Как ИИ помогает продавать

Искусственный интеллект открыл массу возможностей для повышения эффективности бизнес-процессов в ритейле. Это одна из тех отраслей, где компании используют «труд» ИИ активнее всего. И за два последних года перемены случились и правда огромные.

Вот какие инновации успели внедрить и что в ближайших планах.

Как ИИ помогает больше продавать

Технологии ИИ вывели на новый уровень персонализацию. Они дали возможность торговым сетям создавать индивидуальные предложения на основе предпочтений, истории покупок, поведенческих данных и другой информации о пользователе.

Вот несколько ключевых механик.

1. Рекомендации

Принцип работы рекомендаций основан на анализе данных о поведении клиентов, их предпочтениях и истории покупок. На их основе алгоритмы определяют наиболее вероятные товары, которые могут заинтересовать конкретного клиента, и предлагают их ему на сайте или в мобильном приложении.

Особенно широко рекомендации проникли в онлайн-торговлю. Многие платформы электронной коммерции успешно используют их для оптимизации продаж. Так, искусственный интеллект применяют «Яндекс Маркет», Ozon, «СберМаркет» и Wildberries.

Следующий этап развития — умение анализировать онлайн- и офлайн-покупки клиентов и формировать рекомендаций на основании общих паттернов потребления, но для различных каналов покупки (более трех четвертых покупателей используют более одного канала для покупок).

2. Коммуникация

Генеративные сети «научились» формировать контент для разных каналов коммуникации — в почте более официально, в социальных сетях менее формальный стиль. ИИ может даже подбирать определенный набор выражений, использовать сленг и прочие стилистические фигуры речи — в зависимости от архетипа клиента.

ИИ может помочь определить этот архетип, анализируя покупки клиента, cookies (при покупках онлайн) и прочую доступную информацию.

Некоторые компании достигли весьма впечатляющих результатов по сегментации своих клиентов, точность попадания доходит до 80%.

3. Промоакции

Наиболее активно их используют крупные продуктовые и fashion-ритейлеры.

Например, компания знает, что на Новый год все поголовно будут готовить оливье. Значит, спрос на ингредиенты для этого блюда в течение недели будет очень высоким. Это явление логично и закономерно, оно происходило и до появления искусственного интеллекта. ИИ же выявит нетиповые и не всегда очевидные поведенческие факторы и значительно улучшит качество прогноза.

Например, устраивая акцию на подгузники, ритейлер может отметить, что возрастает спрос на крупногабаритные товары — совершенно неочевидное следствие.

Он начинает разбираться в таком поведении. Итак, происходит кратное увеличение покупок подгузников в чеке, например 5–10 пачек. В руках такой объем унести проблематично, поэтому за такой покупкой приезжают на машине. А если уже приехал на машине, то можно купить какой-то товар, о котором давно думал, но до этого было сложно унести в руках.

Подобных паттернов поведения может быть великое множество — все зависит от времени года, погоды, изменения курса доллара и т.д. Правильно настроенный ИИ помогает выявлять это и подсказать оптимальные параметры промо для увеличения общей прибыльности.

Как ИИ оптимизирует логистические процессы

Стоимость логистики, по разным оценкам, составляет от 10 до 50% конечной цены товара на полке. Результаты опроса Gartner 2024 года показывают, что половина организаций планирует внедрить инструменты генеративного ИИ в логистические процессы в ближайший год.

1. В прогнозировании

Прогнозирование помогает компаниям эффективно использовать свои внутренние ресурсы.

Если точность прогнозирования увеличивается, это влияет на:

• увеличение доступности товаров на полке, что увеличивает продажи;
• уменьшение товарных запасов, что позволяет высвободить денежные средства;
• сокращение списаний в магазинах, что приводит к экономии средств;
• оптимизацию работы процессов и персонала, чтобы поддерживать растущий бизнес тем же количеством ресурсов.

2. В транспортных процессах

В этой сфере ИИ уверенно помогает создать наиболее эффективную логистическую сеть — подсказывает, где оптимально разместить склады и распределительные центры (в зависимости от расположения магазинов и дарксторов, а также поставщиков продукции).

В операционной логистике уже успешно применяют маршрутизацию — когда система, основываясь на информации о точках выгрузки и транспортной ситуации, выстраивает оптимальный маршрут поездки.

