Зачем ретейлу инвестировать в машинное обучение?
Цена ошибки для бизнеса в принятии управленческих решений всегда была очень высока, а умение точно предсказывать будущие события, напротив, гарантированно приносило предпринимателям хорошие дивиденды. Поэтому включение в бизнес-процессы предиктивных алгоритмов, построенных на базе машинного обучения, в некоторых случаях может привести к экспоненциальному росту эффективности компаний.
Искусственный интеллект – от хайпа к повсеместному внедрению
В 2017 году компания MemSQL опубликовала результаты опроса по использованию искусственного интеллекта (ИИ), проведенного по заказу O’Reilly Media. Были получены неожиданные результаты: 88% из 1,6 тыс. компаний или уже начали внедрять машинное обучение, или планировали использовать его в ближайшее время. По результатам исследования, проведенного аналитическим центром TAdviser, к 2020 году объем рынка ИИ только в России вырастет до 28 млрд рублей. По прогнозам специалистов, машинное обучение перестанет быть очередной хайповой технологией и прочно займет свою нишу в бизнес-решениях через два-четыре года.
Накопленные цифровые данные для обучения моделей и рост компьютерных вычислительных мощностей значительно приблизили время повсеместного внедрения ИИ-технологий в традиционные бизнес-процессы. Современные видеокарты относительно неплохо справляются с быстрой обработкой чисел, когда не заняты майнингом. В то же время для самых сложных задач, например обучения с подкреплением, требуются недели работы сотен тысяч графических процессоров, но и рост производительности компьютерного оборудования не остановится на достигнутом уровне.
Наш опыт подтверждает, что все крупные компании в России, обладающие значительными объемами накопленных данных, начинают применять технологии машинного обучения в своих бизнес-процессах. В большинстве случаев это пока выглядит как эксперименты, которые проводятся для исследования возможностей технологии. Готовность компаний инвестировать в такие проекты не может не радовать, поскольку инвестиции приводят не только к увеличению собственной экспертизы, но и к появлению большего количества успешных кейсов и росту конкурентоспособности на российском и международном рынках.
В чем машинное обучение заменит маркетолога?
Попробуем разобраться, с какими задачами уже сейчас успешно справляются решения на базе машинного обучения и какие задачи начнут делегировать предиктивным алгоритмам в ближайшие несколько лет.
Машинное обучение показало свою эффективность, в первую очередь при автоматизации рутинных и понятных бизнес-процессов, где от человека требуется анализировать большое количество различных критериев для принятия управленческого решения. Обязательным условием является наличие накопленных качественных ретроспективных данных.
Успешные примеры внедрения ИИ демонстрирует ретейл: в основном это различные модели лояльности и оттока клиентов, работа с раскладкой, промоакциями и ассортиментом. Значительно выросло качество персональных рекомендательных сервисов. Системы, основанные на ИИ, готовы ответить, к примеру, на следующие вопросы.
-
Какую скидку на новую покупку следует дать мужчине 38 лет, который купил одежду на 10 тыс. рублей в категориях «свитеры», «шапки»?
-
Вернется ли покупатель на сайт, если ему предложить персональную трехпроцентную скидку или она должна быть больше?
-
В какой день недели, в какое время и через какой канал можно сделать наиболее эффективное маркетинговое предложение?
-
Какова вероятность того, что клиент посчитает это сообщение спамом, заблокирует номер и выбросит карту лояльности?
Разумеется, с такими вопросами может справиться опытный маркетолог, но если количество клиентов исчисляется тысячами, то без автоматизации уже сложно обойтись.
ИИ научился качественно прогнозировать уровень будущих продаж для точной работы систем автоматического пополнения товарных запасов магазина, учитывая не только цикличность, сезонность и рост или падение продаж, но и десятки или сотни различных дополнительных факторов. Например, если с 1 по 10 июня за неделю магазин в среднем продавал 1000 бутылок пива, то классическая система сформирует заказ на это количество. ИИ сможет учесть в прогнозе еще перечень связанных факторов: например, в данный период будет на два выходных больше; на эти даты запланированы матчи чемпионата мира по футболу; на пиво будет скидка на 10% больше, чем год назад; в соседнем магазине изменился режим работы. Соответственно, магазин может оптимально сократить количество продуктов на складе, избегая ситуаций, когда запасов совсем не остается. Это особенно важно для скоропортящихся продуктов. Кроме того, системы на основе ИИ позволяют своевременно оповещать ответственных сотрудников о том, что продажи отличаются от прогнозов отдела маркетинга.
Подобный подход, в частности, позволил добиться точности 75-–80% для предсказания выкупа скоропортящихся продуктов при горизонте планирования в два дня для онлайн-гипермаркета «Утконос».
Хорошо работают инструменты автоматической кластеризации клиентов на группы. Так, ИИ для одной крупной оптовой базы разделил покупателей на две группы по их чекам – «кафе/рестораны» и «еда/ретейл», что позволило для каждой категории проводить независимые маркетинговые кампании.
Благодаря широкому распространению нейронных сетей глубокого обучения появилось много интересных проектов, основанных на технологии технического зрения.
Даже если магазины без продавцов, как у Amazon, не станут повсеместными в ближайшем будущем, многие процессы уже сейчас можно сделать более эффективными. Так, можно заменить таблички «Если в очереди больше 5 человек, позвоните по номеру...» на автоматическую систему определения количества людей в очереди и заранее оповещать администратора для привлечения дополнительных кассиров. Камеры также могут следить за перемещениями клиентов и точками их интереса (повышая качество рекомендательного сервиса), выкладкой и остатками товара и, конечно, безопасностью.
Польза ИИ для других сфер
Для многих отраслей уже не стоит вопрос о востребованности ИИ-технологий в бизнесе. Вопрос в том, выживут ли в конкурентной борьбе организации без использования ИИ-решений. В первую очередь это будут компании, где получаемая прибыль напрямую зависит от способности быстро обрабатывать большое количество информации для принятия верных управленческих решений.
В финансовом секторе применение ИИ уже показывает отличные результаты: нейронные сети используются для банковского скоринга, клиентских сервисов, систем идентификации, безопасности, прогнозирования рисков, при расчетах страховых рисков. С учетом способности моделей машинного обучения к обобщению данных успешной задачей выглядит анализ и прогнозирование рисков для страховых компаний.
К стоп-факторам повсеместного использования искусственного интеллекта можно отнести нехватку профессиональных кадров с опытом работы с большими данными, завышенные ожидания у бизнеса от внедрения этих технологий, нехватку реализованных успешных кейсов. Несмотря на заметный прогресс, голосовые ассистенты так и не получили повсеместного распространения, чат-боты не заменили кол-центры, а системы технического зрения пока во многом уступают возможностям человека.
Автор: Дмитрий Тимаков, руководитель направления «Машинное обучение» компании «НОРБИТ» (ГК «ЛАНИТ»)
Опубликовано 29.05.2019