Как искусственный интеллект применяется в онлайн-ретейле?

Как искусственный интеллект применяется в онлайн-ретейле?
Процесс совершения покупки давно известен маркетологам и аналитикам. Обычно его «упаковывают» в воронку продаж и используют для достижения ключевых показателей бизнеса.

Здесь можно говорить о конверсии, вернее об определении форм и каналов взаимодействия с потенциальным клиентом, благодаря которым он из простого посетителя интернет-магазина превратился бы в покупателя. Знания о клиентских активностях, как минимум на сайте, позволяют прогнозировать объемы продаж и закупок товаров. Кроме прочего, отслеживание конверсии клиента из посетителя в покупателя (пути клиента) повышают эффективность и управляемость маркетинговой политики. Нетрудно понять, что для построения минимально реалистичных прогнозов, нужны большие объемы данных для объективной статистики и аналитики. Если мы говорим о крупном ретейлере, который работает в рамках всей страны, то очевидно, что тот объем данных, который накопится при обслуживании заметной доли жителей России, невозможно обработать вручную. Выручают автоматизация и инновации.

Давайте пофантазируем. Вы заходите на сайт «Хвосты и уши», чтобы купить новый ошейник для собаки. Вы ищете, смотрите подходящие варианты, выбираете, кликаете по позициям в каталоге, затем проверяете спецпредложения и акции, добавляете товар в корзину и, наконец, оформляете заказ. Казалось бы, что тут сложного? Вероятно, вы даже не подозреваете, что произошло несколько важных для владельца сайта событий. Эти события прямо или косвенно могли повлиять не только на ваш выбор, но и на выбор других людей. Верится с трудом, не так ли? Рассмотрим ситуацию в динамике и на примерах разберемся, как алгоритмы машинного обучения помогают развиваться онлайн-ретейлу, предоставляя его клиентам уникальный опыт.

Источники трафика

Наверняка, вы начали с того, что в поисковике ввели запрос «качественные ошейники для хаски», или адрес tails-and-ears.example в адресной строке браузера, кликнули на рекламную ссылку в письме или каком-либо сайте. Для вас это не так важно, а вот для владельца сайта это способ понять, насколько эффективно потрачен его рекламный бюджет.

Если же речь о дорогостоящей покупке, например автомобиле, цепочка действий несколько усложняется. Вы заходите на форум автовладельцев, читаете отзывы, обращаете внимание на наружную рекламу, советуетесь с друзьями по поводу производителя или марки, возможно, смотрите, на чем ездит уважаемый общественный деятель или даже любимый блогер, посещаете тест-драйвы, выбираете выгодный автокредит и только потом совершаете покупку. В такой цепочке сложно оценить значимость каждого звена и степень влияния на принятие решения. Кроме того, было бы странным утверждать, что к покупке привел исключительно удачный подбор автокредита, хотя такой подход достаточно распространен (модель «последнего клика»).

В таких случаях и обращаются к искусственному интеллекту. Модели машинного обучения (здесь мы говорим о моделях атрибуции на основе данных) помогают понять, какое влияние на конверсию потенциального покупателя в реального имеет каждое звено. Сравнивая эти данные с потраченными рекламными бюджетами, ретейлер получает объективную картину по эффективности вложений в рекламу. Чем эффективнее реклама – тем больше конкурентное преимущество у магазина (больше клиентов или ниже цены). Клиент тоже выигрывает – нерелевантная потребностям реклама попадается на глаза реже. Win-win.

С чем пожаловали?

С тем, откуда вы пришли, ретейлер разбирается и выносит пользу. Как мы выяснили – для всех.

Браузер

Имеет значение, что хранилось в истории браузера, когда вы попали на сайт продавца. Именно отсюда интернет-магазин получает информацию о том, что вы пришли из поисковика, нажав на вторую ссылку по запросу «качественные ошейники для хаски». А еще он узнает, каким браузером вы пользуетесь (вплоть до версии), какое устройство используете, его операционную систему, разрешение экрана, cookies (ID сайтов) и многое другое. Вся эта информация становится источником данных для создания максимально полного портрета клиента в рамках одной сессии (захода на сайт). Модели машинного обучения (поведенческая аналитика и Process Mining) могут построить наиболее распространенные траектории и дать подсказки, как доработать сайт, например, сделать раздел «спецпредложения» более видимым на мобильных устройствах с невысоким разрешением экрана. Также эти данные используются для сопоставления различных клиентов между собой и учета их интересов на основе истории покупок. На их основе работают алгоритмы рекомендаций. В результате, вы видите в разделе «рекомендации» предложения для собак, а не для кошек или попугаев.

