Как повысить продажи с помощью машинного обучения и искусственного интеллекта в ecommerce. Принципы работы и примеры внедрения ML в бизнесе.
17 апреля 2023
Machine learning в продажах и бизнесе
Machine learning в продажах и бизнесе
Machine learning в продажах и бизнесе
Machine learning, ML, или машинное обучение, — множество методов, с помощью которых можно спрогнозировать следующий шаг клиента: рассчитать дату очередной покупки или предложить сопутствующий товар. ML-алгоритмы ищут закономерности в поведении клиентов, чтобы на их основе сделать предсказание
Используя machine learning, «Перекрёсток.Впрок» стал персонализировать время отправки, что увеличило оборот от писем на 14–30%, а в L’Oreal Luxe удвоили доход от CRM-коммуникаций с помощью персонализированных рекомендаций.
Рассказываем, как внедрить технологии машинного обучения в e-commerce, кому это подходит и когда ждать отдачи от вложений.
Что такое machine learning
Технологии, которые обрабатывают данные по алгоритмам, схожим с мышлением человека, называют искусственным интеллектом (AI).
ML — инструмент искусственного интеллекта. Он помогает алгоритмам обучаться на опыте решения множества похожих задач.
Алгоритмы, основанные на ML, широко используются в e-commerce. Ритейлеры собирают о пользователях разные данные, например глубину просмотров сайта и содержимое чеков. Анализируя взаимосвязь между данными с помощью статистики и теории вероятности, ML-алгоритмы делают прогнозы.
Алгоритмы ML анализируют зависимости: если два клиента предпочитали стейк в сочетании с мороженым и соком, вероятно, третий клиент выберет то же самое
Чем больше данных есть для анализа, тем больше решений задачи могут предоставить алгоритмы. Решения постоянно тестируют: сверяют прогноз с реальными результатами за период. Сбывшиеся прогнозы становятся базой для дальнейших исследований. Постоянно самообучаясь, программы улучшают свою способность прогнозировать.
Бизнес использует ML, чтобы изучить клиентов и предоставить им персональные рекомендации. Главное условие — большая выборка данных: от поисковых запросов до содержимого брошенной корзины.
Ритейлеры уже оценили преимущества машинного обучения. Когда данные обрабатывает машина, она сравнивает больше параметров. Прогноз дальнейшего поведения клиента получается более точным, а вероятность ошибок снижается.
Книжный магазин Book24 анализирует историю просмотров и заказов, чтобы повысить конверсию рассылок. Компания внедрила ML-алгоритмы, которые определяют оптимальное время доставки рассылок для каждого клиента. Теперь вместо веерной рассылки всем клиентам через 2 недели после покупки магазин делает рассылку с учетом персонализированного прогноза.
В результате open rate рассылок повысился на 25%, click rate — на 20%. Конверсия в заказ стала выше в два раза, а отписок — в три раза меньше.
Открываемость рассылки Book24 выросла, когда ML-алгоритм определил наилучшее время отправки
Рестораны Burger King внедрили программу лояльности и персонализацию на основе ML. Проанализировав историю покупок, искусственный интеллект рекомендовал гостям то, что может им понравиться. Результат — LTV клиента вырос в два раза, а прибыль от допродаж — на несколько миллионов рублей в месяц.
Burger King разработал программу лояльности с учетом прогнозов AI о пользовательских привычках
Как машинное обучение помогает повысить продажи
Прогнозирует спрос и объем продаж
Искусственный интеллект анализирует, как спрос зависит от сезона, цены и популярности товара. Затем он делает прогноз, какие товары будут востребованы.
Сеть гипермаркетов «Ашан» с помощью AI управляет ассортиментом и определяет оптимальные цены. В компании разработали ML-алгоритм для прогнозирования спроса: на основе аналитики за прошлый период он помогает планировать закупки и сокращать издержки. По расчетам компании, внедрение алгоритма увеличивает выручку компании на 2% и сокращает излишек запасов на 5%.
Повышает выручку
AI предлагает варианты товаров, которые с наибольшей вероятностью клиент захочет купить. Рекомендательные системы показывают эти товары клиентам, чтобы увеличить средний чек и количество покупок.
Производитель белья и пляжной одежды INCANTO с помощью ML собрал подборки сопутствующих товаров. Компания разместила виджеты с подборками на сайте, чтобы увеличить конверсию в заказ с карточки товара. После этого доход с сайта вырос на 5,5%.
Виджеты с рекомендациями подсказывают клиенту, что еще он может купить. Это приносит дополнительные 5,5% дохода с сайта
Позволяет узнать клиента, не общаясь с ним напрямую
Алгоритмы ML умеют собирать информацию по цифровому следу пользователей. Они анализируют, как покупатель смотрит сайт и как реагирует на письма компании. Эти сведения помогают создать собирательный портрет клиента, чтобы лучше его обслуживать.
