Ритейл рекомендует: особенности работы рекомендательной системы «ВкусВилла»

Технологии искусственного интеллекта и машинного обучения активно применяются практически во всех сферах бизнеса для улучшения взаимодействий с клиентами. Ритейлеры одними из первых применяют новые инструменты для поиска наиболее прибыльных и эффективных схем работы. 

Лидеры рынка отдают предпочтение предиктивной аналитике и особенно выделяют системы рекомендаций, которые позволяют создавать более релевантные персональные предложения. Это способствует повышению качества сервиса и увеличению роста доходов.  

Маркетинговые акции и сегментация по профилю клиента потеряли актуальность в связи с тем, что малоэффективны для привлечения и удержания современных покупателей. Согласно данным исследования Barilliance Research, рекомендации по товарам помогают увеличить прибыль бизнеса в e-commerce до 31%. Больше половины покупателей готовы повторно воспользоваться услугами онлайн-сервисов, предлагающих персонализированные товарные рекомендации. Поэтому такой подход уже не тренд, а ключевой признак компании, заинтересованной в своем развитии в высококонкурентной среде.  

В этой статье делимся кейсом, как рекомендательная система, созданная компанией «DataLab» (ГК «Автомакон»), помогла «ВкусВиллу» изменить подход к клиентам и каких результатов удалось достичь после внедрения. 

Зачем рекомендательная система лидеру российского ритейла

«ВкусВиллу» удается стабильно возглавлять списки в категориях покупательского опыта и доставки и лидировать в рейтингах, составленных аналитиками Data Insight. «ВкусВилл» демонстрирует впечатляющие результаты и поднимает планку для всей отрасли. 

Грамотное применение технологий позволяет «ВкусВиллу» лучше понимать свою аудиторию и поддерживать высокий уровень лояльности. В первую очередь компания заинтересована в том, чтобы покупателям были удобны и полезны все ее сервисы. 

Ритейлерам в новых условиях работы гораздо выгоднее удерживать постоянных пользователей, чем привлекать новых. Персонализированный подход и реальная забота о клиенте уже не первый год демонстрируют лучшие результаты в сохранении и поддержании доверительных отношений. Использование рекомендательной системы считается одним из лучших способов это реализовать на практике и учесть все особенности взаимодействия современного покупателя и ритейлера. Данные технологии помогают покупателю лучше понять, что ему необходимо и быстрее принять решение о покупке того или иного товара. Такой сервис находит положительный отклик у покупателей, поэтому они готовы совершать повторные покупки и вносить разнообразие в продуктовые корзины, увеличивая средний чек.

До недавнего времени у «ВкусВилла» предложения создавались без опоры на глубокую аналитику, что не приносило ожидаемый эффект. Товары рекомендовались по фиксированным критериям:

● несколько товаров из новинок;
● несколько товаров из истории покупок пользователей;
● несколько случайных.

В компании приняли решение о создании и внедрении рекомендательной системы для возможности составлять рекомендации по товарам со скидками постоянным пользователям. При этом от системы требовалось, чтобы рекомендации были релевантными и обеспечивали максимальный уровень конверсии при взаимодействии покупателей с мобильным приложением и сайтом.

Создание рекомендательной системы: подготовка, сложности и особенности

У каждого покупателя «ВкусВилла» есть цифровой профиль, в котором отображаются различные данные, например, истории покупок на сайте, в мобильном приложении и офлайн-точках продаж. Именно эти данные были использованы при подготовке рекомендательной системы. 

Специалисты «DataLab» тщательно протестировали различные модели на основе матричной факторизации и нейронных сетей, а также провели A/B-тесты. Лучший результат в офлайн-тестах на исторических данных показала модель, основанная на принципах схожих с коллаборативной фильтрацией.

Система анализирует сходство профилей: товаров, истории покупок и покупателей. 

Например, если одному из них нравится товар N, а другому нравятся и N и N1, то первый покупатель может быть также заинтересован в товаре N1. Коллаборативный вид применяется для предсказания новых взаимодействий с ориентиром на исторический опыт. Качественно собранные и достоверные данные позволят системе выдавать ожидаемые результаты. В данном случае анализировалась история покупок пользователей за год при помощи различных метрик оценки качества решения задачи классификации.

При создании прогностической модели разработчики опираются на данные о поведении клиентов. 

Основные этапы сбора данных:

1. Собирается информация о продажах и чеках, а именно кому и в каком количестве определенный товар был продан.

2. Исключаются товары, которые продаются слишком редко — меньше определенного порога числа продаж в месяц.

3. Формируется матрица смежности, в которой содержится информация о том, какой пользователь и какие товары покупал за выбранный для обучения период.

На основе матрицы проводится обучение модели и подготовка рекомендаций, а также производится постобработка рекомендаций. Это необходимо для достижения приоритетной цели компании — получение прибыли, поэтому важно не только предоставить релевантные для пользователя рекомендации, но и способствовать увеличению доходов. 

На этапе постобработки рекомендации переоцениваются с учетом маржинальности товаров. При небольшом падении конверсии предлагаются более выгодные для бизнеса товары.

