Как искусственный интеллект может увеличить доходы ритейла, рассказывает эксперт консалтинговой компании "Актив-Система" Денис Герман

29.11.2018
914

Фото: viridis.energy

Технологии на основе искусственного интеллекта (ИИ) увеличивают прибыль – это доказывает опыт мировых корпораций. К примеру, система рекомендаций товара Amazon, которая во многом основана на ИИ, генерирует 35% дохода компании. В мае 2018 года консалтинговая компания McKinsey опубликовала исследование 19 индустрий, которое подтверждает огромный потенциал ИИ: он способен приносить бизнесу до$3,5-5,8 трлн в год суммарно. Ритейл в этом рейтинге занимает первое место – ему ИИ может приносить до $800 млрд ежегодно.

Руководитель практик в сегменте ритейл "Актив-Система" Денис Герман (в свое время возглавлял сеть ProStor) в своей колонке разбирается как ИИ может помочь украинским ритейлерам увеличить доходы.


Главные сферы применения ИИ в ритейле – анализ поведения покупателей и составление оптимального ассортимента. Сначала разберемся, как их анализировали раньше, до появления высоких технологий, и как нужно это делать сегодня. Затем рассмотрим, как именно искусственный интеллект может помочь ритейлу в каждом из направлений.

Три типа аналитики

Описательная аналитика (Descriptive Analytics). Отвечает на вопрос: "Что произошло?"

Сегодня почти все компании работают с ней. Эта аналитика обрабатывает массивы данных. Описательная аналитика собирает, категоризирует и обобщает данные в таблицах и графиках. Типичный пример – цифры продаж компании за год, структурированные по возрастным группам покупателей, их полу и региону.

 "Предсказательная аналитика" (Predictive Analytics). Отвечает на вопрос "Что может произойти?"

Многие пошли дальше: научились собирать и хранить большие массивы данных и перешли к использованию методов «предсказательной аналитики. Используя Big Data и методы статистического анализа, она позволяет строить модели прогнозов. Конечно, в основе предсказания всегда лежит вероятность. Предиктивная аналитика позволяет прогнозировать, но не объясняет, как увеличить эффективность. Классические примеры моделей предиктивной аналитики – прогнозы продаж или расчет потребности в товарном запасе на полке магазина для промоактивности.

"Предписывающая аналитика" (Prescriptive Analytics). Отвечает на вопрос "Что мы должны делать?"

Ее внедряют компании-лидеры своих индустрий. Использует большие массивы данных – внутренних и внешних, исторических и текущих – и алгоритмы симуляции будущего с помощью машинного обучения. Благодаря ИИ появляется возможность предсказать альтернативные сценарии будущего и построить оптимальные модели действий для его реализации.

Будущее ритейла – за предписывающей аналитикой.

Три ключевые сферы применения ИИ в ритейле:

Искусственный интеллект поможет ритейлерам в первую очередь в том, что касается подбора товаров и определения их стоимости для покупателя. Он будет эффективен при:

  • Выборе оптимального ассортимента. Когда нужно сформировать оптимальный смешанный набор товаров для промо-предложений (с учетом каналов продаж и сезонности), чтобы базовые продажи и маржа выросли.
  • Определении ценовой стратегии. Выбор правильной цены на профильные категории, основные, сезонные и промо-товары поможет управлять ростом целевой маржи и продаж.
  • Управлении цепочками поставок. Это нужно, чтобы повысить точность прогнозирования и свести к минимуму ситуации, когда товара не оказывается в наличии, он списывается или возвращается.

 Все эти области относятся к категории оперативных решений – категорийные менеджеры и менеджеры отдела по организации поставок принимают их, чуть ли не ежедневно.

Фото: StatProjectRu

Как принимать эффективные  решения. На примере промо-предложений

Сегодня весь продуктовый и косметический ритейл работает с промо-предложениями – в акционные периоды на них приходится не менее 50% всех продаж. Промо-календари составляются на месяц, а бывает, что и всего на пару недель – без остановки.

