 |
«Рив Гош» повышает уровень продаж с помощью Machine Learning
Компания «Инфосистемы Джет» разработала для сети «Рив Гош» обучаемую систему предсказания поведения покупателей на базе Machine Learning (ML). По первым результатам тестирования точность персональных товарных рекомендаций по конкретным артикулам – около 33%. Ритейлер получил возможность повысить лояльность клиентов, увеличить продажи и снизить издержки на маркетинговые акции за счет адресной работы с потенциальными покупателями. Масштабный проект охватил более 220 торговых точек по всей России, а также интернет-магазин «Рив Гош». Полный цикл рабочего процесса с применением ML реализован всего за 1,5 месяца.
Разработанное решение выполняет два ключевых сценария. Первый – выявление из всех держателей карт лояльности (2,6 млн человек) тех, кто потенциально может совершить покупку в ближайшие 2 недели. В рамках второго сценария система делает прогноз ТОП–2 покупок по каждому из этих клиентов, определяя из десятков тысяч товарных наименований конкретные позиции до уровня артикула (SKU). Обладая этими данными, ритейлер может существенно повысить вероятность тех или иных продаж, своевременно предлагая скидки интересующему сегменту клиентов, а также снизить затраты на их привлечение. При этом размер самой скидки в рамках допустимых значений система рассчитывает для каждого покупателя индивидуально.
Прогностическое решение использует комплекс методов машинного обучения (градиентный бустинг, random forest, коллаборативную фильтрацию и др.). На первом этапе проекта математическая модель обучалась на данных, консолидированных в CRM-системе , включающих информацию о транзакциях за 2017 год, товарных позициях, товарообороте и поставках, а также историю покупки и демографические данные держателей дисконтных карт. Анализируя скрытые закономерности, ML-система выделила целевой сегмент покупателей и предсказала вероятные позиции в их чеках. Следующим этапом была произведена контрольная рассылка по требуемой категории клиентов, а затем – анализ фактических результатов (покупок).
В выявленной группе клиентов повторные обращения за покупками составили около 47% (тогда как в среднем по клиентской базе этот показатель равен 22%). Кроме того, их средний чек оказался на 42% больше, чем у остальных покупателей. Таким образом, методами машинного обучения удалось определить «золотой сегмент» держателей карт лояльности. За выбранный промежуток времени они принесли компании порядка 7% дохода, составляя всего 1% от общей клиентской базы. Состав, численность и параметры данного сегмента меняются динамически, и система учитывает это в режиме реального времени.
«Применение технологий Big Data и Machine Learning открыло для нас новые перспективы в развитии взаимоотношений с клиентами и переосмыслении нашего бизнеса. В сжатые сроки мы получили инструмент, который позволил заметно повысить эффективность таргетированных коммуникаций с покупателями. От этого выигрывает и компания, повышая уровень продаж, и клиенты, которые вовремя получают интересующие их предложения, – комментирует Дмитрий Подолинский, директор по маркетингу компании “Рив Гош”. – В настоящее время мы продолжаем развивать направление персонализированных товарных рекомендаций за счет более тесной интеграции инструментов ML в ИТ-ландшафт и бизнес-процессы. В наших ближайших планах – построение отдельного Data Lake для проведения более глубокой аналитики данных, а также совершенствование системы лояльности».
«Этот проект – возможность вывести взаимодействие с клиентом на принципиально новый уровень. Здесь мы на практике выясняем с помощью искусственного интеллекта и накопленных в программе лояльности данных личные предпочтения целевой аудитории, что дает возможность делать заказчику по-настоящему индивидуальные предложения для своих клиентов», – отметил Владимир Молодых, директор по разработке и внедрению компании «Инфосистемы Джет».
Выявленные в ходе проекта закономерности дали дополнительные возможности для повышения точности математической модели и развития новых подходов в формировании персональных предложений для целевой аудитории. В частности, сегодня компания «Рив Гош» совместно с «Инфосистемы Джет» рассматривает возможность добавить неиспользуемые ранее показатели (информацию о складах, рейтинги товаров и пр.) для расширения выборки и круга решаемых задач. Еще одно направление сотрудничества связано с анализом эффективности различных каналов взаимодействия с группами клиентов для оптимизации расходов на маркетинговые кампании.
В настоящее время «Инфосистемы Джет» реализует порядка 20 проектов с применением технологий Machine Learning в банках, ритейле, промышленности, страховании и других отраслях. Перечень решаемых интегратором задач весьма разнообразен: от повышения эффективности маркетинга и предотвращения брака на производстве до противодействия мошенничеству.
Контактное лицо: Полина
Компания: Инфосистемы Джет
Добавлен: 04:57, 18.05.2018
Количество просмотров: 759
Страна: Россия
| Цифровая библиотека BIM-объектов «МЕКА» в Model Studio CS, АО «СИЭС Групп», 22:56, 21.07.2026, Россия327 |  |
| Как быстро найти нужные элементы МЕКА и собрать из них корректную кабельную трассу? На вебинаре CS Group покажем, как работать с базой данных кабеленесущих систем в Model Studio CS: искать лотки, крышки, консоли и соединители, формировать мини-каталог под типовые задачи и выполнять трассировку по заданному сечению. |
| ГИГАНТ — Компьютерные системы: о переходе на российское ПО, ГИГАНТ, 22:52, 21.07.2026, Россия298 |
| Алексей Колодка, директор по работе с государственными заказчиками компании «ГИГАНТ — Компьютерные системы» рассказал о ключевых тенденциях импортозамещения: почему компании переходят на отечественные решения, как меняется совокупная стоимость владения и какие проблемы остаются нерешенными. |
| UDV Group: заражение одного компьютера может привести к шифрованию сети, UDV Group, 22:51, 21.07.2026, Россия298 |
| Российский разработчик решений в области киберустойчивости UDV Group предупреждает о риске AsyncRAT для компаний. Троян удаленного доступа может стать не локальным заражением одного ПК, а точкой входа во внутреннюю сеть, кражи учетных данных и последующей атаки с шифрованием. |
|
|