3. В складских процессах

Здесь тоже масса вариантов приложения сил ИИ и других вариантов автоматизации. Например, L'Oréal внедрила на своих складах систему с использованием беспилотных дронов, которые занимаются инвентаризацией. Они оснащены специальными камерами, видео с которых обрабатывают с использованием ИИ, и способны распознавать штрих-коды, определять пустые места и границы ячеек.

Как ИИ меняет голосовых помощников и виртуальных ассистентов

Уже в 2022 году доля маркетплейсов с внедренными чат-ботами достигла 75%. С тех пор они стали только популярнее.

Чат-боты и виртуальные ассистенты — это программы, способные проводить автоматизированные диалоги с клиентами. Сейчас такой «помощник», созданный с помощью нейросетей, встречается на сайтах чуть ли не каждого интернет-магазина. Они отвечают на вопросы, помогают с выбором товаров, оформлением заказов и решением клиентских вопросов, а также снимают с операторов рутинную нагрузку.

Более того, такие инструменты становятся практически полноценной заменой call-центров, когда речь идет о тех этапах, когда пользователю нужна первичная консультация.

Например, виртуальный «бьюти-эксперт» Лола, запущенный сетью «Л'Этуаль» в 2021 году, обслуживает по 22 тыс. человек в месяц, при этом более 80% пользователей возвращаются к нему с повторными обращениями.

Чат-боты и виртуальные ассистенты позволяют ритейлерам улучшить обслуживание клиентов, сократить время для ответа на запросы, сделать коммуникацию доступнее и удобнее. Более того, интеллектуальные помощники позволяют экономить до 20% расходов на клиентскую поддержку. По некоторым оценкам, они способны обработать до 150 тыс. запросов ежемесячно, в то время как для сотрудника предел — около 500–1000 обращений. Также они могут быть интегрированы с CRM-системами магазинов и предлагать клиентам персонализированные рекомендации и предложения на основе их предпочтений.

Мало просто внедрить

Конечно, для успешного внедрения искусственного интеллекта в бизнес-процессы компании нужны не только технические возможности, но и квалифицированные специалисты, способные верно подобрать и использовать подобные инструменты. Без этого понять и реализовать потенциал этой технологии практически невозможно. Настройка системы, адаптация к особенностям рынка, постоянная оптимизация требуют профессионального подхода и внимания.

Еще одна простая причина может вызывать сложность при внедрении ИИ: качество данных, на основании которых будут строиться и обучаться модели. Неподготовленные, неполные, нерелевантные данные — равно плохо работающая модель.

Также стоит учитывать, что мы живем в очень динамичном мире, а это значит, что потенциально в будущем могут возникать события, аналогов которых не было до этого. ИИ — тот инструмент, который «учился» на прошлых данных, и он делает прогнозы, основываясь на паттернах прошлых лет, иными словами, если произойдут события, которых до этого никогда не было, то результат предсказания модели будет очень слабым.

Вот как выглядит план грамотного внедрения ИИ.

1. Перед тем как приступить, четко определите цели проекта, выраженные в конкретных числах.

2. После этого разработайте метрики для оценки целесообразности внедрения искусственного интеллекта. Они могут относиться не только к финансовым показателям, но и быть направленными, например, на оптимизацию расходов на персонал или логистику.

3. Следующий шаг — сбор данных. Это часто оказывается сложной задачей (необходимые данные отсутствуют или они ненадлежащего качества). Этот этап может занять несколько месяцев.

4. После этого стоит решать, оставлять ли за собой разработку собственной инфраструктуры и ПО или обратиться за готовым решением к вендору. Если вы выберете путь создания внутреннего отдела для работы с ИИ, стоит быть готовым к существенным финансовым вложениям. Помимо затрат на оборудование, вам потребуется найти специалистов для создания команды разработчиков. Один человек не сможет обеспечить все этапы процесса, и вам понадобится целая команда: DevOps-специалисты, ML-инженеры, специалисты по разработке и обучению моделей. При этом даже при использовании сервисной модели вам понадобятся администраторы для управления процессом внедрения и поддержки инфраструктуры.

5. Затем начинается процесс эксплуатации и перманентного обучения моделей, это чуть ли не бесконечное количество раундов, необходимых для повышения эффективности моделей на период эксплуатации. В течение всего своего жизненного цикла ИИ будет обучаться, тем самым повышая точность своей работы.

Эти пункты звучат сложно и отталкивающе, но ИИ привносит достаточно серьезные результаты в эффективность ритейла — эффект может достигать до нескольких процентных пунктов к маржинальности.