«Инфосистемы Джет» разработала систему предсказания поведения покупателей для «Рив Гош»

«Инфосистемы Джет», российский системный интегратор, разработал для сети «Рив Гош» обучаемую систему предсказания поведения покупателей на базе Machine Learning (машинного обучения – ML). По первым результатам тестирования точность персональных товарных рекомендаций по конкретным артикулам – около 33%. Ритейлер получил возможность повысить лояльность клиентов, увеличить продажи и снизить издержки на маркетинговые акции за счет адресной работы с потенциальными покупателями. Масштабный проект охватил более 220 торговых точек по всей России, а также интернет-магазин «Рив Гош». Полный цикл рабочего процесса с применением ML реализован всего 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 (градиентный бустинг, random forest, коллаборативную фильтрацию и др.). На первом этапе проекта математическая модель обучалась на данных, консолидированных в CRM-системе, включающих информацию о транзакциях за 2017 г., 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.