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

Шанс произвести первое положительное впечатление дается только один раз, в сфере ритейла это правило одно из основных, никто не попадает под исключение. Современные потребители имеют большой выбор, многие уже привыкли к отличному сервису и не соглашаются на меньшее, поэтому компаниям необходимо доводить до совершенства каждый бизнес-процесс. Чтобы иметь четкое представление, что и как делать, необходимо прогнозировать. 

Решения на основе Big Data и искусственного интеллекта призваны помочь компании разобраться, как улучшить взаимодействие с клиентами, добиться высоких результатов и занять достойное место среди других игроков рынка. 

В статье рассмотрим, как точный расчет времени доставки товаров помогает ритейлерам производить верное первое впечатление на клиентов и занимать лидирующие позиции, и расскажем о деталях кейса «Вкусвилла». 

Разработчики «DataLab» (компания в составе ГК «Автомакон») создали для ритейлера предиктивную модель в помощь курьерам и логистам, с помощью которой стало возможно прогнозировать время доставки заказа от момента формирования до получения клиентом. 

Предиктивная аналитика в ритейле

Предиктивная аналитика востребована в сферах, где необходимо строить прогнозы, т.е. практически везде. На прогнозах строится стратегия бизнеса, а их отсутствие приводит к несоответствию спроса и предложения, что недопустимо в условиях жесткой конкуренции. 

Используя технологии машинного обучения, можно выстроить планы как по закупке сырья для производства, так и стратегию маркетинга на основании будущих изменений на рынке. Для заинтересованных в своем росте компаний прогнозирование стало основным инструментом при принятии управленческих решений и сокращении издержек. 

Главное преимущество в том, что при прогнозировании на основе Big Data учитывается множество факторов. При этом важно понимать, к какому результату необходимо прийти, а не только анализировать и классифицировать данные. 

Планирование и оптимизация маршрутов

Решения на основе Big Data применяются в разных сферах и решают множество задач. Компании разных отраслей все больше уделяют внимание оптимизации логистических процессов и доставки, а именно «последней миле». Ведь от работы курьерской службы доставки зависит впечатление покупателя о магазине.

На первый взгляд может казаться, что в логистике важно только наличие товара для перевозки и машины, но на самом деле при грамотном управлении маршрутами стоит учитывать много разных факторов: трафик, состояние парка машин и водителей, расположение автозаправок, работа склада и т.д. Если провести глубокий анализ и создать качественную модель, можно эффективнее планировать маршруты и время доставки и сократить расходы из-за простоев транспорта.

Компании, специализирующиеся на доставках, одними из первых воспользовались этой возможностью и внедрили решения на основе Big Data. Ярким примером является запуск Центр управления перевозками компании «ПЭК». Результатом стало планирование на месяц вперед загрузки 189 складов по всей России и маршрутов транспорта.

Второй важной задачей является сокращение времени доставки. Для ее решения необходимо строить наиболее оптимальные маршруты с учетом пробок и ремонта на дороге, времени на заправку и др. Служба доставки компании «DHL» решила этот вопрос следующим образом: с помощью технологий машинного обучения провела анализ данных с дорог и GPS и оптимизировала маршруты, в результате удалось сократить время на доставку и снизить расход бензина.

Скорость, своевременность доставки, а, главное, предсказуемость действительно стали определяющими факторами. Согласно исследованию Atos, более 58% опрошенных заявили, что предпочтут конкурента, если не будут удовлетворены тем, когда и как привезли их товар. Многие уже привыкли к молниеносным доставкам, для некоторых направлений онлайн-торговли это основное конкурентное преимущество. Почти 40% участников исследования Data Insight считают срочной доставку в течение того же дня, когда сделан заказ. В столице и других крупных городах доставка день-в-день — норма для больших и некоторых средних ритейлеров. 

Некоторые клиенты, заказывая товар с доставкой, ожидают, что курьер передаст все точно в срок, поэтому, если курьер приедет раньше или позже обещанного промежутка времени, это может негативно отразиться на впечатление о магазине и даже на его готовность выкупить товар, как показывает исследование PIM Solutions.

Как наладить процесс доставки и стать для клиентов №1

При планировании маршрутов курьеров важно учитывать много параметров: прогноз пробок, погодные условия, оптимальное распределение грузов по автомобилям, количество пеших курьеров, порядок разгрузки, режим работы складов, день недели и информация о праздниках и др. 

Сложно добиться точного прогноза при ручном планировании маршрутов — возникают ошибки вследствие человеческого фактора, а с регулярным увеличением курьеров это становится нереальным. Для решения этой задачи необходимо автоматизировать построение маршрутов — составлять прогнозы с помощью модели на основе предиктивной аналитики. Алгоритм из всех возможных комбинаций выберет наиболее оптимальный маршрут с учетом всех факторов в реальном времени. 

Кейс: как «ВкусВилл» оптимизировал работу курьеров на основе прогнозов доставки

Часть российских ритейлеров с особым вниманием относятся к каждой точке контакта с клиентом. Подобное отношение к покупателям проявляет сеть магазинов продуктов для здорового питания «ВкусВилл». 

Ранее специалисты «Автомакон» разработали отдельные приложения для клиентов и курьеров сети для улучшения взаимодействия с брендом. Следующим этапом оптимизации процессов стала доставка.