Самый простой способ получить отличные показатели — рекомендовать те товары, которые пользователь покупает чаще всего. Большинство постоянных покупателей приобретает один и тот же набор товаров. Но это не помогает ни расширению корзины пользователя, ни знакомству пользователя с новыми товарами. От системы также требовалось не просто повторять историю покупок пользователя, а предлагать ему новые товары.

Следующая особенность связана с отраслью компании — ритейл. Уникальность рекомендательной системы, разработанной «DataLab» для «ВкусВилла» в том, что рекомендации формируются в условиях ограниченных данных, где аналоги могут быть просто не применимы. 

В отличие от рекомендательных систем в области музыки, фильмов, которые строятся на основе прямых или косвенных оценок пользователей контента (например, доля времени просмотра видео или прослушивания песни относительно общей длины произведения), и в которых есть информация как о том, что пользователю нравится, так и о том, что пользователю не подходит, в данном случае доступна информация только о положительных взаимодействиях пользователя — приобретенных товарах. 

При этом стоит учитывать, факт покупки товара не означает, что пользователю он понравился. К тому же, отзывы о товарах пользователи оставляют редко, что тоже препятствует формированию полных данных о реальном отношении к товарам. 

Специалистам «DataLab» учли все эти особенности, что позволило создать рекомендательную систему и решить поставленные задачи в полном объеме.

---

Читайте также:  Обгоняя время: как спланировать доставку до минуты и стать лидером рынка (кейс «Вкусвилла»)

---

Результаты работы и развитие рекомендательной системы

Сейчас система «ВкусВилла» раскатана на 135 000 пользователях, из них 110 000 — покупатели из Москвы и Московской области, 25 000 — региональные покупатели из Брянска, Великого Новгорода и других городов. 

Специалисты «DataLab» могут масштабировать данную рекомендательную систему на большее число пользователей. Всего пользователей, у которых истории покупок достаточно для анализа, более 2.5 миллионов. Этим покупателям могут предлагаться полезные рекомендации с учетом их предыдущих приобретений. Также возможно внедрение системы в другие блоки на сайте и в приложении: подборки, поиск товаров. 

Руководители проекта со стороны «ВкусВилл» отмечают положительный эффект от внедрения рекомендательной системы. Удалось достичь поставленных целей за месяц работы системы: 

● увеличился объем совершаемых покупок и прибыли: средняя выручка с продажи за неделю по абонементам (все случаи, когда покупатель использует этот сервис) увеличилась с 200 руб. до 350 руб., средняя выручка на покупателя — с 2580 руб. до 2660 руб., а также среднее число продаж по абонементам. 

● увеличился размер среднего чека на 8%;

● улучшилось понимание потребностей своих покупателей;

● расширился кругозор покупателя за счет создания предложений из числа товаров, которые он никогда не приобретал, но релевантных его корзине.

Результаты по апрельскому тесту. Группа была запущена примерно 20.04


Результаты майского запуска 31.05

Заключение

«ВкусВилл» – одни из первых в ритейле внедряют передовые технологии взаимодействия с покупателями, и «DataLab» предлагает компании лучшие решения для достижения целей. «ВкусВилл» дорожит и ценит каждого покупателя, что проявляется в особом подходе к ведению бизнеса. Благодаря внедрению рекомендательной системы компания получила дополнительные возможности проявлять заботу о покупателе и предлагать действительно полезные и нужные товары. Технологии в совокупности с ассортиментом качественных товаров и системой обслуживания покупателей помогают «ВкусВиллу» занимать лидирующие позиции на рынке.

«DataLab» разрабатывают рекомендательные системы, ориентируясь на то, чтобы клиентский опыт от взаимодействия с сервисами компании оставался положительным и приносил ожидаемые результаты. Использование рекомендательных систем поможет укрепить отношения с клиентами и увеличить прибыль бизнеса, а специалисты «DataLab» помогут этого достичь.

В «Автомакон» команда «DataLab» предоставляет комплекс готовых и индивидуальных решений для компаний, заинтересованных в своем быстром росте. 

Эксперты «DataLab» разрабатывают интеллектуальные системы, увеличивающие товарооборот и оптимизирующие складские запасы, производственные и бизнес-процессы, специализируясь в следующих направлениях:

• Big Data: извлечение, обработка данных, разработка скоринговых систем и консалтинг;

• Интернет вещей: предиктивная аналитика на основе данных, полученных от IoT-устройств;

• Искусственный интеллект: разработка и внедрение Deep Learning-моделей, NLP, классических ML-алгоритмов, рекомендательных систем, мобильных приложений на основе ИИ, чат-ботов и голосовых ассистентов;

• Визуализация данных: аналитические дашборды, Power BI-дашборды, мониторинг real-time Big Data.

Обратившись к нам, вы получите новое конкурентное преимущество и возможность увеличить прибыль вашей компании. Продумаем архитектуру, предложим подходящие технологии, рассчитаем стоимость и возьмем на себя разработку и поддержку решения. Для нас важно создать проект, который принесет пользу вам, вашим клиентам и не потребует лишних затрат. 

Ознакомиться с проектами «DataLab» можно по ссылке.