Als Inschrift oder Haftungsausschluss möchte ich sagen, dass wir eine Reihe von Materialien zu ML im Dienste eines modernen Einzelhändlers planen. Wir planen, "vom Herd" bis zu kleinen Details (einschließlich Bolzen und Schrauben) zu erzählen, wie maschinelles Lernen unser Geschäft vor Routine und geringen Gewinnspannen schützt. Wir hoffen, dass das Thema für das Habr-Publikum von Interesse ist und bei den Lesern keine akute allergische Reaktion hervorruft. Wenn Sie persönliche Erfahrungen mit dem angegebenen Thema haben, zögern Sie nicht, diese in den Kommentaren mitzuteilen.
80% der Unternehmen setzen Technologien für maschinelles Lernen ein - diese Zahl wurde von einem der führenden Unternehmen von Microsoft Jean-Philippe Courtois auf der AI Jorney-Konferenz im Dezember genannt und sprach über die Auswirkungen der Pandemie auf die Weltwirtschaft. Laut Courtois planen 56% der Unternehmen, ihre Investitionen in maschinelles Lernen zu erhöhen.
Im Einzelhandel werden AI und ML bereits für viele Vorgänge eingesetzt - von der Planung des Verbrauchsmaterials über die Verbesserung der Marketingeffizienz bis hin zur Berechnung der Arbeitspläne für Einzelhandelsmitarbeiter. M.Video-Eldorado ist weiter gegangen, um seinen Kunden ein Sortiment, Preise und Werbeaktionen anzubieten, die auf fortschrittlichen Analysen basieren. Wie es funktioniert, werden wir in einer Reihe von Materialien über verschiedene ML-Lösungen im Bereich des Handels erzählen.
Ein paar offensichtliche Gedanken
Erinnern wir uns zunächst daran, welche Aufgaben maschinelles Lernen lösen kann und warum es für den Einzelhandel gut ist. Wenn Sie Milch von Ihrer Kuh verkaufen, wissen Sie ohne Computer genau, welcher Ihrer Nachbarn sie benötigt, wie viel sie kaufen und welchen Preis sie für attraktiv halten, und selbst hier schaden einfache Buchhaltungsfähigkeiten nicht.
Anders verhält es sich - große Einzelhandelsketten mit Zehntausenden oder sogar Hunderttausenden von Waren und Millionen von Käufern. Welche davon werden einfach und schnell "zu den Menschen gehen" und welche werden jahrelang im Regal stehen? Was sollten Sie noch bei Lieferanten bestellen und was sollten Sie aufgeben?
Welche Produkte können Sie Urlaubsrabatte anbieten, was in kontextbezogener Werbung anbieten? Es ist unmöglich, es „manuell“ und genau zu definieren. Und dann kommt ML zur Rettung, maschinellen Verarbeitung großer Datenmengen, die nach Produktkategorien, Merkmalen, Geografie einzelner Punkte, Verkaufsgeschwindigkeit von Waren usw. "angeordnet" werden können.
ML-Algorithmen sind natürlich kein Dogma, sondern ein Leitfaden für Experten, die das Finale in Bezug auf Beschaffung, Preisgestaltung und Werbeaktionen abschließen. Einfach ausgedrückt bietet die "Maschine" eine Gabel, die auf der Nachfrage, den Preisen der Wettbewerber und anderen vorgegebenen Parametern basiert.
Beispielsweise kann es für ein und dasselbe Audiosystem in Moskau mehrere Gebote von 2.000 bis 4.000 Rubel und in einem regionalen Zentrum mit einem niedrigeren Pro-Kopf-Einkommen von 1.500 bis 3.400 geben. Wenn Sie das Ziel haben, schneller zu verkaufen, legen Sie einen niedrigeren Schwellenwert fest.
Wenn Sie mehr verdienen möchten, machen Sie genau das Gegenteil. Und nach einer gewissen Zeit zeigen Ihnen die ML-Tools, ob Sie das Richtige getan haben und ob Sie Ihre Aktionen anpassen müssen. Nehmen wir an, wir wollen nicht den maximalen Gewinn verfolgen, sondern auf die Umsatzrate der Mittel setzen.
Der Virus wird digitalisiert
Maschinelles Lernen wird heute von vielen genutzt, von Marktplätzen und Bundesnetzwerken bis hin zu lokalen Marken. Die Migration in Richtung ML machte sich besonders während der Pandemie bemerkbar, als sich das Geschäft massiv "online und digital" bewegte, was bedeutet, dass viel mehr Daten für die "maschinelle" Verarbeitung erschienen. Der Einzelhandel ist effektiver bei der Analyse des Verhaltens seiner Kunden, ihrer Ansichten, Suchanfragen, Teilnahme an Werbeaktionen, Einkäufen und Reaktionen auf Kommunikation geworden.
