Директор макрорегиона «Сибирь» компании «Первый бит» Евгений Шустов о том, как несложные кейсы с применением искусственного интеллекта упрощают жизнь и увеличивают прибыль.
Блоги DK.RU
Евгений Шустов, директор макрорегиона СИБИРЬ в компании «Первый Бит»:
Наверняка вы в курсе, что Федеральная налоговая служба, благодаря онлайн-кассам, знает массу интересной информации и анализирует ее для повышения своей эффективности. Недавно Financial Times назвал технологии ФНС «мечтой налоговиков». А вот наш ритейл, чьи данные используют налоговики, нельзя назвать самым технологичным на планете.
Никто в ритейле не получает и половины пользы из данных о том, кто, что и когда у них покупает. Даже огромные федеральные сети только учатся это делать, проверяя и анализируя гипотезы типа: «Мы видим, что 80% клиентов вместе с творогом покупают сметану. Давайте между творогом и сметаной положим этот замечательный энергетик — его наконец заметят и продажи вырастут на 30%».
Чтобы получать максимум пользы от данных, должны быть тысячи гипотез, а факторов для каждой — десятки и сотни. Справиться с таким объемом информации могут только алгоритмы машинного обучения. Для краткости их называют «ИИ» — искусственным интеллектом, хотя это и не самый корректный термин.
Пока российский ритейл редко использует ИИ. Вот 5 основных причин, почему так:
1. Бизнес опасается непостижимости алгоритмов
Компании более-менее разобрались с RPA и считают, что это «туповатый» заменитель людей на рутинных операциях: что прикажешь — то сделает. А от ИИ чего ждать? Вдруг дойдем до точки сингулярности в отдельно взятой федеральной сети?
В реальности система учится на логике аналитиков, ее предсказуемость равна предсказуемости людей. Более того, система настраивается так, что она предлагает решения, а последнее слово остается за человеком.
2. Бизнес не верит в возможности алгоритмов.
Мой знакомый из компании-интегратора принес клиенту пилотные результаты работы с ИИ. Цифры получились красивыми, ответ клиента был коротким: «Так не бывает». На том и разошлись. Иногда можно услышать такое: «40 наших аналитиков тратят 1600 часов в неделю на эту задачу, а вы мне говорите, что ваш алгоритм справится за 4 часа. Что за шутки?» Что тут скажешь — убедить помогут только кейсы сетей, которые внедрили ИИ. Чем больше кейсов, тем лучше.
3. Бизнес думает, что это очень дорого.
Наверное, такое мнение связано с текущими реалиями: ради качественной аналитики компании нанимают дорогих специалистов, знающих Python и R, покупают много серверов. На деле все не так грустно. И мощности нужны не запредельные, и система часто окупается через 3–4 месяца за счет роста выручки на несколько процентов за счет более точных прогнозов.
4. Бизнес опасается, что ИИ «всех нас тут заменит».
Конечно, есть примеры, когда автоматизация на 90% сокращала колл-центры, отделы кадров и бухгалтерии. Но как правило в этих случаях обходилось без ИИ. Профессии телефонисток и извозчиков тоже исчезли без помощи ИИ. Так почему ИИ «виноватее» других технологий?
ИИ — в ритейле уж точно — без людей не работает. Именно они придумывают гипотезы, «кормят» алгоритмы данными и оценивают результаты. Более того, реальный спрос на анализ данных такой, что ИИ, по мере понимания его возможностей, создает новые рабочие места. Вы же наверняка читали статьи про перспективность профессии дата-сайентиста. И среди ваших знакомых скорее всего есть программист, который решил переквалифицироваться в дата-сайентиста. Так что ИИ и аналитик (ну, или дата-сайентист) — братья навек.
5. Бизнес плохо собирает данные.
А вот это настоящая проблема. Если в CRM или учетной системе нет данных о продажах хотя бы за два года — нет смысла заводить систему с ИИ.
В каких-то торговых компаниях встречается одна причина, которая мешает использовать данные по полной, где-то — сразу две-три. Но когда возражения против ИИ снимаются, ритейлеры уже сейчас получают пользу от алгоритмов.
Кейс № 1:
Сеть пекарен (больше 50) с производственным цехом.
Средняя выручка одной пекарни — 1,5 млн руб. в месяц. Системы лояльности нет — только фиксированная скидка в последние полчаса работы. Маржа сети 40%, чистая прибыль 10%.
Как было. Каждая пекарня самостоятельно ежедневно определяла необходимое количество товара к поставке. Все, что не продали за сутки, списывают. В среднем списывали 35%. Почему так много? Потому что сотрудники должны выполнять KPI — не просто минимизировать объем списанного товара (в идеале до 10%), но и обеспечить ассортимент в достаточном количестве до конца рабочего дня.
Что сделали. Внедрили систему, которая прогнозирует спрос и управляет остатками. Взяли из «1С» статистику продаж за 2,5 года и обучили алгоритмы специфике: прогноз нужно давать на 4 дня вперед (на такой срок расписывают заказы для цеха) и учесть, что нет переходящих остатков на следующий день. Фактически использовали минимум возможной информации — то, что есть в учетной системе, и что видят покупатели в чеках.
Что получили. Точность прогноза достигла 90%. Списывать стали не более 15% вместо 35%. Расходы на сырье сократились на 12%. Маржа увеличилась до 52%.
Кейс № 2:
Городская сеть магазинов продуктов, больше 100 точек.
Сеть время от времени устраивала акцию «Скидка 10% на покупки с 9:00 до 12:00». Акция должна привлекать покупателей в часы с низкой загрузкой и стимулировать продажу товаров с подходящими к концу сроками годности. Покупателей оповещали СМС-сообщениями, эффективность кампаний не мерили.
Что сделали. «Скормили» системе истории покупок клиентов: как часто покупают, как давно были в магазине, какой средний чек, какие популярные сочетания товаров в чеке, что покупают по акции и так далее. Если постоянный клиент не смотрит на скидки, система высылает информацию о завозе свежих продуктов, которые он предпочитает. Или сообщает о скидке на товары, которые он покупает редко.
Если клиент покупает только по акции, ему сообщают о начале акции по «сливу» товара, который скоро придется списать. Всего система учитывала больше десятка портретов покупателей и для каждого формировала персональное предложение.
Что получили. В течение квартала зафиксировали увеличение доли повторных клиентов на 80%. Маржа выросла на 10%, чистая прибыль — на 2 процентных пункта.
Еще интереснее примеры использования данных в онлайн-торговле. Но об этом в другой раз.