Big Data в ритейле: предиктивная аналитика как инструмент прогнозирования клиентского опыта

Д. Наумов: Выручка и рентабельность – это общие показатели, которые складываются из множества факторов. Одними из ключевых здесь являются величина среднего чека и количество заказов. Клиентские данные, а точнее правильное их использование бизнесом, позволяют управлять как размером среднего чека, так и количеством заказов. В частности, увеличение средней стоимости покупки происходит через up-лифты более качественных персонализированных промоакций, а также с помощью инструментов cross-sale-продаж. Мы регулярно разрабатываем новые модели и совершенствуем существующие, направленные на увеличение эффективности целевого маркетинга. Что касается заказов, безусловно, здесь играет роль как кратное увеличение количества клиентов, так и увеличение частоты самих заказов. Для стимулирования роста и удержания клиентской базы существует множество подходов, основанных на аналитике. Например, использование предиктивного формирования корзин, основанного на клиентских данных, на том, с какой частотой приобретаются те или иные товары. Важно предложить определенный товар в наиболее вероятный для покупки момент, когда этот товар человеку наиболее необходим. И главной задачей аналитики в данном случае является предсказание правильного момента с достаточно высокой точностью. 

Если говорить о привлечении новых покупателей, то здесь одну из наиболее значимых ролей играет правильный и эффективный маркетинговый микс, в разработке которого просто необходимы эконометрические модели, учитывающие множество данных. Подобные модели позволяют прогнозировать вклад не только каждого отдельного рекламного канала в конечный результат, но и влияние внешних факторов, например, погоды или пробок.

Д. Наумов: Мы применяем аналитику для увеличения эффективности целевого маркетинга, операционной и коммерческой деятельности.  Например, результаты работы аналитического центра регулярно используются для оптимизации ценообразования и расчета эластичности спроса по цене, ведь в конечном итоге задача – повысить выручку или в целом маржинальность бизнеса.

С точки зрения целевого маркетинга здесь, конечно, помогают кластеризация клиентов и сегментирование аудитории, выявление паттернов поведения. В качестве примера могу привести нашу работу по прогнозированию отклика на определенные целевые рекламные кампании, контактную политику по работе с оттоком.

Аналитика также вносит весомый вклад и в работу с оптимизацией товарных запасов. При нашем объеме заказов, с учетом промопланов, сезонности, конъюнктуры, маркетинговых кампаний и других местных факторов, качественно спрогнозировать и удовлетворить спрос, обеспечить наличие всех необходимых товаров на складе без аналитических инструментов попросту невозможно.

Д. Наумов: В нашей работе большую роль играет предиктивная аналитика поведения покупателей. Возможность заранее определять ту или иную вероятность конечного результата, в частности статусов заказов, позволяет оптимизировать операционные издержки.

Пожалуй, нашими главными задачами можно назвать дальнейшее развитие взаимодействия с бизнес-подразделениями и развитие аналитических инструментов. «Утконос» уже давно отказался от статуса Аналитического центра как сервисного подразделения. Мы формируем продуктовые команды и работаем вместе с бизнесом над их задачами.

Также мы работаем над развитием канала data driven. В этом плане мы работаем по нескольким направлениям: предоставляем business-intelligence для бизнеса, свежие актуальные данные, которые доступны в реальном времени, в том числе с мобильного телефона, работаем над хранилищем данных для того, чтобы обеспечить фундамент и для BI, и для аналитики. Кстати говоря, проведение хакатонов помогает с реализацией этой задачи, как минимум взглянуть под разными углами на способы реализации проектов, связанных с data driven. 

Еще одна важная задача – встраивание data science в бизнес-процессы. Например, это позволит реализовать в приложении курьера возможность передачи звукозаписи работающего двигателя для выявления и прогнозирования поломок, а для юридического департамента и бухгалтерии появится возможность анализа сканов документов и выявления неких спорных и сложных моментов или непонятных отклонений в суммах.

Д. Наумов: Мы понимаем искусственный интеллект как продвинутые алгоритмы классификации, которые важно уметь правильно настраивать. Безусловно, artificial intelligence не сможет заменить человеческий, а будет лишь помогать, в том числе в повышении производительности труда наших сотрудников. И по сути, любая задача, которую мы решаем, любая модель прогнозирования или модель классификации есть модель машинного обучения. И это также подходит под определение искусственного интеллекта.