Печенье к кефиру: как работают персональные рекомендации, и чему стоит поучиться у фудтеха

@Freepic
Мы привыкли к тому, что, заказывая бургер в приложении или терминале McDonald’s, получаем «в комплект» предложение дополнить заказ напитком, соусом или картошкой фри. Что при заказе кефира «Самокат» или «Яндекс Лавка» предлагают дополнить корзину печеньем.

Случаются и более экзотические рекомендации, которые могут удивить покупателя, тем не менее фудтех с помощью персонализации умеет увеличивать средний чек до 40%. Чему стоит у него поучиться, как устроены рекомендации и какую роль в них играет искусственный интеллект, рассказывает Катерина Грог, руководитель направления e-commerce компании QSOFT.

Рекомендательные инструменты и блоки «вам может понравиться» существовали в e-commerce ещё до активного применения ИИ. Но тогда это было результатом работы маркетологов. То есть рекомендация купить к бутылке кефира пачку печенья «Юбилейное» могла появиться потому, что конкретный специалист отдела маркетинга считал, что «вместе вкуснее». В того, кто планировал купить кефир для окрошки, такая рекомендация совсем не попадала. Но для кого-то другого алгоритм оказывался релевантным, и чек увеличивался на коробку печенья.

Во многих случаях опыта маркетологов и их умения работать со статистическими данными продаж оказывается достаточно, чтобы делать корректные сочетания. Если пользователь ищет в интернет-магазине обои, логично предложить ему валик и кисточку, а если корм для собаки — игрушку и поводок.

Но персонализацию можно настроить ещё тоньше, и для этих целей очень кстати оказывается искусственный интеллект (ИИ), который активнее всего задействуют сегодня в фудтехе и экспресс-доставках.

Еда — та сфера, где мы чаще всего делаем импульсивные покупки. Каждый из нас хоть раз выходил в магазин за хлебом, а к кассе подходил с полной тележкой. На состав продуктовой корзины влияет наше настроение, самочувствие, аппетит, время суток, планы на вечер и многое другое. Именно поэтому фудтех раньше всех начал экспериментировать с искусственным интеллектом в рекомендациях: ИИ способен обучаться на информации о ваших заказах, анализировать их и выстраивать корреляции. 

Предположим, пользователь любит заказывать селёдку с клубникой. Если обычный алгоритм, настроенный человеком, к следующей покупке селёдки предложит клубнику, то алгоритм, обогащённый искусственным интеллектом, может посоветовать вместо клубники попробовать дыню или манго — и, если покупатель последует рекомендации, запомнит этот выбор.

Применение искусственного интеллекта может существенно увеличивать средний чек: яркий пример — McDonald’s, который так тонко работает с персональными рекомендациями, что, скорее всего, здесь не обошлось без ИИ. Такая система рекомендаций может увеличивать чек процентов на 10, возможно, и более.

Потребителям персональные рекомендации тоже удобны. Например, оформляя доставку с минимальной суммой заказа, пользователю не нужно придумывать, что докинуть в корзину до нужной суммы: он нажимает на рекомендации — и система принимает заказ. 

Наконец, автоматические рекомендации — отличный способ определиться, что приготовить на ужин: так, «Самокат» предлагает пользователям подборки продуктов с рецептами, составленные на основе их личных предпочтений.

---

Читайте также: Россияне не доверяют личные данные искусственному интеллекту

---

Как это работает

Обычные рекомендательные алгоритмы работают так: компания анализирует выборку потребительских корзин и выявляет статистику: какие продукты чаще всего заказывают вместе. Далее при формировании заказа потребитель будет получать рекомендацию заказать что-то из часто покупаемых вместе товаров. Например, яйца, сыр, молоко — обычный набор для завтрака, и потребителю можно предложить хлеб. Зелень, помидор, огурец — частое сочетание для салата, поэтому нелишним будет посоветовать соус или оливковое масло в качестве заправки. Иначе говоря, чаще всего алгоритмы предлагают сформировать набор продуктов для приготовления какого-то блюда или полноценного приёма пищи.

Так работает базовая механика. Когда компания внедряет искусственный интеллект, та же самая механика ложится в основу его работы — то есть данные о прежних корреляциях алгоритмов становятся точкой отсчёта. Но затем система начинает самообучаться на реальных данных: об ассортименте товаров, их сочетаниях, сегментах потребителей и так далее. На эти данные накладывается предполагаемая логика импульсивных покупок. Далее ИИ-алгоритм подтверждает или не подтверждает свою логику в зависимости от того, понравилась ли клиенту рекомендация, совершил ли он покупку.

Когда имеет смысл внедрять искусственный интеллект

Персонализация с помощью искусственного интеллекта может быть применена не только в фудтехе. Ритейлеры из других сфер пока больше присматриваются к технологии, но в перспективе нескольких лет она может оказаться одним из их главных конкурентных преимуществ. Если процент импульсивных и/или сопутствующих товаров ассортимента покупок в сегменте высок, то ИИ может повысить средний чек в несколько раз. Но внедрение может оказаться слишком дорогим и экономически неоправданным: работа с ИИ требует времени, алгоритм нужно постоянно адаптировать и работать с алгоритмами, постоянно их анализируя, для более эффективного использования.

Чтобы оценить рентабельность внедрения ИИ, стоит протестировать рекомендательные алгоритмы в течение короткого времени (например, квартала). За это время нужно, например, смотреть на самые базовые показатели: средний чек и Retention (удержание клиентов). После этого можно принимать решение о том, продолжать ли инвестиции в поддержку и развитие рекомендательной системы или же использовать доступные механики, которые также могут прекрасно работать.

Но неважно, решите ли вы применять искусственный интеллект или предпочтёте работать над рекомендательной системой прежними методами, один из главных факторов успеха — успех персонализации, это достаточность информации о клиентах. Поэтому первое, что стоит перенять у фудтеха, — это собирать максимум информации о своих клиентах: мало кто так хорошо знает своих потребителей, как продуктовый ритейл. Чем больше этой информации и чем она детальнее, тем эффективнее будут алгоритмы, тем лучшие результаты вы получите.

Катерина Грог, 
руководитель направления e-commerce компании QSOFT.

Для NEW RETAIL