Снижение аварийности в парке лизинговой компании

Задача: снизить аварийности и расходы на страхование,
вычисляя водителей с аномальным поведением

Проект: с помощью ML-модели анализируем данные, передаваемые телематическим оборудованием, определяя опасное вождение, нарушение договора лизинга (смена водителя) и потенциальные угоны

Как заказчик использует аналитику:

  • регулярно взаимодействует через колл-центр с водителями над их поведением и стилем вождения,
  • передает данные по водителям и стилю их вождения в страховую компанию для снижения стоимости страховок

11 000 транспортных средств в парке компании

Снижение количества аварий

Анализ поведения клиентов и спасение «брошенных» корзин

Проблема заказчика: покупатели выкупают не все корзины и оставляют без покупки товары по разным причинам (сроки доставки, качество, цена, условия акций и др.)

Задача: научиться определять в live-режиме кто из покупателей, присутствующих на сайте, вскоре закроет его без завершения покупки

Проект: изучаем поведение пользователей, проводим сегментацию их поведения и с помощью ML-модели определяем вероятность и причину ухода клиента

Результат: интернет-магазин получает данные и возможность таргетно «спасти» покупку, связавшись с конкретным пользователем

Более 30% – рост продаж интернет-магазина (за 9 месяцев)

В результате этих и ряда других мер по оптимизации работы сайта интернет продажи за 9 месяцев выросли на 30%, а конверсия посетителей в покупателей — на 10%.

Больше деталей на Forbes.ru

Прогнозирование спроса на товары

Проблема заказчика: компания торгует скоропортящимися товарами, а текущая аналитическая система выдает высокую точность предсказания выкупа товаров только на неделю, поэтому отсутствие прогноза на более коротком горизонте планирования (2 дня) влечет потенциальные убытки

Задача заказчика: сократить риски убытков, применив к прогнозу спроса на товары машинное обучение вместо анализа посредством классической BI-системы

Результат: математическая модель построена и обучена на исторических данных о покупках в «Утконосе» за 2 года, учтена информация по сотням параметров (не только по товарным остаткам, но и производственный календарь с выходными и праздничными днями, а также данные о погодных условиях).

75-80% – точность прогноза по различным категориям при горизонте планирования в 2 дня

«Нам крайне важно с одной стороны не разочаровать своих покупателей отсутствием нужного им товара, а с другой — не закупить избыток у поставщиков, особенно если речь о скоропортящихся продуктах. Данный пилотный проект продемонстрировал нам возможности машинного обучения в сфере прогнозирования спроса, а также выявил ряд интересных закономерностей, влияющих на поведение покупателей», — комментирует Дмитрий Сухоруков, руководитель управления планирования и товародвижения компании «Утконос».

Больше деталей на Habr.com

Товарные рекомендации по анализу чека

Задача заказчика: увеличить выручку компании путем точечных персональных рекомендаций в момент покупки

Проект: модель машинного обучения анализирует набор покупок клиента и выдает данные по лекарственным препаратам, которые клиент с повышенной
вероятностью при получении рекомендации может приобрести дополнительно

27 000 наименований медикаментов и парафармацевтической продукции

С точностью до артикула рекомендует топ-3 товаров к набору, выбранному покупателем

Предсказание покупок клиентов

Задача заказчика: предсказать покупки клиента в ближайшие 2 недели
вплоть до артикула (SKU) / товарной позиции (напр., «Chanel №5, 30 ml»)

Проект: модель машинного обучения анализирует исторические данные покупок
и выявляет ТОП-2 вероятные покупки по каждому клиенту из 30 000+ наименований

33% – точность рекомендаций вплоть до SKU

Больше деталей про проекты в ритейле на Habr.com

Сегментация клиентской базы

Задача заказчика: выявить «золотой» сегмент покупателей среди участников программы лояльности, которые покупают больше остальных.

Проект: модель машинного обучения регулярно выделяет динамический «золотой» сегмент, используя данные из системы Oracle Siebel Loyalty и маркетинговой системы компании.

2,6 млн человек — общее количество держателей карт лояльности.

1% всей базы клиентов = 7% от всей прибыли компании.

На 42% выше средний чек сегмента

47% — повторные обращения за покупками в выявленной группе (против 22% в среднем по клиентской базе)

Больше деталей про проекты в ритейле на Habr.com

Распознавание признаков мошенничества в страховых случаях

Задача: распознавать признаки мошенничества в страховых случаях

Проект: используем модель машинного обучения для анализа данных страховых событий

Результаты:

  • Снижение потерь от фрода
  • Уменьшение зависимости от экспертов
  • Повышение эффективности СБ

79% – точность модели