Sebagai prasasti alias penafian, saya ingin mengatakan bahwa kami merencanakan serangkaian materi tentang ML untuk melayani pengecer modern. Kami berencana untuk memberi tahu "mulai dari kompor" hingga detail kecil (termasuk baut dan sekrup) tentang bagaimana pembelajaran mesin menyelamatkan bisnis kami dari rutinitas dan margin rendah. Kami berharap topik ini menarik bagi para pembaca Habr dan tidak menimbulkan reaksi alergi akut di kalangan pembaca. Jika Anda memiliki pengalaman pribadi tentang topik yang disebutkan, jangan ragu untuk membagikannya di komentar.
80% perusahaan mengadopsi teknologi pembelajaran mesin - angka ini disebutkan oleh salah satu pemimpin Microsoft Jean-Philippe Courtois pada konferensi AI Jorney pada bulan Desember, berbicara tentang dampak pandemi pada ekonomi global. Menurut Mr. Courtois, 56% perusahaan berencana meningkatkan investasi mereka dalam pembelajaran mesin.
Di retail, AI dan ML sudah digunakan untuk banyak operasi - mulai dari merencanakan persediaan dan meningkatkan efisiensi pemasaran hingga menghitung jadwal kerja untuk karyawan retail. M.Video-Eldorado telah melangkah lebih jauh untuk menawarkan kepada pelanggannya bermacam-macam, harga, dan promosi berdasarkan analisis lanjutan. Cara kerjanya, kami akan ceritakan dalam rangkaian materi tentang berbagai solusi ML di bidang perdagangan.
Beberapa pemikiran yang jelas
Untuk memulainya, mari kita ingat tugas apa yang dapat diselesaikan oleh Machine Learning dan mengapa itu bagus untuk ritel. Jika Anda menjual susu dari sapi Anda, Anda tahu betul tanpa komputer tetangga mana yang membutuhkannya, berapa banyak mereka akan membeli dan berapa harga yang mereka anggap menarik, dan bahkan di sini keterampilan akuntansi sederhana tidak akan merugikan.
Lain halnya - rantai ritel besar dengan puluhan atau bahkan ratusan ribu item komoditas dan jutaan pembeli. Manakah dari berikut ini yang akan "pergi ke orang-orang" dengan mudah dan cepat, dan yang akan bertahan selama bertahun-tahun? Apa yang masih harus Anda pesan dari pemasok dan apa yang harus Anda serahkan?
Produk apa yang dapat Anda tawarkan diskon liburan, apa yang ditawarkan dalam periklanan kontekstual? Tidak mungkin untuk mendefinisikannya “secara manual” dan tepat. Dan kemudian ML hadir untuk menyelamatkan, mesin yang memproses data dalam jumlah besar, yang dapat "diatur" berdasarkan kategori produk, karakteristik, geografi poin individu, kecepatan penjualan barang, dll.
Algoritme ML, tentu saja, bukanlah dogma, tetapi panduan tindakan bagi para ahli yang mengambil keputusan akhir tentang pengadaan, penetapan harga, dan promosi. Sederhananya, "mesin" menawarkan garpu berdasarkan permintaan, harga pesaing, dan parameter lain yang diberikan.
Misalnya, untuk satu sistem audio yang sama mungkin ada beberapa tawaran dari 2.000 hingga 4.000 rubel di Moskow dan dari 1.500 hingga 3.400 di pusat regional dengan pendapatan per kapita yang lebih rendah. Jika Anda memiliki tujuan untuk menjual lebih cepat, Anda menetapkan ambang yang lebih rendah.
Jika Anda ingin menghasilkan lebih banyak, lakukan hal yang sebaliknya. Dan setelah waktu tertentu, alat ML akan memberi tahu Anda apakah Anda melakukan hal yang benar dan apakah Anda perlu menyesuaikan tindakan Anda. Katakanlah bukan untuk mengejar keuntungan maksimal, tetapi bertaruh pada tingkat perputaran dana.
