Х5 Retail Group и компания Glowbyte Consulting реализовали проект по применению технологии Reinforcement Learning (RL, один из подходов к машинному обучению) в маркетинговых коммуникациях. Участники разработали решение для кастомизации акций и спецпредложений и опробовали его в торговой сети “Пятерочка” (входит в Х5 Retail Group). В итоге маржинальность отдельных предложений была вдвое выше среднего показателя до автоматизации этой функции. Сейчас данное решение уже в промышленной эксплуатации и работает с активной базой, сообщает ComNews.

Принцип технологии RL в том, что на основе обезличенных данных о прошедших акциях система автоматически подбирает предложения, наиболее актуальные для покупателей. В 2 млн покупателей “Пятерочки”, которые участвуют в программе лояльности торговой сети. В зависимости от истории покупок, клиентов поделили на 27 групп. Система анализировала, как целевые группы клиентов откликаются на акцию, как меняется объем продаж и насколько прибыльно спецпредложение. После этого предложение получала более широкая аудитория. Сейчас данное решение уже в промышленной эксплуатации и работает с активной базой.

В результате пилота проектная команда определила наиболее действующие механизмы акций и коммуникаций “Пятерочки”. Выгода от внедрения технологии – повышение эффективности коммуникаций с клиентом, увеличение товарооборота по сравнению с традиционными кампаниями целевого маркетинга. Персонализация подхода к каждому клиенту – среди приоритетных направлений в ритейле, и технология Reinforcement Learning – один из важных инструментов для реализации этой задачи. Как в других подходах к машинному обучению, в основе технологии RL лежат методы предиктивной аналитики.

Однако в торговых сетях RL пока используются крайне редко. Можно по пальцам пересчитать ритейлеров, которые готовы на таком глубинном уровне анализировать поведение своих покупателей. На сегодняшний день такие технологии еще не получили широкого распространения. Пока лишь крупные игроки активно занимаются разработкой и внедрением подобных систем. Одна из причин связана с большим объемом исследовательских работ. Пока в области анализа данных нет готовых решений, и пока о спросе на решения на базе технологии Reinforcment Learning со стороны бизнеса говорить рано, существует скорее интерес к ней. Такие решения дают возможность ритейлерам опередить ближайших конкурентов в борьбе за лояльность покупательской аудитории.

Технологии машинного обучения позволяют находить неочевидные связи и зависимости, более точно предсказывать различные показатели. Между тем еще не так давно интерес к нейросетям и ИИ падал, так как в течении десятка лет они не показывали прогресса. Человечество уже пережило несколько таких периодов и, возможно, текущая функциональность умных систем и роботов упрется в очередные ограничения, например, вычислительную возможность систем.

Еще одна проблема — непредсказуемость работы ИИ. Нейросети по-прежнему «черный ящик» для нас, они принимают в целом самые эффективные решения, но нельзя точно предсказать, какие. А без этой определенности неизбежно ограничение их применения на критически важных объектах.