Como epígrafe, también conocido como descargo de responsabilidad, me gustaría decir que estamos planeando una serie de materiales sobre ML al servicio de un minorista moderno. Planeamos contar "de la estufa" a los pequeños detalles (incluidos pernos y tornillos) sobre cómo el aprendizaje automático salva a nuestro negocio de la rutina y los bajos márgenes. Esperamos que el tema sea de interés para la audiencia de Habr y no cause una reacción alérgica aguda entre los lectores. Si tiene alguna experiencia personal sobre el tema mencionado, no dude en compartirla en los comentarios.
El 80% de las empresas están adoptando tecnologías de aprendizaje automático: esta cifra fue nombrada por uno de los líderes de Microsoft Jean-Philippe Courtois en la conferencia AI Jorney en diciembre, hablando sobre el impacto de la pandemia en la economía global. Según Courtois, el 56% de las empresas planean aumentar su inversión en aprendizaje automático.
En el comercio minorista, la inteligencia artificial y el aprendizaje automático ya se utilizan para muchas operaciones, desde la planificación de suministros y la mejora de la eficiencia del marketing hasta el cálculo de horarios de trabajo para los empleados minoristas. M.Video-Eldorado ha ido más allá para ofrecer a sus clientes un surtido, precios y promociones basados en analítica avanzada. Cómo funciona, contaremos en una serie de materiales sobre varias soluciones ML en el campo del comercio.
Algunos pensamientos obvios
Para empezar, recordemos qué tareas puede resolver el aprendizaje automático y por qué es bueno para el comercio minorista. Si vende leche de su vaca, sabe perfectamente bien sin computadoras cuál de sus vecinos la necesita, cuánto comprarán y qué precio consideran atractivo, e incluso aquí las simples habilidades contables no vendrán mal.
Es un asunto diferente: grandes cadenas minoristas con decenas o incluso cientos de miles de artículos básicos y millones de compradores. ¿Cuál de estos "irá a la gente" fácil y rápidamente, y cuál permanecerá en el estante durante años? ¿Qué debería pedir a los proveedores y a qué debería renunciar?
¿Qué productos puede ofrecer descuentos de vacaciones, qué ofrecer en publicidad contextual? Es imposible definirlo “manualmente” y con precisión. Y luego ML viene al rescate, el procesamiento mecánico de grandes cantidades de datos, que se pueden "distribuir" por categorías de productos, características, geografía de puntos individuales, velocidad de venta de bienes, etc.
Los algoritmos de ML no son, por supuesto, un dogma, sino una guía de acción para los expertos que toman la decisión final sobre adquisiciones, precios y promociones. En pocas palabras, la "máquina" ofrece una bifurcación basada en la demanda, los precios de la competencia y otros parámetros dados.
Por ejemplo, para un mismo sistema de audio puede haber varias ofertas de 2.000 a 4.000 rublos en Moscú y de 1.500 a 3.400 en un centro regional con un ingreso per cápita más bajo. Si tiene el objetivo de vender más rápido, establece un umbral más bajo.
Si quiere ganar más, haga exactamente lo contrario. Y después de cierto tiempo, las herramientas de aprendizaje automático le dirán si hizo lo correcto y si necesita ajustar sus acciones. Digamos que no perseguir el máximo beneficio, sino apostar por la tasa de rotación de fondos.
El virus conduce a lo digital
Muchas personas utilizan ahora las capacidades de aprendizaje automático, desde mercados y redes federales hasta marcas locales. La migración hacia ML se hizo especialmente notoria durante la pandemia, cuando las empresas comenzaron a moverse masivamente "en línea y digital", lo que significa que aparecieron muchos más datos para el procesamiento "automático". El comercio minorista se ha vuelto más eficaz en el análisis del comportamiento de sus clientes, sus opiniones, búsquedas, participación en promociones, compras, reacciones a las comunicaciones.
Aproximadamente 74 millones de usuarios visitan los sitios web M.Video y Eldorado cada mes. Su perfil e historial de interacción con la empresa forman la base de los modelos predictivos y los servicios de recomendación que desarrolla el minorista, incluso en el ámbito del comercio.
Sin embargo, en línea ya no es la única fuente de información para el consumidor. M.Video-Eldorado en 2020 cambió por completo a la plataforma OneRetail, que, gracias a las tecnologías móviles en retail, permite digitalizar la experiencia offline de los clientes y analizar estos datos. Y esta es una gran variedad: el 85% de los compradores de equipos de una forma u otra interactúan con las tiendas físicas.
El vendedor a través de la aplicación en su teléfono inteligente autoriza al cliente, accede a su perfil, comprende sus preferencias, ve el historial de compras, bonificaciones y descuentos, ofertas personales. Mediante esta decisión se lleva a cabo la selección y compra de mercadería en la tienda, que también se suma al análisis y afecta a los contactos futuros.
Los sistemas predictivos y de recomendación también analizan los indicadores de ventas, el nivel, la dinámica de la demanda, la elasticidad del precio, el compromiso del cliente y el impacto de las promociones en las ventas y la eficiencia empresarial.
La introducción de soluciones de ciencia de datos en el comercio permitirá a M. Video-Eldorado, en primer lugar, comprender mejor las necesidades de los clientes y aumentar la precisión de la planificación del surtido, y en segundo lugar, calcular el precio óptimo en función del deseo de realizar las mejores ofertas. en el mercado, al tiempo que aumenta la eficiencia empresarial.
