Эра машин

Как Machine Learning меняет облик современного бизнеса.

Как Machine Learning меняет облик современного бизнеса.
Возможность выплыть из рутины и сосредоточиться на стратегии – мечта каждого руководителя или специалиста в сфере бизнес-аналитики, маркетинга, продаж, да вообще любого бизнес-направления. И эта мечта осуществима. Достаточно лишь автоматизировать ежедневные процессы: прогноз спроса и планирование продаж, мониторинг конкурентной среды, оптимизацию продуктовой матрицы и расходов и др. Машинное обучение (Machine Learning) и искусственный интеллект – инструменты, которые решают эту задачу. Мы уже вступили в эру машин и алгоритмов. Но как игрокам мебельного рынка привлечь машины на свою сторону?
 
На вопрос, для каких рынков, для какого бизнеса существует машинное обучение, многие не задумываясь ответят: пожалуй, это подходящее решение для стартапов, финтеха, фармакологических и высокотехнологичных компаний, а также для настоящих ритейл-гигантов, у которых есть большие данные – и большие деньги. Тут мы сразу же оказываемся во власти стереотипа, который отсекает от нас новые возможности, сужает горизонт развития и лишает перспектив стабильного роста с опорой на современные технологии. Правильный ответ звучит так: искусственный интеллект способен преобразить «лицо» любого бизнеса, в том числе розничного – практически на любом рынке.
 
 

О машинах, которые обучаются

Разберёмся в понятиях. Machine Learning (ML) – это класс методов искусственного интеллекта, который не решает конкретную задачу напрямую, а обучается решать их в процессе анализа множества сходных задач.
 
Помните пресловутые «грабли», на которые мы периодически наступаем? Если что-то не получилось в первый, а затем и во второй раз, люди анализируют ситуацию, делают из неё выводы и применяют новый подход: такой, что ожидаемо повысит вероятность успеха. По тому же принципу работает технология машинного обучения: алгоритм анализирует большой объём информации, система аккумулирует исторические данные с поправками на актуальные условия, выявляет закономерности, модели, конкретные паттерны. Строит прогнозы. В конечном счёте, алгоритм принимает правильные решения с опорой на достоверные данные – а именно, принципы, уже подтвердившие свою ликвидность.  Участие человека в подготовке, обработке и расчётах здесь сводится к минимуму. А самое удивительное и ценное – система обучается и совершенствуется в режиме реального времени, что позволяет ей работать всё точнее и эффективнее.
 
Алгоритмы машинного обучения используют данные прошлого относительно новых, считывая уже отмеченные паттерны и параметры для прогнозирования будущих событий. Как это работает? Аналитик разрабатывает математическую модель. Зачастую можно использовать уже готовые, коробочные решения из популярных библиотек; важно только понимать их отличия, функциональные возможности и то, насколько конкретная модель будет работать в конкретной задаче на текущих данных. Выбранная (или заново разработанная) модель получает данные, обучается видеть взаимосвязи в них и после цикла обучения показывает результат.
 
Часть данных мы показываем модели, и она заранее «знает» правильный ответ. Часть данных (к примеру, если говорить о рознице, показатели последних 2-3 месяцев продаж) мы показываем как выборку для тестирования – и для них модель делает прогноз, а мы сверяем этот прогноз с фактическими данными. Помимо прямой сверки значений, в работе используются различные наборы метрик качества, отклонения которых от нормы показывают эффективность работы модели. 
 
На первый взгляд всё это может показаться сложным. Но если вам кажется, что машинное обучение пригодно только для запуска космических ракет, присмотритесь повнимательнее к технологиям, с которыми взаимодействуете сами: музыкальный сервис рекомендует вам композиции и исполнителей на основе ваших предпочтений; онлайн-магазин одежды советует аксессуары, подходящие к выбранным вещам; гипермаркет электроники предлагает сопутствующие товары. Всё это и есть машинное обучение в действии, и эта технология уже довольно прочно вошла в нашу жизнь. 
 
Внедрив принципы машинного обучения в работу предприятия, можно избежать повторения ошибок прошлого («вставания на грабли»), значительно повысить эффективность и прибыльность бизнеса.
 
 

О данных: от хаоса к прибыли

Есть определённые требования, которые необходимо учитывать при внедрении алгоритмов оптимизации, основанных на машинном обучении.
 
