Share This
Связаться со мной
Крути в низ
Categories
//📊 Как М.Видео-Эльдорадо применяет data science в бизнесе

📊 Как М.Видео-Эльдорадо применяет data science в бизнесе

Рассказываем про эффективное использование данных в бизнесе на примере внедрения технологий Data Science в компании М.Видео-Эльдорадо.

kak mvideo eldorado primenjaet data science v biznese 626ff46 - 📊 Как М.Видео-Эльдорадо применяет data science в бизнесе

Data-driven – это о компании, которая не только принимает решения на основе данных, но и извлекает из них конкурентные преимущества. В течение последних трех лет М.Видео-Эльдорадо стремится к максимальной персонализации клиентского опыта и автоматизации операций через эффективное использование данных, поэтому встраивает технологии Data Science в свои бизнес-процессы. Группа создает и внедряет рекомендательные модели по планированию ассортимента, цен и промо, сервисы персонализированного подбора товаров, клиентский чат-бот с NLP-модулем, видеоаналитику и Computer vision в магазинах.

Обзор продуктов

kak mvideo eldorado primenjaet data science v biznese e756557 - 📊 Как М.Видео-Эльдорадо применяет data science в бизнесе

Рекомендательные сервисы и персонализация

Рекомендательные сервисы и персонализация – одно из первых и самых перспективных направлений внедрения технологий Data Science. Данные о клиентах включают социально-демографические сведения, историю покупок, поведение клиентов на сайте (какие товары пользователь добавлял в корзину, просматривал и т. д.), историю коммуникации, изменения бонусного счета, а также предпочтения в способах оплаты, брендах и ценовых сегментах.

На основе собранных данных создают сервисы рекомендаций сопутствующих товаров/аксессуаров, товаров-аналогов, модели для прогнозирования интереса клиента к определенной товарной категории, склонности покупать товары определенного бренда и в определенном ценовом сегменте, а также персональные рекомендации конкретных товаров для клиента. Маркетинг на основе анализа данных позволяет предугадывать желания клиентов и увеличивать конверсию сайта и мобильного приложения.

Например, в сценарии «хиты», «новинки», «в тренде» на сайте или в приложении М.Видео модель может выдавать подборку товаров и реагировать на активность взаимодействия пользователей с предложенными вариантами. Наиболее “успешные” стратегии получают больший вес среди других и показываются чаще. Аналогично ранжируются и наиболее привлекательные товары внутри одной товарной стратегии.

Ассортимент на основе потребностей клиентов

Прогнозная аналитика и рекомендательные сервисы применимы и для повышения операционной эффективности внутренних процессов. Например, таких традиционных для ритейла как планирование ассортимента, ценообразование и настройка промо. В 2021 году М.Видео-Эльдорадо почти полностью перешла на формирование ассортимента в каждом из 1200 магазинов на основе машинных рекомендаций.

Продукт анализирует пользовательские сессии, данные о совместных просмотрах моделей товаров на сайте. Таким образом он выявляет потребности клиентов и кластеризует товары по потребностям. Так, если клиент просматривает несколько товаров из одной категории в рамках одной сессии, то с высокой степенью вероятности эти товары для него очень близки.

Если подобным поведением отличаются и другие пользователи, между этими товарами точно есть что-то общее. Обработав большой массив данных, модель формирует дерево клиентских предпочтений, которое фиксирует выявленные потребности пользователей. На втором этапе эти потребности прогоняются через рекомендательный алгоритм, который также учитывает особенности спроса и формат разных магазинов, коэффициент уникальности каждого товара и заданные бизнес-цели компании. На выходе выдает рекомендацию, какие модели поставить на полку в каждой товарной категории, чтобы удовлетворить ожидания максимального числа клиентов и не занимать ограниченное розничное пространство взаимозаменяемыми устройствами. Коммерческие менеджеры, в свою очередь, могут принять рекомендацию системы или внести корректировки, исходя из своей экспертизы.

Управление ценами и промо

Цель этой категории data-driven продуктов – автоматизированное управление ценами и промоакциями на товары с помощью умных алгоритмов. Многие решения пока в стадии R&D, некоторые уже пилотируются.

Например, для ценообразования можно определять эластичность спроса на категорию товаров или даже модель к изменению цен, сегментировать товары по степени чувствительности к ценовым колебаниям и разрабатывать ценовые правила и стратегии для разных сегментов.

Для прогнозирования эффекта от промоакций компания также анализирует плановые цены/скидки, промо-акции, доступность и сезонность. Также учитываются исторические данные: продажи, цены/скидки, промо, доступность, активность конкурентов. Через анализ поведения клиентов на сайте проводится оценка товаров, которые потенциально конкурируют друг с другом. Далее создается прогнозная модель продаж, которая позволяет через сценарное моделирование на уровне категорий и товаров провести ретро-анализ прошлых акций, рассчитать “честный” инкрементальный эффект промо на продажи и оценить влияние ключевых факторов. В итоге ритейлер может предложить покупателям скидки, которые интересны и конкурентны, но при этом и бизнес остается эффективным.