Cómo configurar un surtido
Por ejemplo, el aprendizaje automático ayuda a predecir la demanda no solo en función de las ventas ya realizadas, sino también de la demanda de los clientes. Si imagina que se pueden colocar 12 teteras en el estante de una tienda, ¿qué modelos deberían ser si tiene 50 en su surtido?
¿Cómo formar un stock de un pequeño almacén regional para que el máximo número de clientes reciba tiempos de entrega rápidos para sus pedidos? Finalmente, ¿cómo encuentra el equilibrio perfecto entre el crecimiento de las ventas, la participación de mercado y el desempeño comercial?
Si anteriormente los gerentes comerciales de M. Video-Eldorado respondieron de manera experta a estas preguntas, ahora nuestro equipo de ciencia de datos está desarrollando servicios de recomendación basados en ML para ayudarlos.
Entonces, según las sesiones de los usuarios, se forma un árbol de decisiones, donde todos los productos se agrupan en función de la frecuencia con la que se ven juntos. Esto le permite crear un surtido equilibrado y no duplicar productos en los estantes que cubren una necesidad. Nuestra primera historia de esta serie está dedicada solo a este CDT.
Determine el precio correcto
M.Video-Eldorado también prueba algoritmos de Machine Learning para crear escenarios para el cálculo automático del precio recomendado y evaluación de la efectividad de las promociones. El objetivo es brindar a los gerentes comerciales una herramienta para la gestión diaria de precios basada tanto en datos internos (volumen de ventas, nivel de margen, inventario, calendario promocional) como externos (precios de mercado, actividad de la competencia, etc.).
El modelo calcula varios escenarios en función de los indicadores objetivo y recomienda el óptimo. "Ahora, como parte de las pruebas piloto, comparamos el grado de interés de los consumidores en un producto en particular en diferentes regiones y el nivel de su sensibilidad a las fluctuaciones de precios", dice Vladimir Litvinyuk, Jefe del Centro de Competencia para Análisis de Datos Aplicados y Aprendizaje Automático, M.Video-Eldorado Group .
No es ningún secreto que al elegir un teléfono inteligente insignia o un refrigerador de lado a lado, el comprador busca dónde es más rentable, y al comprar un hervidor para una cabaña de verano o reemplazar un televisor en la cocina, preferirá una tienda probada en casa o condiciones favorables del programa de fidelización.
Además, el equipo de la oficina de datos está probando algoritmos para evaluar la efectividad de las campañas promocionales. Hemos construido un modelo de previsión de ventas teniendo en cuenta un conjunto de stocks y sus parámetros. Con base en este modelo, se simulan varios escenarios de ventas de un producto específico y una categoría en su conjunto para varias opciones para combinar promociones, el impacto de varios conjuntos de promociones en el crecimiento de las ventas y el nivel de canibalización de los bienes promocionales por otros bienes vendidos. a un precio regular se estima.
En el futuro, también esperamos aprender cómo seleccionar el precio de descuento óptimo y otras condiciones para la promoción de cada producto específico, con el fin de maximizar la facturación objetivo o el beneficio de la promoción.
Ahora, el desarrollo del aprendizaje automático en Rusia se ve obstaculizado por dos factores: problemas con la disponibilidad de datos para el procesamiento y distribución insuficiente de los modelos ML, que se acaba de discutir en la conferencia AI Jorney antes mencionada.
Sí, los gigantes del nivel de los mercados tecnológicos, que controlan hasta una cuarta parte del mercado nacional, tienen el pecado de quejarse de la falta de información digitalizada. Las empresas más pequeñas, por otro lado, no siempre tienen una idea clara de qué datos, en qué volumen y de qué calidad son necesarios para la aplicación exitosa de los algoritmos de aprendizaje automático en la práctica.
Es necesario tener en cuenta las descripciones de los bienes divididos en grupos y clusters, estadísticas de ventas, preferiblemente durante un período prolongado, todas las variables posibles: demanda estacional, horario de vacaciones, fluctuaciones monetarias, aparición de nuevos competidores.
En el comercio minorista de productos electrónicos, por ejemplo, la dificultad con los datos radica, en primer lugar, en la baja frecuencia de las compras: nadie compra un televisor, un refrigerador y unos auriculares nuevos dos veces por semana, como ocurre con el pan y la carne. Y en segundo lugar, el surtido es muy diverso y está débilmente conectado, lo que dificulta la búsqueda de patrones. Sin embargo, los modelos digitales deben reaccionar a la situación en tiempo real: si no tenían tiempo para reaccionar, extrañaban a los clientes.
La pregunta es qué plataformas elegir para precios dinámicos ... Alguien elige el código abierto, alguien las soluciones de caja patentadas de los proveedores, alguien los marcos de ML en la nube ... La cantidad de herramientas de software se mide en docenas, hay opciones que son gratuitas para los emprendedores . Entonces, ¿por qué los asistentes a la conferencia de TI hablan de la falta de proliferación de modelos de aprendizaje automático?
El punto es nuevamente comprender sus propias necesidades y evaluar sus capacidades. Y aquí el intercambio de experiencias y mejores prácticas es más importante que nunca. Por ejemplo, cuando se introdujeron los modelos ML y los precios dinámicos en la tienda online rusa BABADU, los ingresos y los márgenes de beneficio crecieron un 7% en tan solo unas pocas semanas. El consumidor responde a los precios "justos" llevando dinero a los embajadores del aprendizaje automático.