Меню
09.04.2019
москва
Машинное обучение в прогнозировании запасов и системах рекомендаций: кейс «Додо Пицца» 12.03.2019
Машинное обучение в прогнозировании запасов и системах рекомендаций: кейс «Додо Пицца»

Благодаря data-driven-подходу ритейлерам больше не нужно рисковать, опираясь в решениях на экспертные оценки и предыдущий опыт. Стратегия управления, основанная на данных, позволяет изучить поведение потребителей, понять их нужды и предпочтения максимально точно. Но что, если использовать для обработки этой информации нестандартный подход? Оправдывают ли себя эксперименты?

Андрей Филипьев, ведущий разработчик в «Додо Пицца» и спикер AI Conference, доказал, что развивать новые направления выгодно и эффективно – даже когда их пользы не видно сразу. Далее в статье – о том, как в «Додо Пицца» появилось машинное обучение и к чему это привело.

Что такое «системы рекомендаций» и как они работают

Система рекомендаций позволяет ритейлерам увеличивать продажи и создавать тенденции на определенные продукты. Для этого они фильтруют данные, оставленные пользователем на сайте (дата рождения, история заказов, устройство, с которого пользователь перешел на сайт и т. д.), и подстраиваются под предпочтения клиентов.

На основе алгоритмов, через которые эти данные проходят, затем строятся ассоциативные связи между «отфильтрованной» информацией и содержимым сайта. Так рекомендательные механизмы вычисляют коэффициент сходства в предпочтениях клиента и предлагают соответствующие товары и услуги.

Как «Додо Пицца» усовершенствовала систему рекомендаций с помощью машинного обучения

«Додо Пицца» насчитывает 230+ пиццерий – при таких масштабах одной системы рекомендаций становится недостаточно. Чтобы сделать процесс обработки данных о клиентах более точным, Андрей Филипьев предложил внедрить в компанию машинное обучение. Искусственный интеллект использовали для решения двух проблем.

Кейс 1. Кластеризация рецептов для оптимизации запасов

Благодаря кластеризации рецептов Андрей выявил шесть наборов ингредиентов, которые клиенты выбирают чаще всего. Это показало, что, опираясь на анализ данных, можно прогнозировать конкретные рецепты – выявив самые популярные ингредиенты и те, что «не в ходу», можно оптимизировать запасы.

Кейс 2. Машинное обучение в модуле дополнительных продаж

Машинное обучение в системе рекомендаций – эффективный способ увеличить продажи.

«Кластеризовав покупателей по вкусовым предпочтениям, мы загрузили рекомендации для каждого из кластеров. Люди стали покупать более разнообразные продукты, чем мы предлагали ранее на алгоритме, основанном на экспертной оценке», – утверждает Андрей.

Однако рекомендацииискусственного интеллекта помогают продавать продукты пользователям, которые совершили хотя бы одну покупку и авторизовались. Но что делать с клиентами, которые пришли на сайт/мобильное приложение в первый раз или не оставляют данные о себе?

Для этого Андрей разработал систему рекомендаций на основе продуктов в корзине.

«У нас много новых клиентов, и мы не знаем их историю покупок и предпочтения. Поэтому к декабрю я разработал простую модель, которая рекомендовала продукты на основе выбранных ранее товаров. Хороший пример: к пицце “Овощи и грибы” система рекомендовала греческий салат, а не самую популярную закуску – додстер», – рассказывает Андрей.

Что из этого вышло

Как результат – после запуска машинного обучения в системе рекомендаций продажи в «Додо Пицца» возросли.

AI Conference: Mashinnoe obuchenie v prognozirovanii zapasov i sistemah rekomendatsiy: keys «Dodo Pitstsa» 1
Рост продаж «Додо Пицца» по неделям – график из статьи Андрея Филипьева на «Хабре»

Больше о том, как машинное обучение поможет ритейлерам, Андрей Филипьев расскажет 9 апреля на AI Conference. Эксперт поделится практическими примерами по разработке и внедрению МО в системы компании и расскажет, какого результата с его помощью можно достичь.


Об Андрее Филипьеве ►►►

Регистрация на мероприятие ►►►

Новости AI-индустрии и кейсы для вас