63.62 € 73.61

Предиктивная аналитика в ритейле

Предиктивная аналитика в ритейле

Розничные продавцы могут потерять значительные средства из-за несогласованности спроса и предложения. Использование технологий искусственного интеллекта, в том числе предиктивной аналитики, позволяет минимизировать возможные потери, автоматизировать управление логистикой, произвести модернизацию управления запасами товара и т.д. Это относится как к онлайн, так и к оффлайн торговле. Отечественные компании уже используют системы предиктивной аналитики.

Технологии ИИ позволят М.Видео агрегировать отзывы о товаре

В компании используют системы предиктивной аналитики в связке с самообучающимися машинами. Задача машин — посоветовать покупателю, выбравшему один товар, еще несколько аналогичных. В результате появился сервис товарных рекомендаций, базирующийся на технологии самообучающегося алгоритма. В планах М.Видео — создать систему агрегации отзывов.

На сайте ритейлера представлено множество отзывов на те или иные товары. Задачей агрегатора станет аккумуляция и группировка отзывов, а затем суммирование похожих для предоставления общего значения. По мнению представителей компании, клиентам не потребуется читать десятки отзывов о товаре, чтобы получить исчерпывающие данные о нем.

Рителер также с помощью технологий искусственного интеллекта персонализировал рассылку специальных предложений. Сейчас система учитывает более 1 тыс. параметров, чтобы предложить более точные рекомендации клиентам.

Аналитическая CRM создает для клиентов X5 индивидуальные маркетинговые кампании

Осенью 2017 года X5 Retail Group внедрила в сети «Перекресток» технологии машинного обучения. Проект был реализован в аналитической CRM (aCRM). Аналитическая CRM связана с системой процессинга, приложением для мобильных устройств, SMS- и e-mail-каналами коммуникаций — то есть с инфраструктурой программы лояльности розничной сети. Теперь почти 70% предложений владельцам карт лояльности «Перекрёсток» формируются с помощью aCRM.

Пилотный проект системы был реализован в 2016 году, а с инфраструктурой программы лояльности X5 систему интегрировали в марте 2017 года. Тогда же началось обучение системы и разделение аудитории ритейлера по сегментам. Массово алгоритмы автоматической сегментации и таргетирования кампаний начали применяться осенью.

Сегментация с применением технологий машинного обучения, позволяет разделять клиентов по единым признакам, формируя специальные предложения, создавая модели персональных маркетинговых кампаний с учетом различных факторов. Аналитический модуль принимает во внимание частоту покупок и среднюю сумму чека, предпочтение товарных категорий, приемлемый порог цен, время посещения супермаркетов и т.д.

«Аналитический модуль учитывает частоту и сумму покупок, предпочтения, факторы, определяющие стиль жизни, приемлемый уровень цен, любимые категории товаров и предпочтительное время посещения супермаркетов. Интерфейс аналитической системы позволяет планировать дату и время коммуникаций, вести отчетность по маркетинговым акциям, а также настраивать кампании с учетом результатов тестовых кампаний», — рассказали в пресс-службе X5.

Дикси предугадывает поведение клиентов

Сеть супермаркетов «Виктория» (ГК «Дикси») в 2015 году внедрила систему предиктивной аналитики. Решение позволяет предсказывать поведение клиентов, основываясь на их покупательских предпочтениях. Персональные предложения для клиентов формируются благодаря нескольким каналам: приложение для смартфона, чек, купоны в магазинах, рассылка по электронной почте, SMS, социальные сети.

В сети «Дикси» представлено более 40 тыс. наименований продукции. Ритейлер также проводит RFMP-анализ корзины покупателей, чтобы отыскать набор идентичных групп товаров, приобретаемых покупателями одного сегмента.

Бинбанк оптимизировал маркетинговую активность

К технологиям искусственного интеллекта банк обращается для продвижения финансовых продуктов. Система предиктивной аналитики была внедрена для управления всеми маркетинговыми активностями.

В результате стоимость привлечения новых клиентов по некоторым сегментам сократилась почти в три раза. Ка объяснили представители Бинбанка, система представляет собой самообучающуюся нейронную сеть, задача которой состоит в анализе потребностей клиентов, задач бизнеса, расположений отделений и типов рекламных носителей вокруг точки продаж.

После того, как был проведен анализ, система определяет набор наиболее эффективных каналов продвижения (наружная реклама, СМИ и т.д.). Также система самостоятельно накапливает данные об истории рекламных размещений и анализирует их методами машинного обучения, что дополнительно повышает точность каждого следующего прогноза.

Опыт Аэрофлота

«Аэрофлот» анализирует обращения клиентов благодаря платформе, в которой используются алгоритмы предиктивной аналитики данных. В компании создали единую платформу по обработке обращений из разных каналов коммуникаций для повышения эффективности, скорости и качества обработки запросов клиентов, проведения их интеллектуальной классификации и маршрутизации.
Авиакомпании был необходим инструмент, который в режиме реального времени отслеживал бы ключевые тренды в социальных сетях, включая обратную связь о «Аэрофлотом» от лидеров мнений (популярных блоггеров, журналистов и пр.) и при необходимости использовать все доступные каналы коммуникаций для сохранения имиджа компании.

Был реализован мониторинг упоминаний компании «Аэрофлот» в социальных сетях, отслеживания их тональности, динамики изменения этих настроений в виду тех или иных информационных поводов. Обучение системы было произведено благодаря отзывам об «Аэрофлоте», оставленными пользователями русскоязычного сегмента социальных сетей с 2014 года. Благодаря этому система точно и в режиме реального времени определяет тональность каждого упоминания, позволяя формировать службе клиентского сервиса приоритеты реагирования на обращения.

Благодаря анализу исторических данных удалось построить математические модели, задача которых —автоматически (с высокой долей вероятности) определить тему обращения клиента на основе упоминания в социальных сетях, и подразделение, ответственное за обработку и решение проблемы.

«Сейчас идет оценка повышения эффективности работы сотрудников, можно зафиксировать, что система корректирует около 5% ошибочных тем обращений и самостоятельно определяет тему в 85% случаев», — рассказали в компании. За счет оперативного реагирования на наиболее резонансные информационные поводы, существенно повысилась лояльность потенциальных и существующих клиентов «Аэрофлота».

Подписаться на новости Обсудить Заказать исследование на тему

Назад

Комментарии

Текст сообщения*
Защита от автоматических сообщений