1. Хотите построить модель на основе данных – соберите эти данные в пригодном для обработки виде. В компании должна быть сформирована культура работы с данными. Все ключевые объекты должны храниться в базах данных: информация по клиентам, договорам, товарам, ценам, акциям, отгрузкам, сервису и т. д. 
 
Важно: Необходимо хранить не только данные по конкретному заказу в настоящий момент. Нам нужна вся история изменений: когда заказ был создан, как проходил этапы от «новый» до «запущен в производство», «готов к отгрузке» и «доставлен и установлен». 
 
Если мы хотим анализировать данные промоактивностей, то важно, чтобы все скидки и акции были зафиксированы в источниках (CRM, ERP-системах) и доступны в тех же базах данных. На практике же мы часто сталкиваемся с тем, что планы продаж фиксируются только в Excel-файлах, а данные по промо и акциям в разрозненном виде хранятся на персональных компьютерах сотрудников отдела маркетинга. 
 
Для разработки и поддержки систем работы с данным ключевым условием является их правильное хранение в консолидированных хранилищах данных. Как только у вас появится основа для построения модели в виде данных, вы сможете внедрить эту модель и изменить тем самым подход к принятию решений. Но данные – это основа основ, без них никак не обойтись. 
 
2. Минимальная историческая глубина данных – это временной промежуток, за который хранятся данные в базах. Например, если стоит задача прогнозирования спроса, то аналитики будут опираться на данные по продажам товаров за последние 2-3 года. В целом, период накопленных данных от 2-х до 5-ти лет является оптимальным. И больше здесь не значит лучше. Так, данные 10-летней давности могут способствовать искажению результата. Это обусловлено тем, что многие внешние процессы, окружающие и пронизывающие бизнес, за такой длительный срок изменились: уровень дохода населения, количество игроков на рынке, текущая экономическая ситуация и т.д.
 
3. Чистота данных. Алгоритмы работы с данными являются частью комплексной системы, которая в конечном итоге, как инструмент, позволяет решать задачи бизнеса – закупать товары, изменять ценообразование, управлять промоактивностью, отказываясь от неэффективных вариантов и оптимизируя затраты. Почему важна чистота данных? Если в исходных данных были заложены ошибки (например, отсутствуют даты сборки заказа просто потому, что в системе нет нужного статуса для их фиксации, менеджеры вручную считают клиентов на входе, при этом ошибаются или неверно вносят данные, – и это абсолютно реальный случай из нашей практики!), – то на основании таких искажённых данных нельзя построить качественный алгоритм. Если у вас ложные данные, то и предсказание будет ошибочным.
 
 

Какие данные собирать и хранить мебельщикам?

Главное, к чему всё сводится в итоге, – это прибыль. Чаще всего задачи крутятся вокруг прогноза продаж, оптимизации цен, ассортимента, оптимизации склада, рационализации промоактивностей и интернет-маркетинга. Почему? Всё просто – решение этих вопрос немедленно сказывается на росте показателей, эффект можно отследить легко и на короткой временной дистанции.
 
Для решения этого большинства базовых задач нужно собирать и хранить следующие данные:
  • По клиентам: обязательна максимально насыщенная данными карточка клиента, с информацией о создании, источнике прихода, социально-демографическими, географическими данными и контактами. 
  • Коммуникации с клиентами: история рассылок – их типы, даты и тексты. 
  • Планировки и замеры: история изменений планировок клиента, информация по датам замера, типам помещений и т. д.
  • По заказам: все заказы должны быть привязаны к клиенту, статусы – чётко фиксироваться; обязательно должно отражаться товарное наполнение заказа, наличие дополнительных услуг, информация о ценообразовании, применённых акциях и скидках, сроках производства, доставке, установке, повторных обращениях и покупке дополнительных товаров и услуг.
  • По ассортименту: товары и их принадлежность к категориям, а также их характеристики, количество, цены.
  • Данные по магазинам и сотрудникам: типы торговых точек, их площадь и планировка, выставки на определённый момент времени; сотрудники, должности в разрезе времени, даты приёма, персональные показатели продаж.
  • Данные интернет-магазина или сайта: количество посещений и заявок, глубина просмотра, конверсия, география посетителей, каналы привлечения трафика и т. д.
Имея подобные данные с историей за последние 3-5 лет, мы можем применять алгоритмы машинного обучения для оптимизации задач и увеличения прибыли компании. В общем и целом, машинное обучение позволяет проанализировать большие объёмы данных, найти в них внутренние закономерности и предсказать результат.
 
