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.

  • 0 views
  • 0 Comment

Leave a Reply

Ваш адрес email не будет опубликован. Обязательные поля помечены *

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