моделирование различных сценариев продаж конкретного товара и категории в целом для различных вариантов сочетания промо акций, оценивается влияние различных наборов промо акций на прирост продаж и уровень каннибализации промо товарами других товаров, продаваемых по регулярной цене.

В перспективе мы также рассчитываем научиться подбирать оптимальную ценовую скидку и другие условия промо акции для каждого конкретного товара, для максимизации целевого оборота или прибыли от промо акции.

Сейчас развитие Machine Learning в России сдерживают два момента: проблемы с наличием данных для обработки и недостаточное распространение ML-моделей, о чем как раз говорили на упомянутой конференции AI Jorney.

Да, гигантам уровня техномаркетов, контролирующих до четверти национального рынка, грех жаловаться на недостаток оцифрованной информации. А вот компании поменьше не всегда четко представляют, какие данные, в каком объеме и какого качества необходимы для успешного применения на практике алгоритмов машинного обучения.

Нужно учитывать описания товаров, разделенных по группам и кластерам, статистику продаж, желательно за длительный период, все возможные переменные: сезонный спрос, график праздничных дней, колебания курсов валют, появление новых конкурентов.

В ритейле электроники, например, сложность с данными заключается, во-первых, в низкой частоте покупок — никто не ходит за новым ТВ, холодильником и наушниками два раза в неделю, как за хлебом и мясом. А во-вторых, ассортимент очень разнообразен и слабо связан, что затрудняет поиск закономерностей. Тем не менее, реагировать на ситуацию цифровые модели должны в режиме реального времени: не успели среагировать – упустили клиентов.

Вопрос и в том, какие платформы выбирать для динамического ценообразования… Кто-то выбирает open source, кто-то проприетарные коробочные решения от вендоров, кто-то облачные ML фреймворки… Число программных инструментов измеряется десятками, есть варианты, бесплатные для предпринимателей. Так почему же участники ИТ-конференций говорят о недостаточности распространения моделей машинного обучения?

Дело опять в том, чтобы понять собственные потребности и оценить свои возможности. И тут как никогда важен обмен опытом и лучшими практиками. Например, когда в российском интернет-магазине BABADU внедрили ML-модели и динамическое ценообразование, всего за несколько недель выручка и маржинальный доход выросли на 7%. Потребитель реагирует на «честные» цены тем, что несет деньги амбассадорам Machine Learning.