ЦЕЛИ И ЗАДАЧИ
-
Бизнес-задача
Повышение лояльности клиентов и снижение маркетинговых издержек за счет адресной работы с покупателями.
-
ИТ-задача
Разработка и внедрение системы прогнозирования покупок.
РЕШЕНИЕ
- Система на базе алгоритмов Machine Learning
- Oracle Siebel CRM и Oracle BI
РЕАЛИЗАЦИЯ
В рамках проекта специалистами «Инфосистемы Джет» была построена математическая модель, которая прошла обучение на обширных данных из CRM-системы: реестре товарных позиций, транзакциях за предыдущий год, товарообороте и поставках, информации из чеков и демографических данных держателей дисконтных карт. В решении применен целый комплекс методов машинного обучения, включающий в себя градиентный бустинг, random forest, коллаборативную фильтрацию и др.
Внедренная ML-модель работает по двухэтапному сценарию. Сначала, анализируя закономерности покупок, система выявляет среди держателей карт лояльности (2,6 млн. человек) целевую группу клиентов – тех, кто потенциально может купить товар в ближайшие две недели.
На втором этапе по каждому из клиентов система делает прогноз на покупку двух товаров, которые с высокой долей вероятности его заинтересуют. Прогноз формируется до уровня артикула (SKU) на основании всех имеющихся товарных позиций (несколько десятков тысяч). По сформированному списку клиентов делается рассылка с предложением скидки, размер которой в рамках допустимых значений рассчитывается системой для каждого покупателя персонально.
Таким образом, методами машинного обучения определяется «золотой сегмент» держателей карт лояльности, состав и параметры которого постоянно корректируются в режиме реального времени.
Опираясь на данные ML-модели, за счет адресной работы с покупателями и своевременно предлагаемых скидок ритейлер значительно снижает затраты на маркетинговые акции, при этом повышая уровень продаж.
РЕЗУЛЬТАТЫ
Повторно обратились за покупками около 47% держателей карт лояльности (ранее показатель был на уровне 22%). Средний чек клиентов, которым были предложены товары с персональной скидкой, оказался на 42% больше, чем у остальных покупателей. За время тестирования системы они принесли сети около 7% дохода, составив всего 1% от общей клиентской базы.
Выявленные в ходе проекта корреляции открывают новые возможности в поиске вариантов персональных клиентских предложений и повышении точности математической модели. Например, добавление в массив анализируемых данных неиспользуемых ранее показателей (информацию о складах, рейтинге товаров и пр.) для расширения выборки. В рамках продолжения работы по оптимизации расходов на маркетинговые кампании также требуется анализ эффективности всех каналов взаимодействия с клиентами.
На текущий момент специалисты «Инфосистемы Джет» реализовали более 50 проектов с применением технологий Machine Learning в банках, ритейле, промышленности, страховании и других отраслях. При этом спектр решаемых задач актуален тенденциям рынка: от повышения эффективности маркетинговых акций до предотвращения брака на производстве и противодействия мошенничеству.
-
1,5 месяца
Срок реализации проекта
-
220
Торговых точек охватил проект по России
-
33%
Точность персональных товарных рекомендаций
-
2,6 млн.
Количество держателей карт лояльности
-
На 42%
Выше средний чек покупателя после внедрения системы
