Реальные инновации: четыре направления применения ИИ в e-com

Внедрить или забыть

Решения на базе ИИ становятся все более популярными и даже привычными, но подходят далеко не всем. Быстро определить, что в таких инструментах назрела необходимость, поможет небольшой чек-лист. 

Наличие данных о покупателях за два года

Данные — основная питательная среда для обучения ML-моделей (с их помощью выявляются различные закономерности, на основе которых создается модель для прогнозирования). Простой пример — применение «умных» рекомендаций товаров в сравнении с обычной подборкой может увеличить конверсию в десятки раз. Однако для запуска такого проекта нужна история по покупкам и самим клиентам (кликам, просмотрам) как минимум за два года. Только тогда получится построить достоверный прогноз. 

Качественные данные

Персонализированные предложения могут раздражать и даже отталкивать покупателей, если основаны на предвзятых или неточных цифрах, поэтому важно, чтобы данные о покупателях были достоверные. 

Повторяющиеся рутинные задачи

Чтобы инвестиции в ИИ окупились, потребуются массовые, стандартизированные и повторяющиеся задачи. Будьте готовы, что объемные задачи предполагают соответствующие расходы, в том числе на специалистов. Например, в команде X5, которая занимается моделированием и анализом данных, работает более сотни человек.

Если все характеристики выше относятся к вашей компании, смело инвестируйте в продукты с использованием искусственного интеллекта. Потенциал сферы ритейла для ИИ кажется бесконечным, но выделю четыре направления, где можно добиться самых быстрых и заметных результатов:

• персонализация и оптимизация; 
• рекомендации и чат-боты;
• динамическое ценообразование;
• прогнозирование оттока. 

Персонализация сайта и оптимизация конверсии

Первое, с чем встречается клиент e-commerce, — это сайт, поэтому с него правильнее начать улучшения. Благодаря ИИ персонализация веб-сайтов стала еще более сложной: теперь их можно адаптировать не только под предпочтения клиентов, но и под их типичное поведение, которое часто меняется. 

Специальные алгоритмы анализируют историю посещений каждого человека, его специфику поиска и покупок, а также используют параметры похожих покупателей (тех, кто по нескольким критериям схож с потенциальным покупателем — к примеру, по семейному положению, интересам, сумме покупок). Учитываются сезонные тенденции, демографическая статистика и масса других данных.

На базе этой информации создается высокоперсонализированный опыт (все данные о покупателях, обновляемые в режиме реального времени). Используя его, можно готовить индивидуальный контент (описания продуктов, рекламу), рекомендации и настраивать каталоги для каждого посетителя. 

Маркетинговые команды прилагают много усилий для привлечения трафика на свои сайты в надежде, что он даст приток потенциальных покупателей. Однако гораздо эффективнее и дешевле сфокусироваться на уже имеющихся клиентах и уделить внимание оптимизации конверсии. А именно проверить с точки зрения CRO (Conversion Rate Optimization) главную и посадочные страницы, каталог продуктов, блог. 

Во-первых, для решения этой задачи использовать сервисы, работающие на основе ИИ, дешевле, поскольку оптимизация конверсии вручную — очень дорогое удовольствие. Во-вторых, с помощью ИИ можно автоматизировать 99% повторяющихся задач, связанных с CRO. В том числе сбор и систематизацию данных, разработку идей по улучшению производительности магазина и проверку гипотез. 

Даже такой незначительный функционал, как оптимальное расписание и настройка каналов при отправке клиентских рассылок, сделанные на базе ML, может серьезно повысить конверсию. Подобный кейс реализовала компания-производитель конструкторов для детей и взрослых, и отклик на персонализированную рассылку был выше на 210%. 

Рекомендации и чат-боты

Рекомендации на базе ML помогут увеличить сумму покупок, повторные продажи и даже завоевать лояльность покупателей: люди ценят время и рады, если им помогают выбрать то, что им нравится, быстрее. К лучшему эффекту приводит сочетание разных типов таких моделей: лент ранжирования выдачи товаров, рекомендаций «товар — товар», персональных подборок. 