Каждый игрок на рынке пытается выиграть борьбу за покупателя, предложив максимальную скидку на ключевые товарные позиции. Но это не всегда оправдано, так как существует так называемая "эластичность", после которой дополнительные скидки не дают прироста продаж. То есть фактически компания начинает терять деньги.

Как этого не допустить? Давайте представим себе типичного категорийного менеджера, который управляет 1500 складскими учетными позициями. Он должен определиться с ассортиментным миксом в промо-предложении и его ценой, исходя из как минимум восьми факторов:

  • Истории прошлых продаж.
  • Доступности этого ассортимента на полках в прошлых периодах.
  • Текущего плана продаж по категориям.
  • Соответствия с промо-календарем компании.
  • Инициативами поставщиков.
  • Текущих и будущих акций конкурентов.
  • Цен на рынке.
  • Сезонности.

Тут нужно учесть комбинации десятков факторов, которые формируют модель прогноза продаж по категории, за которую отвечает менеджер. Еще менеджеру нужно ответить на вопрос: "Как промо на товар А и с какой глубиной скидки стимулируют покупателя взять с полки и добавить в корзину товар Б". Появляются миллиарды вариантов.

Человеческий мозг не способен решать такие задачи. Поэтому чаще всего модель упрощают – в ход идут исторические коэффициенты, а большинство значимых деталей попросту пропускают.

Прогноз продаж по категории и будущей промо-цены превращается в угадывание. Его точность зачастую невысокая –следовательно, компания продает меньше, чем могла бы, и раздает больше скидок, чем этого требует рынок. В остатках на полках перекос – что-то заканчивается уже в первые дни промо, а какие-то товары придется возвращать поставщику или распродавать все следующее полугодие.

Умножим все эти факторы на количество менеджеров, которые принимают схожие решения по схожей схеме, – и получим не слишком радостную картину.  

В отличие от человека, алгоритмы ИИ позволяют «прогнать» миллиарды комбинаций по заданным условиям (параметры цены, глубины скидки и спроса). Они объясняют, при какой регулярной и промо-цене можно выиграть сделку за покупателя, получить целевой рост продаж, не раздать маржу и доставить на полку ровно столько товара, сколько нужно для выполнения плана продаж. В онлайне ИИ делает продуктовые рекомендации и позволяют взаимодействовать с клиентом персонализировано – вплоть до промо-предложений, основанных на личных предпочтениях, и индивидуальных цен.

В управлении цепочками поставок ИИ-инструменты повышают точность прогнозирования на 10-20%. Это снижает стоимость управления запасами минимум на 5% и повышает выручку на 2-3% – потому что товар всегда на полке.

ИИ в ритейле Украины

Ритейл-компания даже среднего масштаба выиграет от внедрения технологий ИИ. Средняя стоимость внедрения такого проекта – $100–300 тыс.

Сегодня нет готовых коробочных решений, которые можно интегрировать при минимальных трудозатратах со стороны заказчика и компании-разработчика. Поэтому здесь, скорее, нужен проектный консалтинговый подход, при котором и заказчик, и разработчик готовы нести временные и финансовые риски, чтобы получить рабочее решение. В этой схеме заказчик отдает данные, разработчик тестирует гипотезы и дает рекомендации, которые нужно качественно воплотить. Только так можно добиться результата.

Пока что не все украинские ритейлеры действительно понимают все возможности ИИ-технологий, и не все IТ-компании понимают, как с ними работать. Но трансформация уже началась. Реальные кейсы и примеры успешной трансформации и факапы ритейла читайте в следующей колонке.

Читайте свежие новости и аналитику о ритейле и интернет-торговле в Украине на нашей странице в Facebook, на нашем канале в Telegram и в Facebook Messenger, (обновление раз в день), а также подписывайтесь на нашу еженедельную e-mail рассылку.