Virus bergerak ke digital
Kemampuan Pembelajaran Mesin sekarang digunakan oleh banyak orang, dari pasar dan jaringan federal hingga merek lokal. Migrasi menuju ML menjadi sangat nyata selama pandemi, ketika bisnis mulai bergerak secara besar-besaran "online dan digital", yang berarti lebih banyak data muncul untuk pemrosesan "mesin". Ritel menjadi lebih efektif dalam menganalisis perilaku pelanggannya, pandangan mereka, pencarian, partisipasi dalam promosi, pembelian, reaksi terhadap komunikasi.
Sekitar 74 juta pengguna mengunjungi situs web M.Video dan Eldorado setiap bulan. Profil dan riwayat interaksinya dengan perusahaan menjadi dasar model prediktif dan layanan rekomendasi yang dikembangkan retailer, termasuk di bidang perdagangan.
Namun, online bukan lagi satu-satunya sumber informasi konsumen. M.Video-Eldorado pada tahun 2020 sepenuhnya beralih ke platform OneRetail, yang, berkat teknologi seluler di bidang ritel, memungkinkan digitalisasi pengalaman offline pelanggan dan menganalisis data ini. Dan ini adalah rangkaian yang sangat besar - 85% pembeli peralatan dengan satu atau lain cara berinteraksi dengan toko fisik.
Penjual melalui aplikasi di ponsel cerdasnya memberi otorisasi kepada klien, mendapatkan akses ke profilnya, memahami preferensinya, melihat riwayat pembelian, bonus dan diskon, penawaran pribadi. Melalui keputusan ini, pemilihan dan pembelian barang di toko berlangsung, yang juga ditambahkan ke analisis dan mempengaruhi kontak di masa mendatang.
Sistem prediksi dan rekomendasi juga menganalisis indikator penjualan, level, dinamika permintaan, elastisitas harga, keterlibatan pelanggan, dan dampak promosi terhadap penjualan dan efisiensi bisnis.
Pengenalan solusi ilmu data dalam perdagangan akan memungkinkan M.Video-Eldorado, pertama, untuk lebih memahami kebutuhan pelanggan dan meningkatkan akurasi perencanaan bermacam-macam, dan kedua, menghitung harga optimal berdasarkan keinginan untuk membuat penawaran terbaik di pasar, sekaligus meningkatkan efisiensi bisnis.
Cara mengatur bermacam-macam
Misalnya, pembelajaran mesin membantu memprediksi permintaan tidak hanya berdasarkan penjualan yang sudah dilakukan, tetapi juga permintaan pelanggan. Jika Anda membayangkan bahwa 12 teko dapat ditempatkan di rak toko, lalu model apa yang seharusnya jika Anda memiliki 50 dalam bermacam-macam?
Bagaimana cara membentuk stok gudang regional kecil sehingga jumlah pelanggan maksimum menerima waktu pengiriman yang cepat untuk pesanan mereka? Terakhir, bagaimana Anda menemukan keseimbangan sempurna antara pertumbuhan penjualan, pangsa pasar, dan kinerja bisnis?
Jika sebelumnya pertanyaan-pertanyaan ini dijawab dengan ahli oleh manajer komersial M.Video-Eldorado, sekarang tim data-science kami sedang mengembangkan layanan rekomendasi berbasis ML untuk membantu mereka.
Jadi, berdasarkan sesi pengguna, pohon keputusan dibentuk, di mana semua produk dikelompokkan berdasarkan seberapa sering mereka dilihat bersama. Ini memungkinkan Anda untuk membuat bermacam-macam produk yang seimbang dan tidak menduplikasi produk di rak yang memenuhi satu kebutuhan. Kisah pertama kami dalam seri ini didedikasikan hanya untuk CDT ini.
Tentukan harga yang tepat
M.Video-Eldorado juga menguji algoritme Pembelajaran Mesin untuk membuat skenario penghitungan otomatis harga yang disarankan dan evaluasi keefektifan promosi. Tujuannya adalah memberikan manajer komersial alat untuk manajemen harga harian berdasarkan data internal (volume penjualan, tingkat margin, inventaris, kalender promosi) dan eksternal (harga pasar, aktivitas pesaing, dll.).
