АНАЛИТИКА ДАННЫХ И МАШИННОЕ ОБУЧЕНИЕ

Компания широко использует аналитику данных и инструменты машинного обучения в создании инновационного и персонализированного покупательского опыта, а также для повышения операционной эффективности и снижения затрат.

В Группе создан Data Science центр, который разрабатывает и решения на основе анализа данных, и алгоритмы машинного обучения (ML) во многих направлениях: коммуникации с клиентами, формирование персонализированных предложений, работа с ассортиментом и промо-планом и др. В 2020 году команда центра выросла более, чем в три раза – с 20 до 75 человек.

Ключевые достижения центра в 2020 году:

• разработка и внедрение решений по клиентской аналитике и рекомендательным сервисам во все точки контакта с клиентами: мобильное приложение и сайт, контактный центр и приложения продавцов;
• создание центра экспертизы по разработке решений для ассортиментного планирования, управления ценообразованием и промо. Решение по ценообразованию на новой платформе собственной разработки было запущено в продуктивную эксплуатацию в конце 2020 года, решения по ассортиментному планированию и промо будут запущены в 2021 году;
• внедрение чат-бота для сайта и приложения М.Видео, автоматизирующего около 30% обращений клиентов по десятку различных тематик;
• реализация пилотного решений по видео-аналитике в магазинах, позволяющего оценивать вовлеченность клиентов по разным категориям товаров и улучшать качество сервиса за счет аналитики очередей и поведения одиночных покупателей.

Рекомендательные сервисы и персонализация

Создание прогнозных моделей для персонализации в сегменте бытовой электроники требует множества часов исследований и экспериментов, а также инновационных подходов к работе с данными и алгоритмами вследствие широкого ассортимента при невысокой частотности покупок. Тем не менее, команда Data Science центра М.Видео-Эльдорадо успешно реализовала модели позволяющие:

• предсказывать склонность клиентов к различным видам промо-механик (начисление бонусных рублей, скидки, покупки в рассрочку);
• определять интерес к покупкам в определенных товарных категориях;
• рекомендовать аксессуары, расходные материалы и товары-заменители.

Использование этих моделей в различных точках контактов с клиентами (маркетинговых кампаниях, мобильном приложении, на сайте и в рознице) позволяет Компании персонализировать клиентский опыт и коммуникации, а также увеличивать показатели конверсии и среднего чека.

Товарная категория

Промо механика

Речевая аналитика

Речевая аналитика – направление, которое в Data Science центре начали развивать в середине 2020 года. Основной кейс применения аналитических моделей – создание чат-ботов, позволяющих автоматизировать стандартные запросы клиентов, тем самым снижать нагрузку на операторов контактного центра и увеличивать скорость обслуживания.

Помимо чат-ботов, в направлении речевой аналитики были реализованы модели, позволяющие анализировать отзывы клиентов о товарах и выделять ключевые характеристики из этих отзывов.

Аналитика отзывов и обращений клиентов позволяет определять важные характеристики товаров для использования их в ассортиметном планировании, а также улучшать сценарии рекомендаций и подбора товаров.

Прогнозирование спроса с помощью машинного обучения

Алгоритмы машинного обучения позволяют добиться высокой точности прогнозов спроса на те или иные позиции и учесть неочевидные для человека взаимосвязи в данных.

Таким образом, внедрение алгоритмов машинного обучения позволяет существенно оптимизировать не только сам прогноз, но и сопутствующие расходы, к примеру, на использование складских помещений или транспорт.

Облачная инфраструктура

В 2020 году команда Data Science центра одной из первых на рынке начала использовать облачные технологии для управления инфраструктурой машинного обучения, смигрировав среды разработки и эксплуатации своих продуктов на облачную платформу. С переходом в облако нам удалось в три раза увеличить объем ресурсов для ML-разработки, что дало возможность одновременно проводить порядка 100 пилотов и экспериментов, при этом существенно сократив затраты. В 2020 году облако использовалось для задач машинного обучения, в планах на 2021 год перевести в облако и аналитическое хранилище данных, за счет этого получить еще большую гибкость и возможности роста.

Приоритеты Data Science центра на 2021 год включают в себя:

• усиление команды по работе над ассортиментом, ценообразованием и промо – как наиболее приоритетных направлений;
• создание команды рекомендательных сервисов для бренда Эльдорадо;
• оптимизация логистической платформы за счет внедрения продуктов, основанных на алгоритмах машинного обучения в основные логистические процессы – пополнение, управление транспортом, планирование квот на доставку и так далее;
• cоздание платформы данных, позволяющей предоставить аналитикам компании окружение и методологию для проверки гипотез и создания интерактивных дэшбордов.