Настоящие инновации: четыре варианта применения искусственного интеллекта в электронной коммерции

Многие компании, работающие в сфере электронной коммерции, тратят миллионы долларов на содержание собственных команд по работе с большими данными и искусственным интеллектом, но не всегда добиваются желаемых результатов. Однако некоторые компании сразу же достигли успеха, используя коммерческие решения в этой области.
Дмитрий Демидов, руководитель лаборатории инноваций компании Norbit (входит в группу ЛАНИТ), рассказывает, каким компаниям стоит инвестировать в проекты в области искусственного интеллекта и на каких направлениях им следует сосредоточиться в первую очередь, чтобы окупить затраты в ближайшем будущем Доклад.
Внедрить или забыть.
Решения на основе ИИ становятся все более популярными и доступными, но подходят они далеко не всем. Простой контрольный список поможет вам быстро определить, насколько преждевременно внедрять такие инструменты.
Наличие данных о клиентах за два года.
Данные - это основной очаг для обучения ML-моделей (используются для выявления различных закономерностей и создания прогнозных моделей). Простой пример - применение "умных" товарных рекомендаций может увеличить конверсию в 10 раз по сравнению с обычным подбором. Однако для создания такого проекта необходимо как минимум два года истории покупок и клиентов (количество кликов и просмотров). Только в этом случае можно делать достоверные прогнозы.
Качественные данные.
Важно, чтобы данные о клиентах были достоверными, поскольку персонализированные предложения могут раздражать или отталкивать покупателей, если они основаны на необъективных или неточных данных.
Повторяющиеся рутинные задачи.
Чтобы инвестиции в ИИ принесли плоды, потребуется выполнять большое количество стандартных, повторяющихся задач. Важно быть готовым к тому, что большой объем задач потребует разумных затрат, в том числе на специалистов. Например, в команде моделирования и анализа данных X5 работает более 100 человек.
Если все вышеперечисленные характеристики применимы к вашей компании, инвестируйте в продукты на основе искусственного интеллекта. Возможности ИИ в розничной торговле кажутся безграничными, но вот четыре области, в которых вы можете увидеть самые быстрые и ощутимые результаты:

Персонализация и оптимизация 
Рекомендации и чат-боты
Динамическое ценообразование
Прогнозирование оттока покупателей