Компания Walmart использует алгоритмы искусственного интеллекта на сайте и в приложении. Покупательницы Walmart могут примерить одежду в виртуальной примерочной. Для этого клиентке нужно загрузить фото или выбрать в приложении модель, наиболее похожую на нее по росту, фигуре и тону кожи. Приложение с AI мгновенно покажет, как клиентка будет выглядеть в выбранном наряде.
Виртуальная примерочная в приложении Walmart помогает примерить одежду без посещения магазина
В чатах поддержки рутинную работу доверяют чат-ботам, которые круглосуточно отвечают на вопросы, а консультанты общаются с пользователями только в случаях, когда робот помочь не может.
Экономит бюджет на маркетинг и рекламу
Чем лучше компания знает своих клиентов, тем более релевантный контент она может им предложить. Например, показать подходящий рекламный баннер или выслать скидочный купон только тем клиентам, кто готов купить продукт. Это позволяет снизить расходы на некликабельные и неинтересные клиентам объявления и акции.
Онлайн-гипермаркет профессиональной косметики imkosmetik отправляет подборку сопутствующих товаров клиентам, которые не совершали покупок в последние 14 дней. ML-алгоритмы анализируют товары в чеках. Например, если клиент оформляет заказ на лак для ногтей, ему предлагают товары, которые обычно покупают с лаком.
Подбором сопутствующих товаров для imkosmetik занимаются ML-алгоритмы
Классическая задача машинного обучения — предсказывать вероятность конверсии пользователя в заказ. Mindbox реализовал ее в алгоритме next best action — лучшее следующее предложение.
При обучении модели мы учитываем историю покупок пользователя, заходы на сайт, открытия и клики из рассылки. По ним мы рассчитываем дату, когда отправленное письмо с наибольшей вероятностью будет конвертировано в заказ.
Интернет-магазин косметики премиум-класса Spadream протестировал конверсию от показа виджетов с товарными рекомендациями. Аудиторию поделили на две части: одной показывали виджеты, другой — нет. Спустя 17 дней оказалось, что клиенты после показов товарных рекомендаций заказали на 20% больше, чем клиенты без них.
Список сопутствующих товаров в магазине Spadream формируется на основе реальных покупок за последние 30 дней
Увеличивает лояльность аудитории
Алгоритмы, основанные на ML, помогают выстраивать долгосрочные отношения с клиентами, увеличивая retention rate. Если клиенты перестают следить за новинками и скидками в компании после покупки, алгоритмы выделяют их в отдельный сегмент, чтобы отправлять напоминания в рассылках и пуш-уведомлениях. Это позволяет вернуть неактивных клиентов.
Mindbox рекомендует использовать разные сценарии для повышения лояльности и реактивации клиентов. Напомнить о себе можно с помощью алгоритмов «лучшее следующее предложение» и «сопутствующие товары», предложив клиенту что-то, что может его заинтересовать.
Сопутствующие товары, которые предлагает интернет-магазин детской одежды BebaKids после доставки заказа
Лучшее следующее предложение сети зоомагазинов «Бетховен»
Алгоритм «лучшее время отправки» подбирает для каждого клиента оптимальное время, когда он прочитает email-рассылку с большей вероятностью. Если один клиент открывает письма по понедельникам в 10 утра, а второй — в 16, рассылку отправят с учетом их привычек.
У компании 12 Storeez самые высокие показатели в понедельник: средний open rate — 19,6%, click rate — 2,9%. Алгоритм учитывает это и отправляет письма от компании по понедельникам.
Клиенты компании 12 Storeez лучше всего реагируют на рассылку по понедельникам — открывают и переходят на сайт
Результаты AB-тестов с контрольной группой показали, что рассылка по рекомендациям ML-алгоритма снижает количество отписок клиентов и увеличивает open rate, click rate и конверсию в заказ.
Если не учитывать индивидуальные особенности подписчиков и отправлять рассылку всем в одно время, можно «выжечь базу» — потерять аудиторию.
Улучшает логистику и управление розницей в офлайне
Искусственный интеллект применяется не только при создании сайтов и приложений. AI помогает компаниям планировать оптимальные маршруты доставки товаров в торговые точки и быстрее собирать заказы на складах.
В магазинах Walmart используется компьютерное зрение — технология для обработки и анализа изображений и видео. Специальные датчики и камеры фиксируют ассортимент продуктов и покупательскую активность. Если на полке образовалось свободное место или закончился товар, программа передает информацию на склад для пополнения запасов.
