0/5

Ритейл рекомендует: особенности работы рекомендательной системы «ВкусВилла»

Ритейл рекомендует: особенности работы рекомендательной системы «ВкусВилла»
время публикации: 10:00  13 июля 2022 года
Использование рекомендательной системы в ритейле позволяет предлагать покупателям не только товары из их традиционной корзины, но и знакомить с новинками, расширяя их продуктовый кругозор. У «ВкусВилла» до недавнего времени рекомендации не опирались на глубокую аналитику. Как в компании внедрили новую технологичную систему рекомендаций, и к каким результатам достаточно быстро пришли?
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.

Ритейл рекомендует: особенности работы рекомендательной системы «ВкусВилла»


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.

Ритейл рекомендует: особенности работы рекомендательной системы «ВкусВилла»
Результаты по апрельскому тесту. Группа была запущена примерно 20.04

Ритейл рекомендует: особенности работы рекомендательной системы «ВкусВилла»
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.


Ритейл рекомендует: особенности работы рекомендательной системы «ВкусВилла»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.



Ритейл рекомендует: особенности работы рекомендательной системы «ВкусВилла»


0
 
Реклама на New Retail. Медиакит
Close
Email
Подпишитесь на нашу рассылку и самые интересные материалы будут приходить к вам на почту
Нажимая «Подписаться» вы принимаете условия политики конфиденциальности