Sztuczna inteligencja przewiduje hity sprzedażowe dla giganta branży odzieżowej

handel-personalizacja-microsoft

Dzięki zastosowaniu sztucznej inteligencji jeden z największych graczy branży odzieżowej zredukował straty związane z brakami towaru (out-of-stock) o 30 procent. Było to możliwe dzięki temu, że model dostarczony przez deepsense.ai z nie tylko trafnie określa popyt na bieżące towary ale także dokładnie przewiduje hity sprzedażowe zanim jeszcze wejdą one do sprzedaży – pisze Paweł Osterreicher, Director of Strategy and Business Development w firmie deepsense.ai

Nasz klient – gigant branży odzieżowej, obecny w niemal każdym polskim centrum handlowym – zmagał się z problemami typowymi dla manualnego prognozowania popytu. Podczas gdy towary, którymi klienci nie wykazali zainteresowania, zalegały w magazynie, często brakowało na stanie hitów, na które było najwięcej chętnych. Sieć traciła potrójnie – mroziła kapitał w towarze, podczas gdy niedobór najbardziej atrakcyjnych ubrań w sklepach prowadził do strat wizerunkowych i utraty przychodu.

Tradycyjne techniki prognozowania popytu bazują na wcześniejszych założeniach. Jeśli wzrasta temperatura, lepiej sprzedają się krótkie spodnie. Gdy jest słonecznie, rośnie zainteresowanie okularami przeciwsłonecznymi itp. Hipotezy musi sformułować wcześniej człowiek, a następnie sprawdzić ich prawdziwość z historią zakupów.

Wprawny analityk umie wychwycić z danych trendy, jednak wciąż ma ograniczoną percepcję i jest w stanie przetwarzać jedynie część danych i wiele powiązań mu umyka. Prognozy tworzone są dla całych grup produktów, na przykład spodni i sukienek, a nie dla pojedynczych towarów.

Maszynowi analitycy

W przypadku modeli sztucznej inteligencji nie ma takiego ryzyka. Potrafią bez nadzoru i bieżącego wsparcia człowieka analizować bazy danych w poszukiwaniu trendów oraz powiązań między produktami. W przeciwieństwie do ludzi, maszyny nie rozpraszają się i pracują jednocześnie na całej bazie danych a nie na jej wycinku tak, jak to robią ‘białkowi’ analitycy.

Podstawowym elementem wdrożenia przygotowanego dla giganta branży odzieżowej było przygotowanie kompletnej, bazy danych o produktach, ich cechach i powiązaniach. Każda rzecz była opisana przy użyciu wielowymiarowego wektora, oznaczającego konkretną liczbą każdy parametr.

Model sztucznej inteligencji klasyfikuje ubrania inaczej niż człowiek. Zamiast postrzegać sukienkę przez pryzmat jej wzoru i koloru (czerwona w kwiaty) oznacza się ją w wielowymiarowej przestrzeni, gdzie na różnych końcach osi znajdują się przeciwstawne wartości (imprezowa – oficjalna, miejska – plenerowa, zimowa – letnia itp.). Taka reprezentacja pozwala w ułamku sekundy wyłapywać wszystkie historyczne podobieństwa między produktami. Bazę stworzyli wspólnie specjaliści od data science oraz przygotowany w tym celu model sztucznej inteligencji, który zapoznał się z każdym towarem a następnie stosownie go opisał uwzględniając powiązania i kontekst, w jakim był kupowany. Póki co, to jednak specjaliści deepsense.ai weryfikowali sugestie modelu, a nie odwrotnie.

Następnym krokiem było wykorzystywanie tak zmapowanych danych historycznych do przewidywania trendów. Co szczególnie ciekawe, narzędzie jest skuteczne zarówno w prognozowaniu zapotrzebowania na już sprzedawane produkty, jak i te, których wcześniej nie było w ofercie. W tym drugim przypadku model najpierw opisuje nowy produkt przy użyciu wektorów, a następnie porównuje go z dotychczasową ofertą i opracowuje prognozę sprzedaży w oparciu o podobne przedmioty. W efekcie, narzędzie umożliwia również przewidywanie, który z produktów stanie się hitem i na który zapotrzebowanie będzie znacznie wyższe niż na inne produkty z danej kolekcji modowej. Informacja na temat popytu była opracowywana również w oparciu o dane geograficzne, dla każdego salonu osobno. Dzięki temu sieć może znacznie sprawniej zarządzać zamówieniami z magazynu centralnego oraz z zakładów produkcyjnych.