В сети магазинов Walmart роботы проверяют ценники, наличие и срок хранения товаров
Примеры использования машинного обучения в продажах
Ритейл — оптимальный рынок для использования технологий AI, потому что в розничной торговле есть множество способов собирать данные о клиентах и продуктах. Поэтому можно быстро внедрять изменения в коммуникацию с клиентами, считать отдачу и принимать взвешенные маркетинговые решения.
Благодаря AI торговая сеть H&M масштабировалась до 5 тысяч магазинов в 72 странах мира. Компания внедряет алгоритмы искусственного интеллекта c 2016 года. Они анализируют чеки и возвраты в магазинах по странам и сезонам, чтобы бесперебойно поставлять и гарантированно продавать товары без дисконта. Поддержанием ассортимента полностью управляют алгоритмы AI.
Расположение магазина влияет на лекала, по которым компания шьет одежду: они меняются в зависимости от спроса в определенной местности. Компания разработала программу Weekday Body Scan jeans, которая конструирует джинсы с помощью искусственного интеллекта. Специальное устройство сканирует фигуру клиента в 3D и моделирует джинсы. Через несколько недель компания отшивает их конкретно для этого покупателя.
Клиент H&M сканирует свои размеры в примерочной, а программа предлагает ему подходящий фасон с учетом посадки, цвета и длины
«М.Видео — Эльдорадо» использует AI, чтобы управлять продажами и логистикой из единого бэк-офиса. Крупнейший продавец электроники объединил свои сайты, приложения и розничные магазины в один технологический стек OneRetail.
Приложение OneRetail идентифицирует покупателя, анализирует его предпочтения и персонализирует сервис. Компания отмечает рост лояльности клиентов, частоты покупок и более высокий средний чек. В планах «М.Видео — Эльдорадо» перевести анонимных покупателей в базу идентифицированных клиентов, чтобы лучше отвечать на их запросы.
Идентификация клиентов и анализ их потребностей с помощью нейросетей помогает «М.Видео — Эльдорадо» персонализировать рекомендации и увеличить лояльность аудитории
Клиенты Mindbox используют сервис персональных рекомендаций, разработанный на основе алгоритмов ML, в разных отраслях: одежда, обувь, техника, ювелирные товары, туризм, автоиндустрия, продуктовый ритейл, общественное питание, спортивные товары, путешествия. В качестве примеров можно привести «Ситилинк», «Технопарк», «Связной», «Рандеву», METRO, «Алеан», «МузТорг» «Бетховен».
Mindbox помогает персонализировать рассылки, сайты или рекламу с помощью ML-алгоритмов. Сеть музыкальных магазинов «МузТорг» и девелопер ПИК используют AI, чтобы предлагать клиентам сопутствующие товары. «Альпина» напоминает о брошенной корзине и предлагает подборки книг, которые могли бы понравиться конкретному клиенту.
Когда стоит задуматься о внедрении ML-алгоритмов
Эффект от внедрения ML-алгоритмов быстрее всего увидят компании, которые получают большой объем пользовательских данных от продаж и клиентов. Если компания работает недавно или данных поступает мало, потребуется больше времени, чтобы обучить алгоритм и получать достоверные прогнозы.
На старте новых проектов запускать алгоритмы с ML нет смысла, потому что нет истории взаимодействия пользователей с рассылками. Это актуально для всех алгоритмов рекомендаций. Например, чтобы спрогнозировать лучшее время для отправки рассылки, нужно знать, в какое время человек открывал письма. Если большинство писем просмотрено в обеденный перерыв — это основание для гипотезы, которую можно тестировать.
Чтобы обучить математическую модель для алгоритма, мы берем данные из истории действий каждого пользователя: просмотры, среднее время, проведенное на сайте. Анализируем, как много клиент покупает или как реагирует на письма. А затем проверяем разные гипотезы. Например, что поменяется, если изменить частоту рассылки или время отправки писем.
Небольшой объем рассылки или низкий open rate не означает, что использовать ML бессмысленно. Значимый результат от применения алгоритмов ML будет позже, после накопления истории действий клиентов и работы над содержанием рассылки.
Большинство клиентов могут протестировать результат работы алгоритма «лучшее время отправки» через 2–4 недели после внедрения. В среднем столько времени занимает достижение статистически значимого результата теста.
Для других алгоритмов время тестирования зависит от механики.
Создавать собственные алгоритмы для обработки больших массивов данных сложно и дорого даже для крупных компаний. Быстрее и эффективнее подключить сервис, где эти вопросы уже решены.
Mindbox помогает ритейлу и другим индустриям внедрить ML для улучшения коммуникаций с пользователями: продуктовых рекомендаций и персонализации рекламных сообщений.