Персонализация веб-сайта и оптимизация конверсии.
Первое, что видит покупатель электронной коммерции, - это сайт, и благодаря искусственному интеллекту персонализация сайта стала более сложной, адаптируясь не только к предпочтениям покупателей, но и к часто меняющемуся типичному поведению.
Специальные алгоритмы анализируют историю посещений, особенности поиска и покупок каждого человека и используют параметры похожих клиентов (тех, кто похож на потенциальных покупателей по нескольким критериям, например, семейному положению, интересам, суммам покупок и т. д.). Учитываются сезонные тенденции, демографические и многие другие данные.
На основе этой информации создается максимально персонализированный опыт (все данные о клиентах обновляются в режиме реального времени). На основе этих данных можно подготовить индивидуальный контент (описания товаров, рекламные объявления), рекомендованные товары и каталоги для каждого посетителя.
Маркетинговые команды тратят много усилий на привлечение трафика на свои сайты в надежде на приток потенциальных клиентов. Однако гораздо эффективнее и дешевле сосредоточиться на уже имеющихся клиентах и уделить внимание оптимизации конверсии. Это означает проверку главной страницы, целевых страниц, каталога товаров и блогов с точки зрения CRO (оптимизации коэффициента конверсии).
Во-первых, ручная оптимизация коэффициента конверсии очень затратна, поэтому дешевле использовать для этой задачи сервисы на основе искусственного интеллекта. Во-вторых, с помощью ИИ можно автоматизировать 99 % повторяющихся задач, связанных с CRO. К ним относятся сбор и систематизация данных, разработка идей по улучшению работы магазина и тестирование гипотез. Единственный способ узнать, что работает, а что нет, - это тестировать варианты и собирать точные данные. С помощью ИИ можно не только тестировать различные версии веб-сайтов и маркетинговых сообщений, но и определять, что лучше всего работает для разных сегментов аудитории.
Даже такие тривиальные функции, как оптимальное планирование рассылок для клиентов или настройка каналов, могут значительно повысить конверсию, если они основаны на ML. Подобное исследование было проведено с компанией, производящей конструкторы для детей и взрослых, которая увидела 210 %-ный рост откликов на персонализированные рассылки.
Рекомендации и чат-боты.
Рекомендации на основе ML могут помочь увеличить стоимость покупки, повторные продажи и даже лояльность клиентов. Наилучший эффект достигается при сочетании различных типов таких моделей: лент с рейтингом размещения товаров, рекомендаций по товарам и персонализированных подборок.
Например, компания "ВкусВилл" использовала новую систему на основе ML для подготовки рекомендаций товаров со скидками для своих постоянных клиентов. Все клиенты в Москве и Московской области получили уведомления о скидках. В результате средний чек за месяц увеличился на 8 %.
В e-com часто бывает сложно справиться с запросами клиентов. Здесь на помощь пришла эволюция чат-ботов, которые обеспечивают круглосуточную поддержку покупателей. Хотя функционально они очень разные, компаниям, занимающимся электронной коммерцией, следует искать такого бота, который может передавать сложные вопросы человеку-оператору и собирать аналитику.
Еще один совет - в приоритете должны быть боты, которые не только подключаются к серверам и интегрируются с внутренними системами, но и могут быть реализованы без кода.
Такой чатбот есть у "Сбермаркета": он не только отвечает на вопросы, но и выполняет более сложные операции - возвращает деньги за заказ, уточняет сроки доставки, дополняет список тем, что покупатель забыл в спешке, - просто спрашивая в процессе общения, открывая витрину с товаром и Они вносят изменения.
По данным PwC, клиенты уже готовы платить на 16 % больше за такие привлекательные услуги, а подобная автоматизация позволяет сократить расходы колл-центра до 75 %.
Конкурентное ценообразование.
На высококонкурентном рынке немедленное изменение цен в соответствии с ценами других игроков также может оказать значительное влияние на уровень конверсии, а инструменты искусственного интеллекта могут быть очень эффективны для решения таких сложных задач, как динамическое ценообразование.
Алгоритмы здесь учитывают множество переменных (спрос, предложение, цены конкурентов, стоимость сопутствующих товаров, привычки покупателей, лояльность). Основная задача - установить оптимальную цену на конкретный товар в определенное время для конкретного клиента. Математика проста: повышение цены на 1 % приведет к увеличению прибыли на 10 % в бизнесе с нормой прибыли 10 %. Такие системы есть у большинства крупных ритейлеров и торговых площадок электронной коммерции.
Отток и прогнозы продаж.
По оценкам экспертов, стоимость приобретения нового клиента в 4-11 раз превышает стоимость удержания старого клиента ИИ не может решать абстрактные задачи, например "советовать, какие маркетинговые кампании проводить для повышения лояльности", но он может Он может выявить клиентов, которые, скорее всего, отторгаются, и ответить на вопросы о том, с кем нужно общаться сейчас, чтобы избежать потерь в долгосрочной перспективе.
Как это работает: через регулярные промежутки времени система собирает клиентов, которые подумывают о смене любимого интернет-магазина, анализирует их причины и, основываясь на исторических данных, предлагает им варианты действий, чтобы удержать их. Затем рассылается серия электронных писем, в которых уже содержатся шаги по вовлечению в диалог (скидки, бонусы и другие подобные предложения).
То же самое относится и к продажам. Модель обрабатывает огромное количество внутренних и внешних данных о спросе и детально анализирует различные параметры, такие как география, пол и семейное положение. Кроме того, модель анализирует побочные эффекты между конкурентами на основе ряда факторов, таких как количество клиентов, средний чек и объем продаж, а также характеристики рыночной среды.
Команда "Ленты" построила модель, использующую более 70 внешних и внутренних источников информации. В общей сложности ML-решение, которое строит прогнозы, учитывает данные 107 миллионов покупателей. Система позволила сократить период расчета прогноза по продуктам на 30 %, уменьшить списание товаров категории "Гастрономия" на 4 % и увеличить наличие промопродукции на 5 %. Эти же изменения актуальны и для открытия новых магазинов. Ассортимент и количество продуктов для конкретной торговой точки можно рассчитать с высокой степенью точности.
Ажиотаж вокруг искусственного интеллекта постепенно спадает. Клиенты становятся более зрелыми. Они уже не ждут, что команда из двух математиков-энтузиастов создаст для них оптимальное решение. Они ставят перед собой компетентную задачу и начинают создавать собственную команду. А электронная коммерция с ее огромными объемами данных и актуальными проблемами - отличный плацдарм для обучения, тестирования технологий и отработки инструментов.
Поэтому мы видим, как все больше и больше таких компаний превращаются в новаторов ИИ, масштабируют свои внутренние решения на всю отрасль и видят, как гиганты бизнеса, а также небольшие интернет-магазины получают доступ к этой технологии.