W efekcie, dzięki wprowadzonemu rozwiązaniu opartemu o uczenie maszynowe udało się zredukować out-of-stock aż o 30 procent. Tak wysoki uzysk był możliwy dzięki temu, że model w swoich rekomendacjach uwzględnia ograniczenia logistyczne, takie jak miejsce dostępne w magazynie czy czas dostawy. Następnie buduje on powiązania między najczęściej kupowanymi produktami oraz identyfikuje trendy zakupowe. Oprócz intuicyjnych powiązań wskazywanych przez ludzi takich jak dopasowanie kolorystyczne produktów, sztuczna inteligencja wyszukiwała również te bardziej dyskretne, niewidoczne na pierwszy rzut oka trendy takie jak kupowanie mniej oczywistych par akcesoriów przy konkretnych warunkach brzegowych jak długie weekendy czy dana geografia (Majówka w Sopocie vs w Zakopanem). Finalnie, sieć neuronowa uczy się optymalnej polityki zamówień, mając za zadanie optymalizować przychód (ponieważ przy podobnym popycie lepiej mieć większy zapas drogiego produktu, itd.).

Remarketing pod lupą

Osobnym rozwiązaniem dla Klienta jest model, który pozwala dokładnie przypisać przychód do poszczególnych narzędzi promocji w internecie. Wyzwanie stanowił remarketing, jedno z najważniejszych narzędzi współczesnego e-commerce.

Zespół deepsense.ai przygotował model, który pozwala przewidzieć najbardziej korzystną alokację zasobów w cyfrowych kanałach promocji. Rozwiązanie dalekie jest od prostego wskazywania najbardziej dochodowego narzędzia. Przykładowo nagłe wycofanie środków z reklamy kontekstowej może skutkować niższą konwersją ze względu na gorszą ekspozycję marki. Nasze rozwiązanie bierze ten fakt pod uwagę. Przy użyciu machine learning udało się rozwiązać również ten problem.

Dzięki zastosowaniu modeli badających zachowanie użytkowników na stronie internetowej oraz zależności między wcześniej odwiedzanymi stronami, udało się wyselekcjonować najbardziej opłacalną dla reklamodawcy grupę klientów.

Co ciekawe, nie była to grupa o najwyższym prawdopodobieństwie konwersji. Powszechna w e-commerce praktyka docierania z przekazem remarketingowym do wszystkich użytkowników, którzy wcześniej odwiedzili stronę jest niewydajna. Badanie przeprowadzone na bazie danych klienta wykazało, że większość użytkowników, która zamierza zakupić towar, kupi go niezależnie od ekspozycji na reklamę. Wyświetlanie im reklam to marnowanie środków.

Inna grupa klientów nie będzie zainteresowana zakupem niezależnie od ilości przekazu reklamowego jaki otrzyma. Kierowanie reklam do nich również jest marnotrawieniem środków. Dzięki zastosowaniu odpowiedniego modelu sztucznej inteligencji możliwe jest automatyczne wyselekcjonowanie środkowej grupy ‘podatnych niezdecydowanych’, którą reklamy faktycznie mogą popchnąć do zakupu.

Machine learning wspiera sprzedaż

Uczenie maszynowe i sztuczna inteligencja z pewnością wzbudzają wiele emocji. W firmach wciąż widać wiele obaw związanych z tą technologią. Historia naszego klienta wskazuje, że najbardziej rozsądnym podejściem jest traktowanie machine learningu jak nowego, bardzo precyzyjnego narzędzia wspierającego zrozumienie realnych procesów zakupowych końcowego klienta. Mądrze użyte, stanowić ono może gigantyczne wsparcie dla pracy analityków, którzy w swoich przewidywaniach mogą być znacznie dokładniejsi oraz obsługiwać znacznie większy zakres danych. Dodatkową zaletą była również możliwość przetestowania rozwiązania w ramach Proof of Concept jeszcze przed wdrożeniem na realnych danych.

Autorem tekstu jest Paweł Osterreicher, Director of Strategy and Business Development w firmie deepsense.ai

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn

Newsletter SCF News | Retailnet.pl

Codziennie nowe informacje dla profesjonalistów rynku centrów handlowych.

Newsletter
SCF News | Retailnet.pl