К примеру, «ВкусВилл», используя новую систему на базе ML, готовил рекомендации по товарам со скидками для постоянных клиентов. Все покупатели из Москвы и Московской области получили уведомления о продуктах по сниженным ценам. В итоге за месяц средний чек вырос на 8%.

Часто e-com испытывает трудности в управлении запросами клиентов. И здесь помогает эволюция чат-ботов, которые сейчас предлагают покупателям помощь в режиме 24/7. Функционально они могут быть очень разными, однако компаниям из сферы электронной коммерции стоит искать те, что умеют передавать сложные вопросы человеку-оператору, собирать аналитику.

Такой чат-бот есть у «Сбермаркета»: помимо ответов на вопросы, он выполняет более сложные операции — возвращает деньги за заказ, уточняет сроки доставки или дополняет список тем, что покупатель, поспешив, забыл — достаточно попросить его в переписке и он откроет витрину товаров, чтобы внести изменения. 

По данным PwC, покупатели уже сейчас готовы платить на 16% больше за такие привлекательные услуги, к тому же подобная автоматизация позволяет сократить расходы колл-центра до 75%.

Конкурентные цены

На высококонкурентных рынках немедленное изменение цен в соответствии с ценами других игроков также может существенно повлиять на коэффициент конверсии и прибыль. Инструменты ИИ очень пригодятся для таких сложных задач, как динамическое ценообразование. 

Алгоритмы здесь учитывают массу переменных (спрос, предложение, цены конкурентов, стоимость связанных продуктов, привычки покупателей, их лояльность), что точно вручную не по силам даже десятку специалистов. Главная задача — установить лучшую цену на определенный продукт для конкретного клиента в данный момент. Математика несложная — увеличение цен на 1% приведет к увеличению прибыли на 10% для бизнеса с рентабельностью 10%. Такие системы есть практически у всех крупных e-com ритейлеров и маркетплейсов. 

Прогнозирование оттока и продаж

По оценкам экспертов, затраты на привлечение новых клиентов обходятся бизнесу в 4–11 раз дороже, чем удержание старых. Пока ИИ не может решать абстрактные задачи, такие как «посоветуй, какую маркетинговую кампанию провести для роста лояльности», но ему под силу указать на покупателей, склонных к оттоку, и ответить на вопрос, с кем нужно коммуницировать уже сейчас, чтобы не потерять деньги в перспективе. 

Как это работает: с определенной периодичностью система группирует клиентов, которые задумываются о смене любимого интернет-магазина, анализирует причины решения и на основании исторических данных предлагает варианты действий, которые помогут удержать этих людей. А затем уже стартует последовательность рассылок с шагами по вовлечению во взаимодействие (скидками, бонусами и другими подобными привилегиями). 

С продажами примерно так же. Модели перерабатывают огромный массив внутренних и внешних данных по спросу, с глубокой детализацией по разным параметрам — географии, полу, семейному положению и т.д. Анализируют и переток между конкурентами по ряду факторов: количеству клиентов, среднему чеку, объемам продаж; в расчет также берут характеристики рыночного окружения. 

Команда «Ленты» собрала модель, которая использует более 70 внешних и внутренних источников информации. В общей сложности ML-решение, которое строит прогнозы, учитывает данные по 107 млн покупателей. Система сократила длительность расчета прогноза для товаров сети на 30%, на 4% снизились объемы списания продукции категории гастронома и на 5% выросли показатели доступности акционных товаров. Эти же наработки полезны, когда речь заходит об открытии новых магазинов — просчитать ассортимент и его объем по конкретной точке получается с высокой точностью.

Заключение

Ажиотаж вокруг ИИ постепенно стихает. Уровень зрелости клиентов растет. Они уже не ждут, что топовое решение им может создать команда из двух увлеченных математиков. Стали грамотно ставить задачи и развивать внутренние команды. И именно электронная коммерция с гигантскими объемами данных и подходящими проблемами — отличный плацдарм для тренировок, проверки технологий и отработки инструментов.

Поэтому мы все чаще видим, как такие компании превращаются в новаторов в области ИИ и их внутренние решения масштабируются на отрасль в целом, а доступ к технологиям получают не только бизнес-гиганты, но и небольшие интернет-магазины.

Фото на обложке: Unsplash