En guise d'épigraphe aka avertissement, je voudrais dire que nous prévoyons une série de documents sur le ML au service d'un détaillant moderne. Nous prévoyons de dire «de la cuisinière» à de petits détails (y compris les boulons et les vis) sur la façon dont l'apprentissage automatique sauve notre entreprise de la routine et des faibles marges. Nous espérons que le sujet intéressera le public de Habr et ne provoquera pas de réaction allergique aiguë chez les lecteurs. Si vous avez une expérience personnelle sur le sujet énoncé, n'hésitez pas à la partager dans les commentaires.
80% des entreprises adoptent des technologies d'apprentissage automatique - ce chiffre a été cité par l'un des dirigeants de Microsoft Jean-Philippe Courtois lors de la conférence AI Jorney en décembre, évoquant l'impact de la pandémie sur l'économie mondiale. Selon M. Courtois, 56% des entreprises prévoient d'augmenter leur investissement dans l'apprentissage automatique.
Dans le commerce de détail, l'IA et le ML sont déjà utilisés pour de nombreuses opérations - de la planification des fournitures et de l'amélioration de l'efficacité du marketing au calcul des horaires de travail des employés de la vente au détail. M.Video-Eldorado est allé plus loin pour offrir à ses clients un assortiment, des prix et des promotions basés sur des analyses avancées. Comment cela fonctionne, nous raconterons dans une série de documents sur diverses solutions ML dans le domaine du commerce.
Quelques pensées évidentes
Pour commencer, rappelons-nous quelles tâches le Machine Learning peut résoudre et pourquoi il est bon pour le commerce de détail. Si vous vendez du lait de votre vache, vous savez parfaitement sans ordinateur lequel de vos voisins en a besoin, combien ils achèteront et quel prix ils jugent attractif, et même ici, de simples compétences en comptabilité ne feront pas de mal.
C'est une autre affaire - les grandes chaînes de vente au détail avec des dizaines, voire des centaines de milliers d'articles de base et des millions d'acheteurs. Lequel de ceux-ci «ira au peuple» facilement et rapidement, et lequel restera sur les tablettes pendant des années? Que devez-vous toujours commander auprès des fournisseurs et à quoi devez-vous renoncer?
Quels produits pouvez-vous offrir des rabais de vacances, que proposer en publicité contextuelle? Il est impossible de le définir «manuellement» et précisément. Et puis ML vient à la rescousse, le traitement automatique d'énormes quantités de données, qui peuvent être «présentées» par catégories de produits, caractéristiques, géographie des points individuels, vitesse de vente des marchandises, etc.
Les algorithmes de ML ne sont bien sûr pas un dogme, mais un guide d'action pour les experts qui se prononcent en finale sur les achats, les prix et les promotions. Pour faire simple, la «machine» propose une fourchette basée sur la demande, les prix des concurrents et d'autres paramètres donnés.
Par exemple, pour un même système audio, il peut y avoir plusieurs offres de 2 000 à 4 000 roubles à Moscou et de 1 500 à 3 400 dans un centre régional avec un revenu par habitant inférieur. Si vous avez pour objectif de vendre plus rapidement, vous définissez un seuil inférieur.
Si vous voulez gagner plus, faites exactement le contraire. Et après un certain temps, les outils de ML vous diront si vous avez fait la bonne chose et si vous devez ajuster vos actions. Disons de ne pas chasser le profit maximum, mais de parier sur le taux de rotation des fonds.
Le virus conduit au numérique
Les capacités d'apprentissage automatique sont désormais utilisées par de nombreuses personnes, des marchés et des réseaux fédéraux aux marques locales. La migration vers le ML est devenue particulièrement perceptible pendant la pandémie, lorsque les entreprises ont commencé à migrer massivement «en ligne et numérique», ce qui signifie que beaucoup plus de données sont apparues pour le traitement «machine». Le commerce de détail est devenu plus efficace pour analyser le comportement de ses clients, leurs opinions, leurs recherches, leur participation à des promotions, leurs achats, leurs réactions aux communications.
Environ 74 millions d'utilisateurs visitent les sites Web M.Video et Eldorado chaque mois. Leur profil et leur historique d'interaction avec l'entreprise forment la base de modèles prédictifs et de services de recommandation, que le détaillant développe, y compris dans le domaine du commerce.
Cependant, en ligne n'est plus la seule source d'information des consommateurs. M.Video-Eldorado en 2020 est complètement passé à la plateforme OneRetail, qui, grâce aux technologies mobiles dans le commerce de détail, permet de digitaliser l'expérience hors ligne des clients et d'analyser ces données. Et c'est un vaste éventail - 85% des acheteurs d'équipements interagissent d'une manière ou d'une autre avec les magasins physiques.
Le vendeur via l'application de son smartphone autorise le client, accède à son profil, comprend ses préférences, voit l'historique des achats, les bonus et remises, les offres personnelles. Grâce à cette décision, la sélection et l'achat de produits dans le magasin ont lieu, ce qui s'ajoute également à l'analyse et affecte les contacts futurs.
Les systèmes prédictifs et de recommandation analysent également les indicateurs de vente, le niveau, la dynamique de la demande, l'élasticité des prix, l'engagement des clients et l'impact des promotions sur les ventes et l'efficacité commerciale.
L'introduction de solutions de science des données dans le commerce permettra à M.Video-Eldorado, d'une part, de mieux comprendre les besoins des clients et d'augmenter la précision de la planification de l'assortiment, et d'autre part, de calculer le prix optimal en fonction de la volonté de faire les meilleures offres. sur le marché, tout en augmentant l’efficacité de l’entreprise.
