В сфере розничной торговли существует широкий спектр задач, которые можно решить с помощью технологий анализа данных. Разрешите представить вам некоторые разработки команды Data Scientist Softline Digital, которые эффективно справляются с проблемами розничных компаний.

Умный поиск
Самая сложная задача как для продавцов, так и для покупателей - вовремя найти ответ на насущный вопрос. Сегмент розничной торговли богат по объему информации: товары, их особенности, документация, расходные материалы, складские запасы и т. Д. Чтобы найти ответ на элементарный вопрос, новый сотрудник компании часто вынужден либо отвлекать опытных коллег от своих работать или тратить много времени на освоение информационных баз. Что касается потребителей, когда они заходят на сайт магазина, они просто закрывают окно чат-бота, потому что уверены, что он не поймет формулировку их вопроса.

Команда Softline Digital создала прототип системы вопросов и ответов, позволяющий подойти к поиску информации не механически, а интеллектуально. Она не только ищет совпадения ключевых слов, но и анализирует естественный разговорный язык запроса, понимает его значение и находит ответ в огромных наборах данных компании, которые включают корпоративные порталы, информационные фонды, документацию и базы знаний.

Эта система может быть организована как интеллектуальная система поиска документов.

С его помощью менеджеры по продажам могут быстро найти информацию для работы или ответить на вопросы клиентов в торговых залах.

Также систему можно использовать для улучшения чат-ботов, обучая их работать не только с заранее загруженными формулировками, но и «понимать» суть любых запросов, выбирая ответ на них в виде цитат из документов.

Робот-помощник рекрутера
Кадровики в ритейле традиционно одни из самых загруженных - вакансии открываются практически ежедневно. В течение года крупные розничные компании рассматривают десятки тысяч резюме, а вакансии в ритейле не терпят простоев - скорость набора должна быть максимальной, чтобы не снижать эффективность бизнеса.

Робот-помощник занимается рутинной работой по отбору кандидатов - анализирует должностную инструкцию и по заданным критериям ищет подходящее резюме. В результате его действий создается рейтинг актуальных кандидатов. Это небольшая выборка, которую рекрутер может быстро обработать, позвонить соискателям и назначить для них собеседования.

Оптимизация маркетинга
Успех решения маркетинговых задач для ритейлеров зависит от того, насколько хорошо они изучили целевую аудиторию. Кому и какие акции предлагать? Какова цена? Какой продукт? Когда лучше всего это делать? На каких условиях? Анализ данных имеет большое поле для маркетинговых приложений. Машинное обучение помогает изучать клиентов и рынок так, как никакой другой классический метод маркетингового исследования. Вот пример нескольких задач, в которых вам может помочь анализ данных.

Формирование потребительского портрета и сегментация покупателей. Технологии больших данных используют максимальный объем данных: навигация по веб-сайту, поведение в социальных сетях, обзоры веб-сайтов, история покупок и многие другие параметры, которые помогают создавать точечные портреты конкретных пользователей и выделять потребительские сегменты. Используются как классические подходы к анализу - RFM + P, ABCD, XYZ, так и более сложные - построение графов связей, кластерный анализ и т. Д.

Анализ потребительской корзины. Информация о том, какие покупки совершают целевые покупатели, в каком количестве, как часто, на какие суммы, позволяет принимать обоснованные решения по построению взаимодействия с ними. Для эффективной работы в этом направлении команда Softline Digital использует методы матриц товарных ассоциаций и другие методы, которые можно использовать для создания, в том числе, систем рекомендаций.

Персонализация программ лояльности. Описание портретов потребителей и анализ их предпочтений позволяет нам получать ценные целевые результаты для разных аудиторий по индивидуальным критериям. Торговый сектор стремится к тому, чтобы реклама перестала быть спамом и стала своевременным источником выгодных предложений, от которых нет смысла отказываться.

Прогнозирование спроса, цен, оттока клиентов. Прогнозная аналитика - одна из ключевых задач анализа данных. Сотни факторов могут быть приняты во внимание с помощью машинного обучения для прогнозирования потребительского спроса, от местоположения точки продаж до глобальных экономических изменений. Ценовое прогнозирование позволяет адаптировать ценообразование для конкретного потребителя, например, сделать скидку на те товары, которые он часто покупает. Этим методом пользуется гигант Amazon. Им нужно всего две минуты, чтобы изменить цену на сайте в зависимости от действий пользователя.

Сложная, а иногда и невыполнимая задача для ритейла - вернуть недовольного покупателя. Поэтому отток лояльных клиентов нужно прогнозировать еще до того, как они уйдут к конкурентам. Выполняя предварительную обработку кластеров больших данных и обучая модели машинного обучения, вы можете заранее определить факторы, влияющие на отток. Например, пользователь перестает добавлять товары в корзину, не совершает повторных покупок, делает их очень редко, игнорирует акции и купоны, возвращает товары и многие другие критерии. Выявив клиентов из зоны риска, анализ также поможет вам выбрать лучший канал коммуникации и решить, какую акцию или другие выгодные условия предложить. Для решения этих проблем используются различные подходы к машинному обучению, например, дерево решений или рекуррентные нейронные сети и многие другие. Другие. В результате работы клиенты сохранятся, а их лояльность повысится.

От чего зависит эффективность анализа данных
Информация - это топливо для алгоритмов машинного обучения. Чем выше качество и больше данных, тем точнее и эффективнее их анализ. Многое зависит от специфики организации и от того, какие данные в ней уже накоплены: транзакции, фокус-группы, пути по сайту, база контакт-центров - даже анализ эмоциональной окраски тона голоса может оказаться решающим. важный фактор в оценке качества обслуживания. Не менее важно постоянно пополнять информационные базы извне. Особенно ценна информация о ценах конкурентов, их программах лояльности, активности в социальных сетях. Вам нужно стремиться к большему количеству источников и высокой скорости накопления.

Как мы решаем проблемы
Специалист по анализу данных Команда Softline Digital всегда исходит из потребностей бизнеса клиента. Для этого сначала проводится предварительный аудит, в ходе которого изучаются как тенденции отрасли в целом, так и возможности развития конкретного клиента. После изучения ситуации аналитику данных предложат стратегию, которая может объективно принести эффект, а затем подберут готовое решение или предложат разработку специализированного продукта, если задача нестандартная. Далее запускается пилотный проект, другими словами PoC (Proof of Concept), на основе которого будет рассчитан экономический эффект и дорожная карта внедрения и масштабирования решения. Заключительный этап - внедрение решения в ландшафт организации и ее поддержка.

В своей работе специалисты Softline Digital используют как классические подходы к обработке данных, так и последние достижения Data Science. Имея доступ к самому современному программному обеспечению, AI-инструментам, наши сотрудники работают на основных языках программирования для исследования этих языков и сотрудничают с ведущими университетами Российской Федерации, внедряя в свои решения глубокий научный подход для максимальной точности и эффективность.