Чат-бот

Чат-бот Алена обрабатывает входящие обращения клиентов М.Видео на сайте, в приложении и мессенджерах, распознает их суть и имитирует живое общение с помощью NLP-алгоритмов. Компания за год смогла значительно повысить уровень автоматизации бота с 20 до 50%. Алена повышает качество сервиса, собирает аналитику по темам, может осуществлять продажи.

Клиентские обращения отрабатываются по нескольким группам сценариев в разрезе сущностей, по которым клиент хочет получить информацию: заказы, товары, программа лояльности, магазины и несколько видов сервисных запросов. По первоначальному запросу определяется сценарий для дальнейшего диалога. Если его уже разработали, общение продолжается с ботом. Если нет, то запрос переадресовывается оператору колл-центра.

Наиболее сложный сценарий – подбор товара. Во-первых, необходимо, чтобы бот “понимал” клиента. Для этой цели разработчики Группы реализовали модели определения и классификации намерений клиента, а также компоненты по извлечению сущностей: товарной категории, бренда, атрибутов и т.д. При этом, клиенты в общении с ботом используют привычную для них общую лексику и термины, которые плохо согласуются с табличными данными из товарных спецификаций. Соответственно, дополнительная задача, которая была решена, это автоматическое распознавание ключевых пользовательских терминов и «связка» этих двух словарей. Во-вторых, необходимо выстроить с клиентом оптимальный диалоговый сценарий, в ходе которого будут уточнены все действительно важные характеристики товара. Для этого по текстам отзывов о товарах были разработаны модели определения ключевых товарных характеристик и их значимости с точки зрения клиента.

Финальный список подходящих товаров формируется, исходя из рассчитанного рейтинга с учетом обозначенной потребности и характеристик. Кроме того, список корректируется параметрами доступности товаров в регионе и возможных способов получения (доставка, самовывоз из разных точек). Дополнительно, могут быть реализованы обращения к другим ml-сервисам по рекомендации аксессуаров, расходных материалов и т.д.

Видеоаналитика

Видеоаналитика, по словам ритейлера, представляет особую гордость. Ее полностью разработали внутри дата-офиса Группы и в данный момент масштабируют в 20 магазинах в Москве. Решение задействует данные с уже установленных в магазинах камер видеонаблюдения. По оценкам М.Видео-Эльдорадо, их продукт в несколько раз дешевле рыночных аналогов и уже доказывает коммерческую эффективность.

Видеопоток передается в облако, где обрабатывается нейросетью на основе YOLO – решения для детекции множественных объектов на изображении. Сейчас реализованы три основных сценария использования полученных данных: «одинокий покупатель», «очередь у касс» и «тепловая карта магазина». Система в режиме реального времени анализирует поток данных из магазина, может отличить сотрудников от посетителей, а затем «накладывает» данные о местоположении людей на план магазина.

kak mvideo eldorado primenjaet data science v biznese 75ad08d - 📊 Как М.Видео-Эльдорадо применяет data science в бизнесе

Первым направлением видеоанализа стала быстрая помощь покупателям, которые уже некоторое время стоят у полки или перемещаются по торговому залу в поисках консультанта. ИТ-решение оперативно выявляет таких клиентов и отправляет о них уведомление сотрудникам магазина через чат-бот. Технология способствует повышению внимательности персонала к покупателям и росту качеству сервиса. С начала проекта количество уведомлений о необходимости помочь клиенту или открыть дополнительные кассы сократилось на 75%, а коэффициент конверсии вырос на 35% по сравнению с сопоставимыми магазинами. Нейросеть также анализирует количество посетителей в зоне выдачи товара и касс. Алгоритмы компьютерного зрения позволяют в режиме реального времени оптимизировать очереди и построить тепловые карты магазинов для изучения поведения клиентов с целью оптимизации ассортимента и выкладки.

Заключение

Дата-офис М.Видео-Эльдорадо не останавливается на достигнутом. В планах масштабирование работы с данными на всю компанию, цифровая трансформация и стирание границ между IT, данными и бизнесом, а также развитие навыков и компетенций по работе с данными у коллег вне дата-офиса. Для полной трансформации компании в data-driven нам необходимо развивать корпоративную культуру работы с данными как с активом и внедрять как можно больше эффективных продуктов Data Science related во все бизнес-стратегии.

  • 1 views
  • 0 Comment

Leave a Reply

Ваш адрес email не будет опубликован.

Этот сайт использует Akismet для борьбы со спамом. Узнайте, как обрабатываются ваши данные комментариев.

Свежие комментарии

    Рубрики

    About Author 01.

    blank
    Roman Spiridonov

    Моя специальность - Back-end Developer, Software Engineer Python. Мне 39 лет, я работаю в области информационных технологий более 5 лет. Опыт программирования на Python более 3 лет. На Django более 2 лет.

    Categories 05.

    © Speccy 2022 / All rights reserved

    Связаться со мной
    Close