Как применяется машинное обучение в ритейле?

Применений современных технологий MarTech непосредственно в ритейле - огромное множество (здесь - обсуждение как машинное зрение используется в современной рознице), если же говорить конкретно про машинное обучение, то в ритейле пока больше всего эти технологии используют два основных направления - программы лояльности и прогнозирование спроса/продаж/т.д.

Чаще всего решения машинного обучения в ритейле используют в программах лояльности, так как там идет работа с обработкой огромного массива информации о поведении покупателей (к примеру, сеть магазинов Пятерочка утверждает, что в год в магазинах в среднем фиксируется более 4 млрд посещений и как следствие тех или иных транзакций).

В 2017 году этой же "Пятерочкой" была запущена "Выручай-карта", которая активно использует решения искусственного интеллекта например для возврата ушедших покупателей (которые не используют карту более 3 недель): именно с помощью machine-learning (аналитическая платформа SAS) были разработаны алгоритмы коммуникации, учитывающие профиль самого потребителя - для возврата ему предлагаются скидки на интересные именно ему продукты или иные спец.предложения. По словам представителя компании, в среднем в год эти алгоритмы генерируют более 40 млн персонализированных предложений.

Другим направлением MarTech в ритейле является прогностическая функция, а именно предсказание поведения потребителей.

Здесь можно привести примером компанию "Рив Гош" (совместно с компанией "Инфосистемы Джет"), которая на базе машинного обучения разрабатывает систему алгоритмов, которые бы определяли пользователей, планирующих совершить покупку в ближайшие недели и что именно они будут покупать, а затем предлагали держателям карт лояльности персональные предложения.

Механика представляет собой 3 этапа (на базе таких технологий как градиентный бустинг, random forest, коллаборативная фильтрация):

По данным сети, данное решение повысило средний чек у контрольной группы на 42%, принесло на 25pp больше повторных продаж, чем у обычных держателей карт, а точность личных товарных рекомендаций составила около 30%.