Model menghitung beberapa skenario tergantung pada indikator target dan merekomendasikan yang optimal. "Sekarang, sebagai bagian dari uji coba, kami membandingkan tingkat minat konsumen pada produk tertentu di berbagai wilayah dan tingkat kepekaan mereka terhadap fluktuasi harga," ucap Vladimir Litvinyuk, Kepala Pusat Kompetensi untuk Analisis Data Terapan dan Pembelajaran Mesin, M.Video-Eldorado Group .
Bukan rahasia lagi bahwa ketika memilih smartphone andalan atau lemari es berdampingan, pembeli mencari tempat yang lebih menguntungkan, dan ketika membeli ketel untuk pondok musim panas atau mengganti TV di dapur, dia akan lebih memilih toko yang terbukti di rumah atau kondisi program loyalitas yang menguntungkan.
Selain itu, tim kantor data sedang menguji algoritme untuk mengevaluasi efektivitas kampanye promosi. Kami telah membangun model perkiraan penjualan dengan mempertimbangkan sekumpulan saham dan parameternya. Berdasarkan model ini, berbagai skenario penjualan produk tertentu dan kategori secara keseluruhan disimulasikan untuk berbagai opsi penggabungan promosi, dampak berbagai rangkaian promosi terhadap pertumbuhan penjualan, dan tingkat kanibalisasi barang promo oleh barang lain yang dijual. dengan perkiraan harga biasa.
Ke depannya, kami juga berharap dapat mempelajari cara memilih diskon harga yang optimal dan ketentuan lain untuk promosi setiap produk tertentu, guna memaksimalkan target omset atau keuntungan dari promosi tersebut.
Sekarang perkembangan Machine Learning di Rusia terhalang oleh dua faktor: masalah dengan ketersediaan data untuk pemrosesan dan distribusi model ML yang tidak memadai, yang baru saja dibahas pada konferensi AI Jorney yang disebutkan di atas.
Ya, raksasa tingkat pasar teknologi, yang menguasai hingga seperempat pasar nasional, berdosa mengeluh tentang kurangnya informasi digital. Sebaliknya, perusahaan yang lebih kecil tidak selalu memiliki gagasan yang jelas tentang data apa, dalam volume apa, dan kualitas apa yang diperlukan untuk penerapan algoritme pembelajaran mesin yang berhasil dalam praktik.
Perlu mempertimbangkan deskripsi barang yang dibagi menjadi kelompok dan kelompok, statistik penjualan, sebaiknya dalam jangka waktu yang lama, semua variabel yang mungkin: permintaan musiman, jadwal liburan, fluktuasi mata uang, munculnya pesaing baru.
Dalam ritel elektronik, misalnya, kesulitan dengan data terletak, pertama, pada frekuensi pembelian yang rendah - tidak ada yang membeli TV, lemari es, dan headphone baru dua kali seminggu, seperti untuk roti dan daging. Dan kedua, ragamnya sangat beragam dan terhubung lemah, sehingga sulit untuk menemukan pola. Namun demikian, model digital harus bereaksi terhadap situasi tersebut secara real time: jika mereka tidak punya waktu untuk bereaksi, mereka kehilangan pelanggan.
Pertanyaannya adalah platform mana yang harus dipilih untuk penetapan harga dinamis ... Seseorang memilih sumber terbuka, solusi kotak milik seseorang dari vendor, kerangka kerja Cloud ML seseorang ... Jumlah alat perangkat lunak diukur dalam lusinan, ada opsi yang gratis untuk pengusaha . Jadi, mengapa peserta konferensi TI berbicara tentang kurangnya proliferasi model pembelajaran mesin?
Intinya adalah sekali lagi memahami kebutuhan Anda sendiri dan menilai kemampuan Anda. Dan di sini pertukaran pengalaman dan praktik terbaik menjadi lebih penting dari sebelumnya. Misalnya, ketika model ML dan penetapan harga dinamis diperkenalkan di toko online Rusia BABADU, pendapatan dan margin keuntungan tumbuh sebesar 7% hanya dalam beberapa minggu. Konsumen menanggapi harga yang "adil" dengan memberikan uang kepada duta Machine Learning.