Comment configurer un assortiment
Par exemple, l'apprentissage automatique permet de prédire la demande non seulement en fonction des ventes déjà réalisées, mais également en fonction de la demande des clients. Si vous imaginez que 12 théières peuvent être placées sur une étagère de magasin, quels modèles devraient-elles être si vous en avez 50 dans votre assortiment?
Comment constituer un stock d'un petit entrepôt régional pour que le maximum de clients reçoive des délais de livraison rapides pour leurs commandes? Enfin, comment trouver l'équilibre parfait entre croissance des ventes, part de marché et performance commerciale?
Si auparavant ces questions recevaient une réponse experte de la part des directeurs commerciaux de M.Video-Eldorado, maintenant notre équipe de science des données développe des services de recommandation basés sur le ML pour les aider.
Ainsi, en fonction des sessions utilisateur, un arbre de décision est formé, dans lequel tous les produits sont regroupés en fonction de la fréquence à laquelle ils sont affichés ensemble. Cela vous permet de créer un assortiment équilibré et de ne pas dupliquer les produits sur les étagères qui couvrent un besoin. Notre première histoire de cette série est dédiée uniquement à ce CDT.
Déterminez le bon prix
M.Video-Eldorado teste également des algorithmes de Machine Learning pour créer des scénarios de calcul automatique du prix recommandé et d'évaluation de l'efficacité des promotions. L'objectif est de doter les responsables commerciaux d'un outil de gestion quotidienne des prix reposant à la fois sur des données internes (volume des ventes, niveau de marge, inventaire, calendrier promotionnel) et externes (prix de marché, activité des concurrents, etc.).
Le modèle calcule plusieurs scénarios en fonction des indicateurs cibles et recommande celui qui est optimal. «Désormais, dans le cadre des projets pilotes, nous comparons le degré d'intérêt des consommateurs pour un produit particulier dans différentes régions et le niveau de leur sensibilité aux fluctuations de prix», déclare Vladimir Litvinyuk, responsable du centre de compétences pour l'analyse appliquée des données et l'apprentissage automatique, M.Video-Eldorado Group .
Ce n'est un secret pour personne que lors du choix d'un smartphone phare ou d'un réfrigérateur côte à côte, l'acheteur cherche où il est le plus rentable, et lors de l'achat d'une bouilloire pour un chalet d'été ou du remplacement d'un téléviseur dans la cuisine, il préférera un magasin éprouvé à domicile ou des conditions favorables du programme de fidélité.
En outre, l'équipe du bureau de données teste actuellement des algorithmes pour évaluer l'efficacité des campagnes promotionnelles. Nous avons construit un modèle de prévision des ventes prenant en compte un ensemble de stocks et leurs paramètres. Sur la base de ce modèle, divers scénarios de vente d'un produit spécifique et d'une catégorie dans son ensemble sont simulés pour différentes options de combinaison de promotions, l'impact de divers ensembles de promotions sur la croissance des ventes et le niveau de cannibalisation des produits promotionnels par d'autres produits vendus à un prix régulier est estimé.
À l'avenir, nous espérons également apprendre à sélectionner la remise de prix optimale et d'autres conditions pour la promotion pour chaque produit spécifique, afin de maximiser le chiffre d'affaires cible ou les bénéfices de la promotion.
Maintenant, le développement de l'apprentissage automatique en Russie est entravé par deux facteurs: des problèmes de disponibilité des données à traiter et une distribution insuffisante des modèles ML, qui vient d'être discutée lors de la conférence AI Jorney susmentionnée.
Oui, les géants du niveau des marchés technologiques, qui contrôlent jusqu'à un quart du marché national, ont un péché à se plaindre du manque d'informations numérisées. Les petites entreprises, par contre, n'ont pas toujours une idée claire des données, du volume et de la qualité nécessaires pour une application réussie des algorithmes d'apprentissage automatique dans la pratique.
Il faut prendre en compte les descriptifs des biens répartis en groupes et clusters, les statistiques de ventes, de préférence sur une longue période, toutes les variables possibles: la demande saisonnière, le calendrier des vacances, les fluctuations monétaires, l'émergence de nouveaux concurrents.
Dans la vente au détail de produits électroniques, par exemple, la difficulté avec les données réside, tout d'abord, dans la faible fréquence des achats - personne n'utilise un nouveau téléviseur, un réfrigérateur et des écouteurs deux fois par semaine, comme pour le pain et la viande. Et deuxièmement, l'assortiment est très diversifié et faiblement connecté, ce qui rend difficile la recherche de modèles. Néanmoins, les modèles numériques doivent réagir à la situation en temps réel: s'ils n'ont pas le temps de réagir, ils ratent des clients.
La question est de savoir quelles plates-formes choisir pour une tarification dynamique ... Quelqu'un choisit l'open source, quelqu'un des solutions de boîtes propriétaires de fournisseurs, quelqu'un de frameworks cloud ML ... Le nombre d'outils logiciels se mesure par dizaines, il existe des options gratuites pour les entrepreneurs . Alors, pourquoi les participants à la conférence informatique parlent-ils du manque de prolifération des modèles d'apprentissage automatique?
Il s'agit encore une fois de comprendre vos propres besoins et d'évaluer vos capacités. Et ici, l'échange d'expériences et de bonnes pratiques est plus important que jamais. Par exemple, lorsque les modèles ML et la tarification dynamique ont été introduits dans la boutique en ligne russe BABADU, les revenus et les marges bénéficiaires ont augmenté de 7% en quelques semaines seulement. Le consommateur répond à des prix «justes» en apportant de l'argent aux ambassadeurs du Machine Learning.