Благодаря математической статистике, теории вероятности, методам оптимизации, алгоритмы машинного обучения могут находить скрытые и явные взаимосвязи в данных. Раз за разом, обучаясь на исторических данных (для этого нам и нужна история), алгоритм учится решать задачи и находить правильные ответы. После того, как алгоритм обучится, мы можем показать ему совершенно новые данные и получить точное предсказание. 
 
Важно, чтобы технологии машинного обучения на предприятии внедрялись не потому, что это модно или компания решила не отставать от трендов, озвученных на какой-то крутой конференции, а в первую очередь – для решения конкретных проблем бизнеса. Идеальный сценарий – когда мы заранее знаем, сколько денег компания теряет из-за того, что не применяет анализ данных в решении конкретной задачи.
 
Теперь перейдём от теории к практике и разберём конкретные проблемы мебельного бизнеса, которые можно решить с помощью технологии машинного обучения.
 
 

Реальные ML-кейсы 

Рассмотрим основные точки на карте рентабельности компаний – участниц мебельного рынка. Все задачи, о которых мы будем здесь говорить, успешно решаются посредством технологии машинного обучения. ML может применяться в любом направлении работы компании:
 
Производство. Одна из типичных проблем – наличие в складских остатках нереализованных товаров, в то время как клиент уходит без покупки, потому что нужного ему товара нет в наличии. А насколько оптимально происходит закупка сырья для вашего производства? Хватает ли «закладки» для реализации продукции в сезон и в срок производства, установленного для клиентов?
 
Машинное обучение уже решает задачу оптимизации складских запасов во многих компаниях, задачи такого рода можно назвать классическими. Технология машинного обучения спрогнозирует ассортимент, который с высокой вероятностью будет пользоваться спросом, предложит вывести неликвидные позиции и рассчитает объём сырья или готовой продукции с учётом будущих продаж.
 
Плюс ещё и в том, что ваши склады будут загружены ровно настолько, насколько нужно, чтобы удовлетворить спрос, – и загружены именно тем, что нужно клиенту. А если система будет анализировать историю продаж в разрезе сезонности – то ещё и тогда, когда клиент нуждается в конкретном товаре. Вы сократите затраты ресурсов на процесс формирования продуктовой матрицы, закупку ненужных материалов и перепроизводство того, что не пользуется спросом. 
 
Маркетинг. У вас хороший бюджет, укомплектованный штат компетентных сотрудников, вы используете все современные каналы коммуникации, а конверсия от рассылок в любых каналах держится на уровне 1%? Такая ситуация не только возможна, но и далеко не редка. Просто не тот клиент получает не то предложение и не тем способом, который для него оптимален. Поэтому другая классическая задача в области ML – это персонализация коммуникаций.
Клиенты в нашей базе всегда разные: кто-то лучше реагирует на смс, а кто-то на звонок. Алгоритм, который разрабатывают программисты DS, анализирует историю коммуникаций с клиентами, историю покупок и персональные данные самих клиентов (пол, возраст, регион проживания и т. д.). Если клиентская база большая и исторических данных много, то можно предсказать, на какое промопредложение клиент откликнется с большей вероятностью и в каком канале (sms, e-mail, звонок).
 
Если же история коммуникаций, как это часто бывает, не богатая, то можно поступить иначе: распределить клиентов на группы, схожие по поведению и социально-демографическим параметрам, и сделать персональную рекомендацию определённому сегменту.
 
Ещё одно направление в рамках маркетинга, где ML будет незаменим – выбор правильной локации для торговой точки (оценка, расчёт трафика, анализ конкурентов, удобство расположения). Обычно этим занимаются специальные отделы, сотрудники которых проводят весь необходимый анализ, долго и кропотливо собирая информацию, и выдают заключение с рекомендованными точками открытия. Разработанная модель может снять эту нагрузку со штатных сотрудников – она проанализирует все необходимые данные и определит потенциал различных вариантов помещений для вновь открывающихся салонов. Компании не придётся фиксировать убыток по оплате аренды, ремонту и разработке экспозиции, затратам на рекламный бюджет для раскрутки заведомо нерентабельной точки продаж. Вы ещё даже не открыли новый магазин, а он уже принёс вам прибыль в виде сэкономленных средств с помощью ML.
 