Jeden Monat besuchen rund 74 Millionen Benutzer die Websites von M.Video und Eldorado. Ihr Profil und ihre Geschichte der Interaktion mit dem Unternehmen bilden die Grundlage für Vorhersagemodelle und Empfehlungsdienste, die der Einzelhändler auch im Bereich des Handels entwickelt.
Online ist jedoch nicht mehr die einzige Quelle für Verbraucherinformationen. M.Video-Eldorado stellte 2020 vollständig auf die OneRetail-Plattform um, die dank mobiler Technologien im Einzelhandel die Digitalisierung des Offline-Erlebnisses von Kunden und die Analyse dieser Daten ermöglicht. Und das ist eine riesige Auswahl - 85% der Käufer von Geräten interagieren auf die eine oder andere Weise mit physischen Geschäften.
Der Verkäufer autorisiert über die Anwendung in seinem Smartphone den Kunden, erhält Zugriff auf sein Profil, versteht seine Vorlieben, sieht die Kaufhistorie, Boni und Rabatte, persönliche Angebote. Durch diese Entscheidung erfolgt die Auswahl und der Kauf von Waren im Geschäft, was ebenfalls zur Analyse hinzugefügt wird und zukünftige Kontakte beeinflusst.
Prognose- und Empfehlungssysteme analysieren auch Verkaufsindikatoren, Niveau, Dynamik der Nachfrage, Preiselastizität, Kundenbindung und die Auswirkungen von Werbeaktionen auf Umsatz und Geschäftseffizienz.
Durch die Einführung von Data Science-Lösungen im Handel kann M.Video-Eldorado zum einen die Bedürfnisse der Kunden besser verstehen und die Genauigkeit der Sortimentsplanung erhöhen und zum anderen den optimalen Preis auf der Grundlage des Wunsches nach den besten Angeboten berechnen auf dem Markt bei gleichzeitiger Steigerung der Geschäftseffizienz.
So stellen Sie ein Sortiment zusammen
Zum Beispiel hilft maschinelles Lernen dabei, die Nachfrage nicht nur anhand der bereits getätigten Verkäufe, sondern auch anhand der Kundennachfrage vorherzusagen. Wenn Sie sich vorstellen, dass 12 Teekannen in ein Ladenregal gestellt werden können, welche Modelle sollten sie dann sein, wenn Sie 50 in Ihrem Sortiment haben?
Wie kann ein Bestand eines kleinen regionalen Lagers gebildet werden, damit die maximale Anzahl von Kunden schnelle Lieferzeiten für ihre Bestellungen erhält? Wie finden Sie schließlich die perfekte Balance zwischen Umsatzwachstum, Marktanteil und Geschäftsleistung?
Wenn diese Fragen früher von den kaufmännischen Managern von M.Video-Eldorado fachmännisch beantwortet wurden, entwickelt unser Data-Science-Team jetzt ML-basierte Empfehlungsdienste, um ihnen zu helfen.
Basierend auf Benutzersitzungen wird ein Entscheidungsbaum gebildet, in dem alle Produkte danach gruppiert werden, wie oft sie zusammen angezeigt werden. Auf diese Weise können Sie ein ausgewogenes Sortiment erstellen und keine Produkte in den Regalen duplizieren, die einen Bedarf abdecken. Unsere erste Geschichte in dieser Reihe ist nur diesem CDT gewidmet.
Bestimmen Sie den richtigen Preis
M.Video-Eldorado testet auch Algorithmen für maschinelles Lernen, um Szenarien für die automatische Berechnung des empfohlenen Preises und die Bewertung der Wirksamkeit von Werbeaktionen zu erstellen. Ziel ist es, kaufmännischen Managern ein Tool für das tägliche Preismanagement zur Verfügung zu stellen, das sowohl auf internen Daten (Verkaufsvolumen, Margenniveau, Lagerbestand, Werbekalender) als auch auf externen Daten (Marktpreise, Aktivitäten der Wettbewerber usw.) basiert.
