Как машинное обучение увеличивает продажи и оптимизирует расходы крупных ритейлеров

Машинное обучение (ML) и искусственный интеллект меняют ритейл. Они автоматизируют мониторинг цен конкурентов, предсказывают спрос и продажи, зарабатывают ритейлу деньги, и даже «вытаскивают» аналитиков из рутины, позволяя заниматься стратегией. Сompetera рассказывает о первых результатах внедрения ML-оптимизации для крупного британского ритейлера, о том, почему эра алгоритмов в российском ритейле уже наступает, и к чему это приведёт.

Зачем ритейлу машинное обучение

Всего десять лет назад ритейлеры пользовались электронными таблицами, чтобы собирать, анализировать и менять цены. Процессы были растянуты во времени, медленны, неэффективны и приводили к большому количеству человеческих ошибок.

Успейте купить корпоративный пакет COSSA-2025 со скидкой!

Cossa анонсирует главный рекламный формат на весь 2025 год: сразу 8 различных опций.

Пакет идеально подходит для онлайн-сервисов, стартапов, интернет-компаний и digital-агентств.

Успейте приобрести пакет до повышения цены!

Walmart, Amazon, DNS-shop отдают все вычисления самообучающимся алгоритмам. Почему? Алгоритм обрабатывает большие объёмы данных и запоминает все удачные и неудачные эксперименты, за которые бизнес заплатил деньгами. На основе этого — предлагает оптимальное решение о цене.

Важно. Сам по себе ML — не решение для ритейла, а двигатель, которому нужны данные (топливо) и комплексное решение (автомобиль). Чтобы его использовать, нужно разобраться с качеством данных, внедрить решение и определить, кто будет им управлять. Поехали.

Зачем ML чистые данные и как их получить

Крупный ритейл в России уже принимает решения на основе данных. Сейчас, с приходом самообучающихся алгоритмов, погоня за чистыми данными обострилась: цена ошибки в больших вычислениях становится как никогда высока.

10% «грязных данных» в формировании цен не критичны, если ритейлер продает 100 товаров. Но когда речь идет об ошибках в данных по истории продаж, промо и наличию в масштабе 20 тысяч товаров, чистота данных становится ключевым элементом. ML-алгоритм обучается на данных, от их точности зависит конечный результат. Если качество данных низкое, машинное обучение бессмысленно: алгоритм не сможет рассчитать правильную цену и дать верный прогноз продаж или маржи. Какие данные — такие и результаты.

В большинстве случаев качество данных оставляет желать лучшего: только 3% от всего объёма собираемой компаниями информации соответствуют понятию «качественные данные».

Как внедрить технологии машинного обучения

Когда с качеством данных порядок, но алгоритмы работают на одном ноутбуке у аналитика или дата-сайентиста, появляется следующая непростая задача — внедрить алгоритмы в бизнес процессы и построить работающую машину для всех аналитиков или всего бизнеса. Ритейлу необходимо комплексное решение, которое собирает нужные данные, обрабатывает их, прогнозирует эффект от переоценки и применяет сценарии в одном инструменте.

Сейчас крупный бизнес спотыкается об отсутствие на рынке решения для оптимизации, поэтому пытается построить решение in-house. Чтобы построить и внедрить решение, требуется огромная инфраструктура и усилия ИТ-департамента.

1. Разработать алгоритмы.
2. Развернуть инфраструктуру, которая будет поддерживать обработку данных, обучение нейронных сетей, и оптимизацию цен с учетом всех бизнес-ограничений.
3. Построить систему мониторинга для стабильной работы решения.
4. Обучить команду, адаптировать процессы и роли персонала в компании.
5. Спроектировать и провести пилотные испытания системы.
6. Обеспечить поддержку и регулярное переообучение алгоритма.

У одних это получается, но тянется годами, другие — бросают затею, пока она не истощила бизнес.

«В DNS-shop мы автоматизировали аналитические процессы с момента основания [1998]. Однако, первые полноценные программные роботы начали предлагать и реализовать решение 5–6 лет назад», — Алексей Воевода, DNS-shop, Chief Marketing Officer.

На рынке существует и другой путь. Консалтинговые компании продают ритейлу дорогие таблицы с расчетами ML-алгоритмов. Но между Excel и рабочим инструментом — огромная пропасть, поэтому категорийным менеджерам и аналитикам нужен интерфейс, в котором можно задавать цели, получать расчёты, и затем выбирать лучшие сценарии переоценки.

UI обетованный: кейс Competera с британским магазином

Сейчас в режиме закрытого бета-тестирования Competera оптимизирует прибыль крупных магазинов, у которых есть исторические данные за 2–3 года: продажи, промо активности и история наличия товаров.

Британский магазин поставил задачу — при помощи алгоритмов машинного обучения продать максимально возможное количество товарных позиций, не теряя в маржинальности.

В рамках пилота мы сформировали тестовую и контрольную группы товаров, чтобы не происходило перетекания продаж. В контрольной группе магазин сохранял привычную динамику переоценки, чтобы получить репрезентативные данные в результате эксперимента.