Продажи. Качественный, точный прогноз продаж – тоже «классика» в мире машинного обучения. Прогнозы являются базой, применимой для любых других разработок машинного обучения. Например, оптимизация склада основана на прогнозе продаж. Сам по себе прогноз для подразделения продаж также позволяет выстраивать стратегии работы с клиентами, планировать акции и промоактивности, которые дадут ощутимый экономический эффект для компании.
 
Модель прогнозирования спроса анализирует данные, оценивает множество факторов, влияющих на продажи, и ищет взаимосвязи, например, между выручкой и сезонностью. Работа с этими данными необходима для принятия верных управленческих решения. Максимально точный прогноз позволит избежать дефицита или переизбытка товаров. А адаптивная стратегия работы с клиентами, уместное во времени и конкретном сегменте клиентов акционирование (запуск максимально эффективных предложений и отказ от неработающих) дадут ощутимый экономический эффект для компании. Модель прогнозирования спроса анализирует данные, оценивает множество факторов, влияющих на продажи, и ищет взаимосвязи, например, между выручкой и сезонностью. Технология активно применяется в сфере онлайн-продаж. 
 
Работа с персоналом. Технология способна анализировать клиентский трафик в каждой торговой точке, соотносить его с нагрузкой персонала за прошедшие периоды, со временем, которое сотрудник тратит на работу с одним клиентом, и составлять штатное расписание с оптимальной численностью. Также с помощью ML вы сможете вывести рекрутинг в компании на новый уровень. Специально разработанный алгоритм может анализировать кандидатов по заданным параметрам и предлагать наилучших. А ещё новейшие разработки в сфере машинного обучения позволяют в режиме реального времени собирать данные по сотрудникам, оценивать тональность их почтовых писем, результативность выполнения задач, обогащая данные краткими опросами в течение рабочего дня, чтобы вовремя дать сигнал руководителю о выгорании или спаде эффективности сотрудников. Технология уже используется крупными компаниями.
 
 

Как внедрять? Чек-лист

Бизнесу важно понимать, что ML – это, по сути, не решение, а инструмент, который даёт уверенность в принятии решений. Когда вы хотите построить дом, сначала вы выбираете участок и подрядчика для разработки проекта, совместно с которым рисуете дом мечты, принимаете все необходимые решения – и только после этого приступаете к строительству. 
 
Дом без материалов и рабочих не построить, точно так же и алгоритм не даст сакральных знаний без качественного строительного материала – данных. Поставили коробку – нужны коммуникации и специалисты для их прокладки. Так же и с алгоритмом: чтобы он работал, нужно интегрировать его в вашу внутреннюю систему, а для старта и последующего функционирования потребуются либо штатные аналитики и IT-специалисты, либо подрядчик, который и разработает, и внедрит, и абонентское обслуживание предоставит. 
 
Что нужно, если вы хотите получить максимум от технологии ML? Как реализовать всё это в рамках вашего бизнеса? Ключ к успеху – в трёх составляющих:
 
  • Данные – они должны быть в принципе. И они должны быть качественными. Без качественных данных и глубины сбора в 2-3 года вы не получите хороших результатов.
  • Разработка – выбирайте подрядчика, который предлагает разработку проекта под ключ. В этом случае у него в штате есть все нужные профильные специалисты, которые применят свои компетенции для улучшения вашего бизнеса. 
  • Внедрение – машина будет обучаться, но интегрировать в ваши внутренние системы её должны настоящие люди. Идеально, если это делают разработчики в тандеме с вашими штатными специалистами, которые будут потом поддерживать работу модели или осуществлять коммуникацию в рамках аутсорс-поддержки.

Пилотный проект – пробный полёт

Если вы хотите оценить соотношение между ресурсами, затраченными на внедрение машинного обучения и ценностью полученного результата, не обязательно сразу и глобально повсеместно использовать технологию. Чтобы понять, как это работает и оценить ценность результатов, воспользуйтесь возможностями пилотного проекта.
 
Мы, к примеру, работаем в рамках пилота так: выбираем с клиентом самую «больную» и острую проблему и работаем с ней здесь и сейчас. За короткое время разрабатываем алгоритм с точностью не менее 60%, сразу же внедряем – и получаем результат. Если компания решает продолжить работу в рамках полноценного проекта, пилотный продолжает работать и приносить результат. Тестовая версия дешевле, чем полноценный проект, но отдача от неё всё равно окупает затраченный бюджет.
 