Das Modell berechnet abhängig von den Zielindikatoren mehrere Szenarien und empfiehlt das optimale. „Als Teil der Pilotprojekte vergleichen wir nun den Grad des Verbraucherinteresses an einem bestimmten Produkt in verschiedenen Regionen und die Empfindlichkeit gegenüber Preisschwankungen“, sagt er Vladimir Litvinyuk, Leiter des Kompetenzzentrums für angewandte Datenanalyse und maschinelles Lernen, M.Video-Eldorado Group .
Es ist kein Geheimnis, dass der Käufer bei der Auswahl eines Flaggschiff-Smartphones oder eines Kühlschranks nebeneinander sucht, wo es rentabler ist, und wenn er einen Wasserkocher für ein Sommerhaus kauft oder einen Fernseher in der Küche ersetzt, wird er es vorziehen ein bewährtes Geschäft zu Hause oder günstige Bedingungen des Treueprogramms.
Darüber hinaus testet das Data Office-Team derzeit Algorithmen zur Bewertung der Wirksamkeit von Werbekampagnen. Wir haben ein Umsatzprognosemodell erstellt, das eine Reihe von Beständen und deren Parameter berücksichtigt. Basierend auf diesem Modell werden verschiedene Szenarien des Verkaufs eines bestimmten Produkts und einer Kategorie als Ganzes simuliert, um verschiedene Optionen für die Kombination von Werbeaktionen, die Auswirkungen verschiedener Werbesätze auf das Umsatzwachstum und den Grad der Kannibalisierung von Werbeartikeln durch andere verkaufte Waren zu ermitteln zu einem regulären Preis wird geschätzt.
In Zukunft erwarten wir auch, dass wir lernen, wie wir den optimalen Preisnachlass und andere Bedingungen für die Werbung für jedes spezifische Produkt auswählen, um den Zielumsatz zu maximieren oder von der Aktion zu profitieren.
Jetzt wird die Entwicklung des maschinellen Lernens in Russland durch zwei Faktoren behindert: Probleme mit der Verfügbarkeit von Daten für die Verarbeitung und unzureichende Verteilung von ML-Modellen, die gerade auf der oben erwähnten AI Jorney-Konferenz erörtert wurden.
Ja, Giganten des Niveaus der Technologiemärkte, die bis zu einem Viertel des nationalen Marktes kontrollieren, haben eine Sünde, sich über den Mangel an digitalisierten Informationen zu beklagen. Kleinere Unternehmen hingegen haben nicht immer eine klare Vorstellung davon, welche Daten, in welchem Umfang und in welcher Qualität für die erfolgreiche Anwendung von Algorithmen für maschinelles Lernen in der Praxis erforderlich sind.
Es ist notwendig, die Beschreibungen von Waren, die in Gruppen und Cluster unterteilt sind, Verkaufsstatistiken, vorzugsweise über einen langen Zeitraum, alle möglichen Variablen zu berücksichtigen: saisonale Nachfrage, Urlaubsplan, Währungsschwankungen, die Entstehung neuer Wettbewerber.
Im Elektronikeinzelhandel beispielsweise liegt die Schwierigkeit bei Daten zum einen in der geringen Häufigkeit von Einkäufen - niemand kauft zweimal pro Woche einen neuen Fernseher, Kühlschrank und Kopfhörer, wie bei Brot und Fleisch. Und zweitens ist das Sortiment sehr vielfältig und schwach verbunden, was es schwierig macht, Muster zu finden. Trotzdem müssen digitale Modelle in Echtzeit auf die Situation reagieren: Wenn sie keine Zeit hatten zu reagieren, haben sie Kunden vermisst.
Die Frage ist, welche Plattformen für eine dynamische Preisgestaltung ausgewählt werden sollen ... Jemand wählt Open Source, jemand proprietäre Box-Lösungen von Anbietern, jemand Cloud-ML-Frameworks ... Die Anzahl der Softwaretools wird in Dutzenden gemessen. Es gibt Optionen, die für Unternehmer kostenlos sind . Warum sprechen IT-Konferenzteilnehmer über die mangelnde Verbreitung von Modellen für maschinelles Lernen?
Es geht wieder darum, Ihre eigenen Bedürfnisse zu verstehen und Ihre Fähigkeiten zu bewerten. Und hier ist der Austausch von Erfahrungen und Best Practices wichtiger denn je. Als beispielsweise im russischen Online-Shop BABADU ML-Modelle und dynamische Preise eingeführt wurden, stiegen Umsatz und Gewinnmargen innerhalb weniger Wochen um 7%. Der Verbraucher reagiert auf "faire" Preise, indem er den Botschaftern für maschinelles Lernen Geld bringt.