0/5

Лента Новостей

20:45 У каждого четвертого россиянина нет сбережений – исследование
20:15 Fix Price в I полугодии открыл 38 новых магазинов в Казахстане
19:50 Авито Работа: 28% россиян регулярно используют нейросети для рабочих задач
Как переводить деньги из-за границы в Россию в 2025 году: все способы с плюсами и минусами
19:25 Яндекс Фабрика: что выбирают родители и сколько готовы заплатить
19:00 В работе Системы быстрых платежей произошли сбои
18:35 «ВкусВилл»: россияне ежедневно покупают 21 тыс. плиток шоколада
Рейтинг транспортных компаний России по стоимости доставки сборных грузов в 2025 году
18:10 АКОРТ: Средняя наценка торговых сетей на продукты «первой цены» в июне составила 2,9%
17:45 Число субъектов МСП выросло на 3,2%
17:20 «Ароматный Мир» открыл первый магазин после ребрендинга (ФОТО)
7 универсальных дизайн-приемов оформления витрин
16:55 «Лента» передала на переработку 300 тонн вторсырья
16:30 YouTube ужесточает политику монетизации
16:05 Прибыль Uniqlo упала на фоне глобального перехода на летнюю одежду
Стоит ли продавать товары на нишевых маркетплейсах: истории селлеров
15:40 Каждая четвертая покупка через СБП совершается в офлайне
15:15 «Чек Индекс» фиксирует снижение спроса на свадебные наряды
14:50 «Иль Де Ботэ» запускает новую модель доставки заказов по России
Как «легализовать» генеративный ИИ в среде сотрудников: 5 сигналов к активному его использованию
14:25 hh.ru: розничная торговля в июне стала лидером по дефициту кадров
14:00 В торговых центрах Петербурга выросла вакантность площадей
13:35 «КЛВЗ Кристалл» за второй квартал нарастил выручку на 67,6%
«Cценарно и пользовательски» вместо «размерно и сезонно»: что хотят носить Альфа и Бета
13:10 Генеральный директор соцсети X Илона Маска уходит в отставку
12:45 «Детский мир» значительно увеличил долю СТМ в категории «подгузники»
12:20 «М.Видео-Эльдорадо» переезжает в новый офис
UX-SEO 2025: почему поведенческие факторы убивают ваш трафик — и как его оживить
11:55 «Магнит Аптека» начала масштабировать новый концепт (ФОТО)
11:30 X5 уличили в нарушении закона о торговле в Калининградской области
11:05 Роскачество выявило фальсификат в популярных торговых марках меда
ROPO-аналитика: как онлайн-продвижение влияет на офлайн-продажи
10:40 «МегаФон» построил дата-центры на Урале и в Центральной России
10:15 Владелец бренда «Наша птичка» покупает самарского производителя подсолнечного масла
09:50 Количество сетевых суши-заведений в России сокращается
СТМ нового поколения: как строить бренды, которые приносят прибыль и укрепляют лояльность
09:25 «Магнит» взял в аренду целый бизнес-центр
20:45 Цены на новые автомобили существенно упали впервые за последние 10 лет
10:00 Потребительский экстремизм: раздутая тема или реальная проблема?
Все новости →

«Рив Гош» внедряет систему Machine Learning для повышения уровня продаж

время публикации: 11:22  17 мая 2018 года
Теги: рив гош
Масштабный проект охватил более 220 торговых точек по всей России, а также интернет-магазин ритейлера.
Компания «Инфосистемы Джет» разработала для сети «Рив Гош» обучаемую систему предсказания поведения покупателей на базе Machine Learning (ML). По первым результатам тестирования точность персональных товарных рекомендаций по конкретным артикулам – около 33%.

 Ритейлер получил возможность повысить лояльность клиентов, увеличить продажи и снизить издержки на маркетинговые акции за счет адресной работы с потенциальными покупателями. Масштабный проект охватил более 220 торговых точек по всей России, а также интернет-магазин «Рив Гош». Полный цикл рабочего процесса с применением ML реализован всего за 1,5 месяца.

