Прогностическое решение использует комплекс методов машинного обучения — градиентный бустинг, random forest, коллаборативную фильтрацию и др. На первом этапе проекта математическая модель обучалась на данных, консолидированных в CRM-системе, включающих информацию о транзакциях за 2017 год, товарных позициях, товарообороте и поставках, а также историю покупки и демографические данные держателей дисконтных карт. Анализируя скрытые закономерности, система выделила целевой сегмент покупателей и предсказала вероятные позиции в их чеках. Следующим этапом была произведена контрольная рассылка по требуемой категории клиентов, а затем – анализ фактических покупок.
В выявленной группе клиентов повторные обращения за покупками составили около 47%, тогда как в среднем по клиентской базе этот показатель равен 22%. Кроме того, их средний чек оказался на 42% больше, чем у остальных покупателей. Таким образом, методами машинного обучения удалось определить «золотой сегмент» держателей карт лояльности. За выбранный промежуток времени они принесли компании порядка 7% дохода, составляя всего 1% от общей клиентской базы. Состав, численность и параметры данного сегмента меняются динамически, и система учитывает это в режиме реального времени.
Выявленные в ходе проекта закономерности дали дополнительные возможности для повышения точности математической модели и развития новых подходов в формировании персональных предложений для целевой аудитории. В частности, сегодня компания «Рив Гош» совместно с «Инфосистемы Джет» рассматривает возможность добавить неиспользуемые ранее показатели (информацию о складах, рейтинги товаров и пр.) для расширения выборки и круга решаемых задач. Еще одно направление сотрудничества связано с анализом эффективности различных каналов взаимодействия с группами клиентов для оптимизации расходов на маркетинговые кампании.
Как рассказал Дмитрий Подолинский, директор по маркетингу компании «Рив Гош», в настоящее время продолжается развитие направления персонализированных товарных рекомендаций за счет более тесной интеграции инструментов машинного обучения в ИТ-ландшафт и бизнес-процессы. В ближайших планах – построение отдельного озера данных для проведения более глубокой аналитики данных, а также совершенствование системы лояльности.