Два по цене трех: выиграть битву за клиента с помощью больших данных
Машинное обучение — это не модный термин, а ключевое оружие сервисных индустрий, которое помогает увеличить средний чек
«Будущее уже здесь, просто оно еще не так широко распространено», — однажды сказал футуролог Уильям Гибсон. Эта цитата хорошо характеризует ситуацию вокруг больших данных и искусственного интеллекта. Эти технологии уже работают, но мы не всегда можем с уверенностью сказать, как именно и где. Более-менее активный пользователь цифровых сервисов уже сталкивался с чат-ботами и голосовыми помощниками. Но вот говорить о том, что пользуются ими все и повсеместно, пока точно преждевременно.
Искусственный интеллект в ретейле
Ретейл — пожалуй, одна из самых динамично развивающихся отраслей, где высокая конкуренция заставляет быть всегда на шаг впереди. Именно поэтому ретейл первым пробует в действии инновационные инструменты. Искусственный интеллект, являющийся логичным развитием технологии больших данных, отличный способ сохранить свой сегмент рынка и завоевать лояльного покупателя. Самые прогрессивные уже поняли, что в современной парадигме важным становится не только качество продукта, но и персонализированный клиентский сервис.
Теперь компании сосредоточились на своих клиентах и хотят получить о них как можно больше информации, которая поможет сформировать интересное предложение и выстроить долгосрочные отношения. Чем это вызвано? Меняется макросреда, требования клиента к ретейлерам, и, самое главное, появляется огромное количество доступной для анализа информации. Причем данные собираются как внутренними, так и внешними источниками. Портрет потребителя сегодня может складываться не только по его покупкам в магазине, но и, например, по поведению в социальных сетях. Большие данные, искусственный интеллект, машинное обучение — это не модные термины, а ключевое оружие сервисных индустрий, которое помогает выигрывать битву за клиента. И сейчас самое удачное время для инвестиций в эти технологии, с помощью которых клиентские данные можно анализировать.
Развитие аналитических инструментов: AlphaGo VS человек
Помимо спроса на новые инструменты для работы с большими данными нужны еще и технические возможности для обработки массивов информации. Рост вычислительных мощностей можно проследить на простом примере эволюции программы для игры в Го. В 2016 году компьютерная программа для игры в Го (AlfaGo) — обыграла профессионального игрока с разгромным счетом 5:0, тут нужно заметить, что в отличие от шахмат, в Го невозможно выиграть путем перебора комбинаций. Дальше больше. Через год была разработана более мощная версия программы AlphaGo Zero, сыгравшая около миллиона партий сама с собой и при этом на каждых ход было потрачено всего около 0,4 секунды. Для сравнения, человеку на то, чтобы пройти такое же количество партий, понадобится несколько тысяч лет.
Сегодня методы, разработанные для игры в AlphaGo, могут применяться и в других областях. В случае с ретейлом — для различных маркетинговых кампаний и программ лояльности и сбора данных о клиенте.
Итак, у нас есть технология, есть массивы информации и аналитические мощности, возникает вопрос — что же делать с полученными данными, как их эффективно использовать? Для начала стоит выяснить, что нужно клиенту, и чем он готов ради этого пожертвовать. Недавно мы провели исследование, согласно которому 89% российских потребителей готовы делиться с компаниями определенной частью персональной информации в обмен на качественное обслуживание, а 70% — отметили важность бонусных предложений и индивидуальный подход. Персональные предложения — не хайп, это вынужденная мера в эпоху, когда информация обрушивается на нас тоннами. Поэтому клиент всегда обратит внимание на то, что подобрано специально для него.
Яркий пример работы с информацией о поведении потребителей — Netflix. Компания определяет профиль клиента по его поведению: когда он заходит на сайт, как быстро делает выбор, сколько времени находится на каждом из разделов и смотрит тот или иной фильм, какие моменты пересматривает, а какие, наоборот, прокручивает. Искусственный интеллект анализирует тысячи действий посетителей и формирует набор рекомендаций для каждого конкретного пользователя.
Магазин «Виктория», входящий в ГК «Дикси», в 2017 году запустил такую программу лояльности, основанную на точечных рекомендациях. В рамках программы ретейлер делает персональные предложения на товары со скидкой до 50%. Искусственный интеллект анализирует чеки покупателей, строит модель предпочтения потребителя и автоматически предлагает ему товары со скидкой. Как результат — уже в первый месяц работы программы лояльности средний чек повысился на 10%.
У американского Walmart ситуация посложнее. Его магазины расположены по всей большой территории страны. И ретейлер на базе платформы SAP HANA регулярно обрабатывает 250 млн транзакций с данными о клиентах. При этом 94% запросов обрабатывается меньше чем за 2 секунды. В период «черной пятницы» загрузка данных не превышает 1 часа. Компания оперативно анализирует реакцию потребителей на ту или иную акцию на Восточном побережье и на основании этого корректирует выкладку товаров на Западном, где магазины еще не открылись.
В том, что искусственный интеллект — инструмент, который в будущем сильно повлияет на развитие многих отраслей, сомнений нет. Быстрый анализ больших объемов информации, постоянное самообучение, а также высокая точность прогноза могут дать большое конкурентное преимущество.
Все дело в модели
Для того чтобы объяснить, как работает ИИ с точки зрения обычного покупателя, представим ситуацию. Вы регулярно приходите в магазин и покупаете определенные товары. Конечно, состав ваших покупок непостоянный, но большая часть из них неизменна. Это ваша так называемая потребительская корзина. На кассе вам пробивается персональная скидка на ряд продуктов. Почему именно эти товары, спросите вы? Все дело в модели.
Сначала ИИ проанализировал чеки покупателей (не только ваш) и построил так называемые связи «люди-продукты», где определил, что люди покупают, в какое время и в каком количестве. На следующем этапе все чеки были сопоставлены на предмет повторяющихся групп товаров. То есть если кто-то до вас купил в магазине такие же товары, как и вы, то эта «связка» уже попала в систему анализа. И так по каждому чеку и по каждому товару. Впечатляет, не правда ли? То есть для того, чтобы предложить вам определенный продукт с вероятностью, что вы его купите, система проанализировала сотни тысяч покупок сотен тысяч покупателей. И об этих космических объемах информации мы начали говорить вместе с активным развитием искусственного интеллекта. В этом, на первый взгляд, действительно сложно разобраться, над построением архитектуры нейронных сетей трудятся большие команды аналитиков и data-scientists, но, как мы видим на примерах выше, все это окупается. В виде увеличения как лояльности клиентов, так и среднего чека.
В 2017 году профессор Стэнфордского университета Михал Косински соединил психологию с большими данными и констатировал, что ИИ, проанализировав всего 300 наших «лайков» FB, может изучить нас на уровне наших родителей. То есть то, над чем люди работают всю жизнь, может быть изучено машиной за несколько минут.
Понятно, что для построения эффективной модели работы системы всегда требуется много итераций, выполняемых аналитиком. Это так называемый тюнинг модели. Но это лишь временные инвестиции в работу аналитического блока. В итоге модель обучится, будет оперативно сама обрабатывать данные и выдавать результат. Начинайте активно использовать искусственный интеллект, так как все компоненты для построения такой системы уже доступны.