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

Разработанное решение выполняет два ключевых сценария. Первый – выявление из всех держателей карт лояльности (2,6 млн человек) тех, кто потенциально может совершить покупку в ближайшие 2 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 существенно 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, – комментирует Дмитрий Подолинский, директор по маркетингу компании “Рив Гош”. – 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».

«Этот проект – возможность вывести взаимодействие с клиентом на принципиально новый уровень. Здесь мы на практике выясняем с помощью искусственного интеллекта и накопленных в программе лояльности данных личные предпочтения целевой аудитории, что дает возможность делать заказчику по-настоящему индивидуальные предложения для своих клиентов», – отметил Владимир Молодых, директор по разработке и внедрению компании «Инфосистемы Джет».

Выявленные в ходе проекта закономерности дали дополнительные возможности для повышения точности математической модели и развития новых подходов в формировании персональных предложений для целевой аудитории. В частности, сегодня компания «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.

В настоящее время «Инфосистемы Джет» реализует порядка 20 проектов с применением технологий Machine Learning в банках, ритейле, промышленности, страховании и других отраслях. Перечень решаемых интегратором задач весьма разнообразен: от повышения эффективности маркетинга и предотвращения брака на производстве до противодействия мошенничеству.