Для сети «Рив Гош» разработали обучаемую систему предсказания поведения покупателей

Для сети «Рив Гош» разработали обучаемую систему предсказания поведения покупателей

Сеть магазинов косметики и парфюмерии «Рив Гош» получила первые результаты тестирования персональных рекомендаций по конкретным артикулам: их точность составила около 33%. Возможность сделать это дала система предсказания поведения покупателей, разработанная на базе Machine Learning.
High Tech и связь / Александр Кузнецов 17 Май 2018, 21:30
Для сети «Рив Гош» разработали обучаемую систему предсказания поведения покупателей

Проект, который выполнила компания «Инфосистемы Джет», охватил более 220 торговых точек ритейлера по всей России, а также интернет-магазин «Рив Гош». Полный цикл рабочего процесса с применением Machine Learning (ML) – так называемого «машинного обучения», в результате которого компьютеры способны показать поведение, которое в них не было явно запрограммировано, был реализован за 1,5 месяца.

Разработанное решение выполняет два ключевых сценария. Первый – выявление из всех держателей карт лояльности (2,6 млн человек) тех, кто потенциально может совершить покупку в ближайшие 2 недели. В рамках второго сценария система делает прогноз топ–2 покупок по каждому из этих клиентов, определяя из десятков тысяч товарных наименований конкретные позиции до уровня артикула (SKU). Обладая этими данными, ритейлер может существенно повысить вероятность тех или иных продаж, своевременно предлагая скидки интересующему сегменту клиентов, а также снизить затраты на их привлечение. При этом размер самой скидки в рамках допустимых значений система рассчитывает для каждого покупателя индивидуально.

Прогностическое решение использует комплекс методов машинного обучения. На первом этапе проекта математическая модель обучалась на данных, консолидированных в CRM-системе, включающих информацию о транзакциях за 2017 год, товарных позициях, товарообороте и поставках, а также историю покупки и демографические данные держателей дисконтных карт. Анализируя скрытые закономерности, ML-система выделила целевой сегмент покупателей и предсказала вероятные позиции в их чеках. Следующим этапом была произведена контрольная рассылка по требуемой категории клиентов, а затем – анализ фактических результатов (покупок).

В выявленной группе клиентов повторные обращения за покупками составили около 47% (тогда как в среднем по клиентской базе этот показатель равен 22%). Кроме того, их средний чек оказался на 42% больше, чем у остальных покупателей. Таким образом, методами машинного обучения удалось определить «золотой сегмент» держателей карт лояльности. За выбранный промежуток времени они принесли компании порядка 7% дохода, составляя всего 1% от общей клиентской базы. Состав, численность и параметры данного сегмента меняются динамически, и система учитывает это в режиме реального времени.

Подписывайтесь на нашу рубрику:
Для подпсики необходимо авторизироваться
Укажите вашу электронную почту в личном кабинете
Комментарий
Чтобы оставить комментарий необходимо авторизироваться