Кейс 1: «Леруа Мерлен» напоминает покупателям о забытых товарах перед выходом из магазина
История
Жена послала Андрея в «Леруа Мерлен» купить краску и валики — супруги хотят обновить дачный сарай. Дома они изучили сайт «Леруа», подобрали краску. В выходной наш герой отправился за покупками. Взял краску, нужный тон. Только собрался выходить из магазина — в телефоне пикает сообщение. Андрей подумал, что это жена что-то просит докупить. А это магазин «Леруа Мерлен» ему пишет: «Вы, кажется, забыли взять валики, которые смотрели на неделе». «Точно!» — говорит Андрей и возвращается за недостающим инструментом для покраски.
Так работает OMNI-канальность в «Леруа Мерлен». Теперь клиент идентифицируется и на сайте, и оффлайн. Камера на выходе из магазина определяет, что вот этот клиент недавно смотрел на сайте краску и валики, а сейчас купил только краску. И отправляет ему напоминание о валиках.
Как это сделано
Этот кейс на 100% про сбор и анализ больших данных. В «Леруа Мерлен» внедрена инфраструктура Hadoop, проведена процедура ETL, сформировано хранилище данных на базе Power BI/Tableau, интегрирован программный брокер сообщений Apache Kafka для отслеживания паттернов в режиме реального времени.
Сделана видеоаналитика маршрутов покупателей по торговому залу. Реализованы автоматизированный анализ и обработка review товаров для принятия решений о закупке. Покупатель онлайн и оффлайн идентифицируется по карте лояльности. Данные про него собираются какое-то время, позволяя системе формировать дополнительные скидки,
рекомендации, flash sales (распродажи одного дня).
Результат
Реализация OMNI-канальности и создание платформы оптимальной закупки товаров с персонализированными предложениями клиентам дали рост продаж (цифры не разглашаются).
Кейс 2: «М.Видео» увеличил отклик на рассылки и упростил для покупателей изучение отзывов на товары
История
«Отличный магазин «М.Видео», но онлайн выбирать товары мне в нем неудобно», — думает хипстер Антон. Отзывов на нужный гаджет слишком много, в том числе негативных вроде требований возврата денег. Антону нужен китайский смартфон с отличной камерой. И он доверяет отзывам, а не описаниям от бренда. Но читать отзывы долго, а интересует его ключевая характеристика каждой модели.
Антону помогает ИИ: робот суммирует отзывы по каждому гаджету и выдает общее заключение. Например, если в отзывах про конкретный смартфон люди пишут «классная камера», «хорошо снимает», «фотает супер», ИИ понимает, что все это отзывы про камеру и выводит Антону общую рекомендацию «Покупателям нравится камера этого телефона». Так круг поиска устройства для покупки сужается, и Антон не уйдет в другой интернет- магазин.
Как это сделано
Из-за высокой конкуренции в диджитал-пространстве оффлайн гигант «М.Видео» имеет низкую конверсию на сайте. Была поставлена задача увеличить эффективность цифровых каналов коммуникации.
Во-первых, на сайте огромный поток отзывов, в которых потенциальные клиенты буквально теряются. Во-вторых, много негативных отзывов, которые по факту еще не негативные, а запросы на возврат средств и претензии, то есть временные рабочие моменты. В-третьих, конверсия могла бы быть выше.
Была создана AI-архитектура на базе облачной платформы SAP с дальнейшей кастомизацией. Настроено отслеживание пользовательских маршрутов на сайте с использованием кластеризации на графовых структурах данных. Внедрены фреймворки Pandas/Sklearn/xgboost, Keras/TensorFlow, Python-igraph.
Результат
ИИ анализировал отзывы и суммировал похожие по интонации и смыслу, показывая клиенту общее значение, как в нашем примере с Антоном. Теперь клиенту не нужно читать много похожих отзывов, чтобы получить необходимую информацию о товаре. Отзывы с претензией или с возвратом товара, требующие реакции менеджера, система стала относить к категории «потенциально негативный отзыв». Такие запросы стали обрабатывать быстрее.
А что насчет конверсии? Благодаря сбору и анализу больших данных клиентские рассылки «М.Видео» стали более точными и адресными: сейчас ИИ учитывает свыше 1 000 пользовательских параметров. В результате этой стратегии удалось значительно повысить отклик на письма.
Кейс 3: DNS-Shop увеличил продажи на 22% после анализа ценовой политики, сделанного ИИ
История
В интернете очень много разных цен на один и тот же товар. Современный покупатель, допустим, Юля, очень хорошо знает, как искать лучшую цену. Юля заметила, что в DNS-Shop всегда оптимальная цена, поэтому покупает там подарки на Новый год себе и парню.
Как это сделано
Задача: повышение продаж при помощи алгоритмов машинного обучения. Для этого робот должен постоянно изучать цены на рынке и быстро давать лучшие предложения.
Фотография магазина DNS из Википедии.
Цели анализа ИИ:
●продать максимально возможное количество товарных позиций, не теряя в маржинальности;
● выявить взаимосвязь между продуктами (например, как скидка на модель Х поменяет продажи на сходные модели в категории);
● автоматизированно подбирать оптимальную цену для конкретной ситуации (конкуренты запустили промо) и времени (сезонные распродажи).
Были внедрены ML-алгоритмы Igraph, Sklearn и Keras, которые в течение месяца рекомендовали разные цены на товары и сравнивали результаты.
Результат
Авторасчет цен повысил конверсию. В конце периода тестовая группа показала рост количества продаж в штуках на 22.3% в сравнении с контрольной группой, где цены рассчитывал человек. Количество транзакций +22,3%; в прибыли +13,9%.