Share This
Связаться со мной
Крути в низ
Categories
//📊 Как М.Видео-Эльдорадо применяет науку о данных в бизнесе

📊 Как М.Видео-Эльдорадо применяет науку о данных в бизнесе

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

kak mvideo eldorado primenjaet nauku o dannyh v biznese 02ebb9b - 📊 Как М.Видео-Эльдорадо применяет науку о данных 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.

kak mvideo eldorado primenjaet nauku o dannyh v biznese b804340 - 📊 Как М.Видео-Эльдорадо применяет науку о данных 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 коммуникаци, изменения бонусного счета, а также предпочтения в способах оплаты, брендах и ценовых сегментах.

На основе собранных данных создают модели для персонализации клиентского опыта и рекомендации товарных категорий: конкретных популярных и новых моделей техники, предложения похожих или сопутствующих товаров, аксессуаров. Маркетинг на основе анализа данных позволяет предугадывать желания клиентов и увеличивать конверсию сайта и мобильного приложения.

Например, в сценариях «хиты», «новинки», «в тренде» модель выдает подборку товаров и реагирует 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 более чем 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. Для этого компания внедряет инструменты принятия решений на основе машинных алгоритмов и автоматизированных бизнес-правил.

Для ценообразования определяют эластичность товара к изменению цен, сегментируют товары по степени чувствительности к цене и разрабатывают ценовые правила/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 формируется календарь промо-акций, целей на промо-акцию и список моделей на будущие акции.

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 сценариям на основе предмета, по которому 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. Необходимо, чтобы бот “понял” клиента. Для этого разработчики группы создали алгоритм определения и классификации намерения клиента – он распознает товарную категорию, характеристики товара и нужные атрибуты. При этом, клиенты в общении с ботом используют привычную для них лексику – термины, которые плохо согласуются с табличными данными из товарных спецификаций. Соответственно, дополнительная задача -–автоматическое распознавание пользовательских терминов и связка этих двух словарей.

Формирование финального списка подходящих товаров тоже непростая задача. Для начала, необходимо построить итоговый рейтинг по товарам с учетом заданной потребности и характеристик, после этого уточнить список, исходя из доступности товаров в регионе и возможных способов получения (доставка, самовывоз из разных точек). Дополнительно можно обратиться к другим ml-сервисам по рекомендации аксессуаров, расходных материалов и т.д.

kak mvideo eldorado primenjaet nauku o dannyh v biznese 66bf1bc - 📊 Как М.Видео-Эльдорадо применяет науку о данных в бизнесе

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.

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 ИТ, 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 ей 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.

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