Разработанное решение выполняет два ключевых сценария. Первый – выявление из всех держателей карт лояльности (2,6 млн человек) тех, кто потенциально может совершить покупку в ближайшие 2 недели.

В рамках второго сценария система делает прогноз ТОП–2 покупок по каждому из этих клиентов, определяя из десятков тысяч товарных наименований конкретные позиции до уровня артикула (SKU). Обладая этими данными, ритейлер может существенно повысить вероятность тех или иных продаж, своевременно предлагая скидки интересующему сегменту клиентов, а также снизить затраты на их привлечение. При этом размер самой скидки в рамках допустимых значений система рассчитывает для каждого покупателя индивидуально.

Прогностическое решение использует комплекс методов машинного обучения (градиентный бустинг, random forest, коллаборативную фильтрацию и др.). На первом этапе проекта математическая модель обучалась на данных, консолидированных в CRM-системе1, включающих информацию о транзакциях за 2017 год, товарных позициях, товарообороте и поставках, а также историю покупки и демографические данные держателей дисконтных карт. Анализируя скрытые закономерности, ML-система выделила целевой сегмент покупателей и предсказала вероятные позиции в их чеках. Следующим этапом была произведена контрольная рассылка по требуемой категории клиентов, а затем – анализ фактических результатов (покупок).

В выявленной группе клиентов повторные обращения за покупками составили около 47% (тогда как в среднем по клиентской базе этот показатель равен 22%). Кроме того, их средний чек оказался на 42% больше, чем у остальных покупателей. Таким образом, методами машинного обучения удалось определить «золотой сегмент» держателей карт лояльности. За выбранный промежуток времени они принесли компании порядка 7% дохода, составляя всего 1% от общей клиентской базы. Состав, численность и параметры данного сегмента меняются динамически, и система учитывает это в режиме реального времени.

«Применение технологий Big Data и Machine Learning открыло для нас новые перспективы в развитии взаимоотношений с клиентами и переосмыслении нашего бизнеса. В сжатые сроки мы получили инструмент, который позволил заметно повысить эффективность таргетированных коммуникаций с покупателями. От этого выигрывает и компания, повышая уровень продаж, и клиенты, которые вовремя получают интересующие их предложения, – комментирует Дмитрий Подолинский, директор по маркетингу компании “Рив Гош”. – В настоящее время мы продолжаем развивать направление персонализированных товарных рекомендаций за счет более тесной интеграции инструментов ML в ИТ-ландшафт и бизнес-процессы. В наших ближайших планах – построение отдельного Data Lake для проведения более глубокой аналитики данных, а также совершенствование системы лояльности».

«Этот проект – возможность вывести взаимодействие с клиентом на принципиально новый уровень. Здесь мы на практике выясняем с помощью искусственного интеллекта и накопленных в программе лояльности данных личные предпочтения целевой аудитории, что дает возможность делать заказчику по-настоящему индивидуальные предложения для своих клиентов», – отметил Владимир Молодых, директор по разработке и внедрению компании «Инфосистемы Джет».

Выявленные в ходе проекта закономерности дали дополнительные возможности для повышения точности математической модели и развития новых подходов в формировании персональных предложений для целевой аудитории. В частности, сегодня компания «Рив Гош» совместно с «Инфосистемы Джет» рассматривает возможность добавить неиспользуемые ранее показатели (информацию о складах, рейтинги товаров и пр.) для расширения выборки и круга решаемых задач. Еще одно направление сотрудничества связано с анализом эффективности различных каналов взаимодействия с группами клиентов для оптимизации расходов на маркетинговые кампании.

В настоящее время «Инфосистемы Джет» реализует порядка 20 проектов с применением технологий Machine Learning в банках, ритейле, промышленности, страховании и других отраслях. Перечень решаемых интегратором задач весьма разнообразен: от повышения эффективности маркетинга и предотвращения брака на производстве до противодействия мошенничеству.

Самые интересные новости читайте в наших группах в Facebook и VKontakte, а также на канале Яндекс.Дзен.