Авторизация на сайте

Более интересные возможности открываются для ретейлера, если вы при согласии на обработку данных разрешаете связать несколько ваших визитов на сайт магазина разными способами. Например, вы можете авторизоваться не только при помощи логина и пароля, но и по номеру телефона и номеру программы лояльности. В этом случае алгоритмы рекомендаций смогут анализировать всю вашу историю взаимодействий с магазином и не предлагать те товары, которые вы недавно купили. Другие алгоритмы машинного обучения позволяют сопоставлять визиты с авторизацией и визиты без нее, например, с помощью сохраненных cookies или комбинации «устройство-браузер-ОС-разрешение экрана» (дедубликация данных, цепочки коммуникаций). Это позволяет создавать наиболее полные клиентские профили. С большим количеством данных рекомендации становятся точнее, что удобно и выгодно всем. И снова win-win.

Спецпредложения

Когда у владельца сайта есть полная информация об интересах клиентов, ему становится проще планировать продажи с помощью спецпредложений. Также появляется возможность управлять группами покупок, например, когда при покупке аквариума часто докупается насос для очистки воды. Для автоматического выделения таких групп также используются алгоритмы машинного обучения – кластеризация по истории покупок и артикулам.

Предсказание спроса

Если у вас есть история покупок за длительный период, а отдельные товары вы приобретаете чаще, чем другие, появляется возможность с высокой точностью предсказывать спрос на ближайший промежуток времени (неделя, месяц). Для этого также применяются модели машинного обучения на основе анализа временных рядов – они позволяют учесть сезонность, влияние праздников и даже погодные условия.

Управление товарными остатками и логистикой

Если у ретейлера есть качественный прогноз на спрос, он оптимизирует управление складом и сокращает товарные остатки. Машинное обучение помогает и тут: для решения задач оптимизации склада, а также тонкой настройки логистики. Это прямой плюс к прибыли, а также более частое обновление ассортимента для покупателей.

Как накапливать и использовать собранную о клиенте информацию для допродаж

При очевидных преимуществах применения машинного обучения и искусственного интеллекта возникает резонный вопрос. Где хранить такое количество данных, не теряя важные связи? Решением может быть «озеро данных» (Data Lake), ключом к которому является создание Единого профиля клиента. В профиле агрегируется и хранится полная информация по клиенту, включая все его идентификаторы и персональные данные, а в «озере данных» – только идентификатор. Это позволяет защитить важную информацию и одновременно связать с клиентским профилем максимум данных о нем. Например, историю покупок, данные с сайта, записи разговоров с колл-центром и многое другое.

Данные могут обогащаться из внешних источников, в том числе достаточно неожиданных. Это могут быть CRM-системы, поисковики, мобильные операторы связи или интернет-касс, агрегаторы соцсетей, метаданные из файлов, открытые данные госорганов (например, департаменты транспорта), операторы Wi-Fi-сетей. Есть и ограничения, прежде всего, законодательные. Данные из этих источников часто деперсонализируются и могут иметь малое пересечение с аудиторией ретейлера. Наконец, затраты на их сбор и обработку могут превышать эффект от использования.

Другие технологии применяются для монетизации этих данных:

  • Глубокая аналитика продаж позволяет выделить драйверы спроса, и оценить его потенциал,

  • Алгоритмы рекомендаций позволяют сделать каждому клиенту уникальное предложение, максимально учитывающее его интересы.

***  

Итак, мы рассмотрели возможные области применения искусственного интеллекта в онлайн-ретейле. Будучи потребителем, невольно начинаешь волноваться, понимая, сколько всего о тебе может узнать владелец онлайн-зоомагазина. Однако вся эта информация при должном уровне защищенности данных используется нам же во благо – меньше спама, больше полезной рекламы, выгодных промо и актуальных предложений. При этом сам ретейлер, настраивая работу складов, не только экономит на товарных остатках, но и предлагает клиенту свежий продукт, оптимизируя маркетинг, повышает лояльность клиентов, позволяя пользоваться всеми своими сервисами через единое окно, экономит наше время и улучшает наш пользовательский опыт и многое, многое другое. В итоге, выигрывают все.

 

Опубликовано 30.08.2022