Для тестовой группы мы в течение месяца рекомендовали цены при помощи ML-алгоритмов. В конце периода тестовая группа показала рост количества продаж в штуках на 22.3% в сравнении с контрольной группой, где цены рассчитывал человек. Кейс с британским магазином показывает, как уход от ручных процессов и нерегулярной переоценки в пользу машинного обучения улучшает показатели:

• количество транзакций +22,3%;
• в прибыли +13,9%;
• в маржинальности +0,5%

Интересно. В пилотный месяц наблюдалось общее падение продаж магазина, связанное с сезоном и индустрией, и в контрольной группе количество транзакций снизилось на 17.2% в сравнении с предыдущим месяцем. В тестовой — увеличилось на 5.1%: алгоритм предсказал падение продаж и рекомендовал оптимальную цену для конкретной ситуации.

Куда деваться аналитику, если алгоритм все делает сам

Алгоритмы выполняют большую часть работы, которую до этого ежедневно делал человек. Коллектив, не понимая новых ролей, может сопротивляться инновациям и саботировать процесс. Нужно чётко прояснить роли, чтобы избежать такой ситуации.

После внедрения алгоритма, человек будет управлять инструментом вместо поиска и структурирования данных; контролировать ценообразование вместо работы с высокоточными расчетами нескольких параметров. Решение гарантирует качество и точность вычислений, а человек занимается управлением: получает прогноз, корректирует выбор оптимального сценария, реагирует на срабатывание «сигнальных лампочек» если в работе происходит сбой. Процесс работает примерно так же, как реакция водителя на мигающий индикатор замены масла в автомобиле: менеджер включается там, где ML не может справиться самостоятельно.

«С внедрением алгоритма повысилась скорость и качество переоценок, снизилась длительность аналитического участка цикла закупок. Специалисты переключились на более важные и менее рутинные задачи», — Алексей Воевода, DNS-shop, Chief Marketing Officer.

Итого: что ритейл получает от машинного обучения

Алгоритмы постоянно обучаются: информация об ошибках, за которые ритейл заплатил в прошлом, хранится до тех пор, пока эти данные не понадобятся для решения конкретной задачи. Так, аналитик в качестве эксперимента может поставить цену на 15% больше, чем у главного конкурента, и это не сработает. Через год аналитик может забыть об этом эксперименте, перейти на другую должность или даже поменять компанию, а алгоритм будет хранить и использовать эту информацию. Кроме того, он всегда доступен для интерпретирования, а значит может показать, что кроется за каждой рекомендацией цены.

С алгоритмами машинного обучения у ритейла появляется предсказуемое будущее, консолидированные данные и возможность работать с неиспользованной экспертизой (всем накопленным за время работы опытом).

Кому подходит ML-оптимизация

Чтобы начать работу с оптимизацией, ритейлеру нужно точно определить цели её внедрения, собрать исторические данные, и выделить команду, которая будет заниматься процессом внедрения. Это могут быть сотрудники отдела ИТ/инноваций, представители отдела коммерции, закупок (редко, но встречается), revenue-менеджмент, аналитики, те, кто занимается ценообразованием — это зависит от структуры ритейлера.

ML-оптимизация идеально подходит для крупных ритейлеров, которые работают на динамических рынках и еженедельно или несколько раз в день обновляют цены тысяч позиций. Также оптимизация поможет тем компаниям, которым нужно поддерживать и оптимизировать сложную структуру регионального ценообразования.

Решения на основе ML-алгоритмов имеет смысл внедрять компаниям с оборотом от 100 млн $ в год, так как ожидаемые улучшения показателей оборота или маржи находятся в диапазоне от 3 до 20%. Чем больше выручка ритейлера, тем ему выгоднее алгоритмическое решение по оптимизации цен и прогнозированию продаж. Если оборот меньше (около 40 млн $ в год), тогда главное условие — высокая маржинальность бизнеса.

В погоне за покупателем

Сейчас в ритейле выигрывают те, кто очень динамично и гибко реагирует на изменения спроса покупателей и активности конкурентов. Потенциал применения ML огромен — он быстрее и точнее решает эти задачи, что подтверждают успехи Amazon, Walmart, DNS-shop и других крупных ритейлеров.

Gartner’s Quаdrant оценивает результаты внедрения алгоритмической оптимизации цен так:

• увеличение выручки от 1% до 5%;
• увеличение маржинальности от 2% до 10%;
• сокращение до 80% ненужных промо;
• увеличение цикла жизни клиента на 20%.

Скоро рынок радикально изменится: те, кто сможет правильно применить эту технологию, выиграют гонку. Если этого не сделать сейчас, уже через пять лет борьба за покупателя будет проиграна.

Единственная сложность — наличие качественных данных. Если у магазина их нет, нужно начать их сбор и обработку сейчас, а к вопросу оптимизации можно будет вернуться только через год или два, когда накопится достаточный объём.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.