Разработчики «DataLab» (компания в составе ГК «Автомакон») создали предиктивную модель в помощь курьерам и логистам, которая прогнозирует время доставки заказа от момента формирования до получения клиентом. 

Этапы реализации проекта

Первым шагом был анализ процесса обработки заказа, разбивка по этапам (при необходимости) и выделение доступных признаков, влияющих на время обработки. По итогу первичного анализа время жизни заказа было разделено на 4 этапа:

1. Ожидание сборки
2. Продолжительность сборки
3. Ожидание доставки
4. Продолжительность доставки

После этого сформировали два основных подхода к решению задачи:

1. Через прогнозирование времени отдельных этапов.
2. Через прогнозирование общего времени жизни заказа.

Здесь же предъявили дополнительное требование к модели, а именно: наличие возможность уточнения прогноза по мере прохождения этапов и обновления или появления новых данных.

В качестве входных данных была информация о параметрах заказа (время, состав), о персонале (число сотрудников) и др. За base-line взяли значение медианы для соответствующего целевого значения на основе тренировочной выборки и группировки по некоторым признакам (например, город заказа).

Следующий шаг — выбор архитектуры модели. Были проведены тесты как классических моделей, так и различных архитектур нейронных сетей. Лучший результат показала одна из модификаций градиентного бустинга.

Быстрые изменения технологического процесса были для специалистов основным препятствием на пути решения задачи. В разработке модели прогнозирования их тоже стоит учитывать, особенно, если компания планирует масштабироваться и меняться со временем. Во «ВкусВилле» изменения происходят во всех бизнес-процессах: увеличение или уменьшение числа персонала на смене, открытие новых магазинов и дарксторов, запуск и развитие проектов бренда.

---

Читайте также: «ВкусВилл» открыл в Москве первый «магазин «будущего» без продавцов и касс

---

Как справились с этой проблемой: для быстрого учета изменений подобрали оптимальный размер обучающей выборки и реализовали систему автоматического обучения модели, а для мониторинга процесса обучения разработали правила валидации модели и систему уведомлений.

У покупателей «ВкусВилла» есть возможность выбрать время доставки. Курьерская служба может приехать либо точно ко времени при указании окна доставки, либо в течение двух часов после оформления заказа, также доступна экспресс-доставка за 30 минут. Поэтому также важно было решить, как организовать доставку заказов к определенному времени. 

После добавления ряда признаков, характеризующих подобные заказы, значения абсолютной ошибки по ним перестали отличаться от значений типовых заказов. Еще была проблема с большой неопределенностью на последнем из этапов (непосредственно доставка заказа). Дело в том, что заказы доставляются не по отдельности, а группами, на этапе создания заказа нет информации о других заказах, с которыми будет доставляться тот, по которому формируется прогноз. Решение нашли в подаче дополнительных данных. 

«ВкусВилл» уже тестирует разработанную модель. Средняя абсолютная ошибка прогноза составляет 15 минут при времени жизни заказа менее 1,5 ч.

Доставка курьером очень востребованная услуга, все чаще покупатели отдают предпочтение брендам, у которых она есть. В процессе разработки системы мы подумали, что это решение должно быть доступно любому бизнесу. Если компания хочет предоставлять действительно отличный сервис своим клиентам, мы поможем ей и автоматизируем рутинные операции. 

На основе полученного опыта мы создали коробочный продукт, который решает проблемы любого интернет-магазина и курьерской службы. Чтобы воспользоваться всеми преимуществами системы необходимо сформировать dataset с историческими данными о заказах и выделить параметры, которые влияют на время доставки/сборки заказов. 

Специалисты «DataLab» помогут правильно собрать данные в рамках бесплатной консультации. 

Заключение

Практически все крупные компании по всему миру используют технологии на основе больших данных. По данным отчета о состоянии и перспективах рынка Big Data, решения на основе больших данных будут набирать популярность, рынок планирует расти на 12,3% в год, а уже к 2027 достигнет 105,08 млрд. 

Прогнозирование – это не просто тренд, а мощный и доступный инструмент, используя который, руководство принимает грамотные решения, выводя бизнес на более высокий уровень. При наличии необходимых данных за достаточный промежуток времени, можно формировать точные прогнозы. В процессе прогнозирования всегда возникают сложности, но даже недостаток данных не является большим препятствием для создания качественной прогностической модели, как следует из нашего кейса. 

Работайте с новыми технологиями в рамках теста – выделите приемлемый бюджет и воспользуйтесь нашим готовым продуктом. Нам важно, чтобы он принес ощутимую прибыль вашей компании, поэтому готовы помочь вам в этом и пройти все этапы вместе. 

Направление «DataLab» специализируется на разработке решений в основе которых технологии: Big Data (извлечение и обработка данных, разработка скоринговых систем и консалтинг), интернет вещей (предиктивная аналитика на основе данных, полученных от IoT-устройств) искусственный интеллект (разработка и внедрение ML/DL алгоритмов, NLP, компьютерного зрения, рекомендательных систем, мобильных приложений на основе ИИ, чат-ботов и голосовых ассистентов). Также может помочь с визуализацией данных — создать Power BI-дашборды.