Товарные рекомендации давно стали одним из ключевых инструментов для увеличения продаж в розничной торговле. Однако с развитием технологий и появлением следующего поколения нейронных сетей прогнозирование вероятности совершения покупок достигло принципиально нового уровня точности и эффективности.
Рекомендательные модели Б1 созданы на основе многолетнего опыта, накопленного в ходе реализации консалтинговых проектов для клиентов из различных отраслей. Эта уникальная экспертиза представляет собой наше ключевое конкурентное преимущество, позволяющее успешно решать бизнес-задачи. Мы адаптируем накопленные знания и практические наработки под индивидуальные потребности и запросы каждого клиента, обеспечивая тем самым высокую эффективность и результативность наших решений.
Компания Б1 разработала инструмент рекомендаций на базе технологий AI/ML с учетом специфики крупного розничного бизнеса. Отличаясь высокой точностью прогноза вероятности покупки, наше решение позволяет персонализировать товарное предложение для компаний с активными клиентскими базами, насчитывающими миллионы покупателей.
ПОТЕНЦИАЛЬНЫЙ РЕЗУЛЬТАТ ПРИМЕНЕНИЯ
Сравнение ИИ-рекомендаций от Б1 с контрольной группой, где применялась система автоматических рекомендаций другого вендора, показало существенный прирост товарооборота и маржинальности.
ПОРЯДКА
0 %рост количества покупок
РАСШИРЕНИЕ НА
0 %активной товарной матрицы
УВЕЛИЧЕНИЕ ДО
2 0 п.п.маржинальности
КАК РАБОТАЮТ ИИ-РЕКОМЕНДАЦИИ ТОВАРОВ ОТ Б1?
Система рекомендаций Б1 опирается на многочисленные сигналы в клиентских информационных системах (приложение, сайт, покупки в розничных магазинах) и тренирует ИИ-модель для предсказания.
Мы рассматриваем ИИ как инструмент, который требует точной настройки под запросы бизнеса для достижения максимального эффекта. Наш сервис рекомендаций может быть реализован как готовый коробочный продукт, основанный на технологии трансформеров, которая предсказывает время и состав будущей корзины. При этом мы также готовы адаптировать алгоритмы под специфику каждого клиента, что позволяет значительно расширить возможности взаимодействия решения с системой продаж и повысить удовлетворенность пользователей.
Мы придерживаемся итеративного подхода, постепенно двигаясь к успеху вместе с клиентом. Начиная с простых ML-решений, мы поэтапно наращиваем сложность, внедряя более мощные рекомендательные системы, построенные на GPU-технологиях. Это позволяет эффективно обрабатывать большие объемы данных и добиваться значительного улучшения бизнес-метрик.
Двигаясь от этапа к этапу, мы высвобождаем новую маржу для клиента, что позволяет уже на стадии пилотирования MVP-моделей за счет высокого ROI создавать следующие, более производительные и сложные вычислительные модели.
Для достижения максимального эффекта мы предлагаем не только рекомендации сопутствующих или комплементарных товаров, но и помогаем продвигать привычные продукты брендов с повышенной маржой и оптимизированной ценой для конечного потребителя. Такой подход позволяет одновременно увеличивать розничный товарооборот (РТО) и маржинальность, создавая выгодные условия как для бизнеса, так и для покупателей.
Кроме того, мы уделяем особое внимание анализу поведения клиентов и прогнозированию их потребностей, что позволяет предлагать персонализированные решения, повышающие лояльность и вовлеченность. Наши рекомендательные модели не только улучшают текущие показатели, но и способствуют долгосрочному росту бизнеса за счет глубокого понимания рыночных трендов и предпочтений целевой аудитории.
Разработанная командой Б1 модель рекомендаций позволяет находить наиболее вероятные товары для покупок конкретного пользователя (а не сегмента или кластера). Система рекомендаций настраивается индивидуально в различных точках контакта и этапах пользовательского пути. Примером использования может быть персональная рекомендация следующей покупки, подбор товара к товару или оптимизация выдачи листинга.
Подход Б1 включает:
1. Сбор и изучение данных, построение ключевых бизнес-метрик, RFM-анализ, анализ когортного поведения
2. Оптимизацию алгоритма и построение гипотез для конкретного бизнес-кейса
3. Кастомизацию и доработку модели рекомендаций для конкретного плейсмента (корзина, карточка товара, листинг и пр.) с оптимизацией модели
4. Запуск моделей и сбор обратной связи (переобучение, внесение изменений)
5. Обработку данных с помощью набора алгоритмов машинного обучения с учетом специфических для конкретного бизнеса фильтров, ограничений и правил. В результате ИИ-модель выдает рекомендации трех типов:
- Товар-Товар – строится на основании действий пользователя
- Клиент-Товар – строится на основании разнообразных действий пользователя (просмотры фотографий, поиски)
- Клиент-Клиент – строится на основании действий другого пользователя со схожими товарами в истории покупок
6. Построение как on-prem, так и SaaS-моделей рекомендательных систем
7. Поддержка пилотирования моделей и проведения AB-тестирования
КЕЙС: ПОСТРОЕНИЕ МОДЕЛИ ТОВАРНЫХ РЕКОМЕНДАЦИЙ В КРУПНОМ ФУД-РИТЕЙЛЕРЕ
Заказчик
Один из крупнейших фуд-ритейлеров России с активной клиентской базой более 13 млн клиентов и 100 млн покупок.
Предпосылки для использования ИИ-решения
Ввиду огромной базы покупателей у ритейлера не было возможности:
- Делать персональные рекомендации для отдельного клиента
- Измерять обратную связь от персональных скидок
- Управлять товарной матрицей через предложения товаров конкретным клиентам, заинтересованным в покупке
Задачи проекта
Увеличить показатели:
- Маржи на 1-2 п.п.
- Среднего количества покупок на 20-30%
- Активной товарной матрицы на 10%
Решение
Разработана гибридная модель рекомендаций на основе построения эмбеддингов нейросети и коллаборативной фильтрации, которая позволяет:
- Использовать персональные истории покупок и предпочтения даже для очень больших клиентских баз
- Постоянно переобучаться на различных сигналах пользователя (таких как покупка, поиск, сравнение, корзина и т.п.)
- Предсказывать будущие покупки с учетом интервала между ними
Результаты
- +1.83% увеличение чистой товарной маржи продаж
- В 2.5 раза рост конверсии с плейсментов
- +10% рост активности категорий товарной матрицы
- Создана возможность управлять индивидуальными предложениями через персонализированные каналы коммуникаций: email, мобильное приложение, push, SMS и пр.
- Создана возможность управлять сегментами и активировать пользователей через предложения в структуре RFM-анализа
 (1).jpg)
.jpg)
-(1)-(1)-(1).jpg)