Что делаем дальше? Результаты, полученные в рамках пилотного проекта, дают понимание – как развивать проект дальше. Иногда требуется увеличение точности работы алгоритма, и тогда мы дорабатываем его. Иногда мы понимаем, что для получения более высоких экономических результатов компании жизненно важна трансформация внутренних бизнес-процессов. В каких-то случаях всплывает, например, нерациональное использование бюджета на маркетинг.
 
Любой результат, который мы получаем – это шанс, возможность устранить сбой, о котором компания даже не догадывалась. Если мы продолжаем работу в рамках основного проекта, то дорабатываем модель, выстраиваем под неё всю необходимую инфраструктуру, интегрируем в систему компании, запускаем, корректируем при необходимости для достижения оптимального результата. В итоге компания получает комплексное решение: уже имеющиеся данные и вновь поступающие передаются в модель, она их обрабатывает согласно заданному алгоритму и компания получает обоснованные и понятные причины для принятия взвешенных решений. 
 
Важно, что пилотный проект должен закончиться этапом тестирования. Результат модели используется сотрудниками в привычных процессах, и мы сравниваем результаты работы компании без технологии – и вместе с ней.
 
Из последних примеров – мы разработали систему сегментации клиентов для телемагазина, распределив 2 миллиона клиентов на группы соответственно моделям потребительского поведения. Мы предложили персональные рекомендации, основанные на уже имеющихся данных, для каждого из сегментов аудитории. И через 1,5 месяца разработки, в процессе тестирования результатов работы модели в собственном колл-центре, компания получила прирост заказов по отдельным группам более чем на 60%. 
 
 

Начать с малого

Мы рассказали здесь лишь о некоторых возможностях применения технологии машинного обучения. Эта технология подходит для любого бизнеса, где есть данные – и есть желание улучшать работу, повышать прибыль.
 
Машинное обучение уже довольно популярно в России, причём пользуются этой возможностью не только лидирующие в своих отраслях компании. Завтра, через год или через три о внедрении ML задумаются большинство компаний, которые желают сохранить конкурентоспособность на рынке. Что можно и нужно делать для этого уже сегодня? Выстраивать культуру работы с данными. Это пригодится и для повышения эффективности текущей работы, поможет оптимизировать и увеличить скорость подготовки внутренней отчётности и её качества. 
 
Если же у вас в работе с данными уже полный порядок, если вы неоднократно встречали реальные кейсы по работе технологии машинного обучения и мысленно представляете, какие проблемы вашего бизнеса можно решить с её помощью, – тогда самое время разработать и запустить собственную модель. А на выходе – получить результат, который легко поддаётся экономической оценке. 
 
Прислушивайтесь к собственному бизнесу, выявляйте болевые точки, изучайте опыт тех, кто уже работает с Machine Learning, наконец – заказывайте пилотный проект машинного обучения для вашей компании. Ваше время и ресурсы, с пользой потраченные сегодня, предотвратят финансовые потери завтра.
 
 
Мария Косолапова
руководитель агентства CNV Analytics,
аналитик с 5-летним опытом работы в крупном мебельном бизнесе
 
 
читайте также 24 мая 2020 Сборка в дополненной реальности

На ивановском предприятии исследуют, как технологии VR/AR можно использовать в процессе сборки готовой мебели, а также в производственных цехах.


24 мая 2020 Анализируем с толком

Каким образом статистический анализ клиентской базы может способствовать увеличению розничных продаж мебели.


04 мая 2020 Digital-маркетинг для офлайна в «Асконе»

Интернет-магазин как ключевой инструмент маркетинга, направленный на повышение общих продаж.


01 декабря 2019 Блог в помощь

Прежде, чем запускать продвижение через блогеров, важно разобраться в тонкостях инфлюенсер-маркетинга.


28 мая 2019 Карбоновый квест

Иваново может стать столицей композитных материалов.

свежий номер

Мебель-2020

Malaysian International Furniture Fair

MebelExpo Uzbekistan 2020

CIFF Guangzhou

International Alliance of Furnishing Publications

Connect

German Furniture Brands

реклама на сайте Как сюда попасть?