Чем искусственный интеллект полезен ритейлу, банкам и даже продавцам меда — примеры

Технологичные решения полезны не только в ИТ и онлайн-бизнесе — например, с их помощью банки, торговые сети и другие компании из реального сектора повышают продажи, предотвращают кражи и многое другое. Мы нашли проекты, связанные с искусственным интеллектом (AI) и машинным обучением, которые разрабатываются для реального сектора — посмотрите, как эти технологии решают задачи бизнеса.

Применение высоких технологий, в частности AI — одна из тем, которые будут обсуждаться на крупнейшем форуме «Про бизнес» HI-TECH NATION 20−21 апреля в Минск-Арене. Генеральный партнер события — Альфа-Банк (Беларусь). Cпикеры форума — всемирно известные эксперты, предприниматели, топ-менеджеры крупнейших компаний, инвесторы из Кремниевой долины, Сингапура, Кипра, Беларуси. Cреди них — Нуриэль Рубини, Рэй Курцвейл, Сол Сингер, топ-менеджеры General Electric, Bayer, Google.

Прогноз успеха торговой недвижимости

— Я вместе с Антоном Яцко и Богданом Козловским разрабатываем проект ТИГР (торгово-информационный геомаркетинговый радар). Он будет прогнозировать эффективность торговой недвижимости — сколько посетителей будет в торговом объекте, сколько чеков он будет приносить. В разработке применяем алгоритм машинного обучения на основе геомаркетинговых, демографических и других данных. Всего 140 параметров.

По задумке, программа снизит риск открытия убыточной точки. Неудачный вход в торговый центр может обходиться в несколько сотен тысяч долларов. Во вторую очередь продукт снижает риски застройщиков и инвесторов построить «пустой» торговый центр. А городские власти смогут грамотно планировать расположение торговых объектов.

Мы делаем этот проект в первую очередь для розничных сетей, сетей общепита, застройщиков, инвесторов и городских властей. Продукт могут также использовать банки, страховые компании, операторы бытовых услуг, чтобы прогнозировать функционирование фронт-офиса. Наверное, для путешественников-шопперов можно будет создать лайт-версию с каталогом торговых центров, количеством арендаторов и их ассортиментом.

⇒ Читайте также: Посмотрите на эти заброшенные моллы в США. Как офлайн-бизнесам не остаться без клиентов

Для запуска прототипа необходимо много замеров в «полях» и данных из открытых источников, на чем мы сейчас и сосредоточены. Я отвечаю за методологию сбора «полевых» данных, в ее основе моя авторская методика оценки торговой недвижимости. Например, мы собираем пешеходный и автомобильный трафик, количество их потоков и направлений, расстояния между торговыми объектами, население в близлежащих радиусах, его демографию и многое другое.Самая большая проблема — это данные и их точность. Решение этой проблемы — недешевое удовольствие. Для Беларуси цена годовой подписки для конечного пользователя может быть $ 10 000–15 000, для России себестоимость сбора данных будет в разы выше за счет территории, но там и рынок больше. Цена сильно зависит от количества подписчиков, и в конце концов финальную цену сформирует рынок. Пока делаем все на собственном энтузиазме и ищем инвесторов. Прототип мы хотим запустить в июне.

Чат-бот для продаж

— Мы занимаемся разработкой чат-ботов для автоматизации бизнес-процессов и проведения маркетинговый кампаний. И это — один из примеров применения AI в реальном секторе (если он также представлен в интернете). Например, мы сделали чат-бота для сети магазинов комиксов.

Компания на рынке с 2013 года, активно ведет соцсети, куда и приходит бóльшая часть заказов. Ей нужно было сократить ожидание ответа на запрос пользователя, автоматизировать ответы на популярные вопросы, показать инновационность бренда. Так мы и придумали бота Hero и подключили его к группе ВКонтакте. Он обучен отвечать более чем на 50 популярных вопросов про магазин. Например, где вы находитесь, режим работы, можно ли рассчитаться карточкой, доставляете ли по Минску. У нас есть заготовленные ответы — и в 7% случаев бот сразу выдает нужный. Мы увеличиваем эту цифру до 20%. Стилистика ответов схожа со стилем общения целевой аудитории. Ежедневно бот собирает информацию от 15-ти лояльных покупателей из их профилей и вносит в свою базу для рассылки.

С момента запуска бота количество сообщений выросло в 2 раза. Бот общается с десятками покупателей в день. Время ответа сократилось до нескольких секунд в любое время суток. А если ответ возможен только в рабочее время, то клиент погружается в квест, и победителям бот отправляет скидочный купон. Также в группе произошел прирост подписчиков. А когда мы запустили рекламную кампанию с призывом пообщаться с чат-ботом, то сгенерировали более 10 000 сообщений. 34% пользователей, получивших купон со скидкой, пришли в магазин за покупкой.

Теперь планируем автоматизировать заказ товара с помощью чат-бота. В сообществе ВКонтакте есть галерея с товарами, пользователь пишет боту, и тот проверяет наличие, говорит, в каком из магазинов можно купить товар и предлагает заказать доставку.

Такого бота можно применять везде, где есть общение с покупателями и где можно автоматизировать процессы. Мне сложно ответить, сколько может стоить такое решение. Есть мелкие стандартные кейсы, которые делаются за пару дней, есть кейсы с индивидуальным подходом, где команда работает несколько месяцев. Думаю, что любой кейс с ботами можно уместить в бюджет $ 1000−5000. И я уверен, уже через лет 5 более чем у трети европейских и американских компаний с клиентами общаться будет бот.

Рекомендации и распознавание товаров

— Мы занимаемся продуктовой разработкой и сейчас сфокусированы на e-commerce и retail. AI может анализировать очень много данных и выдавать решения для этих сегментов. Приведу несколько примеров.

В нашем онлайн-магазине ZOOQI мы внедрили рекомендательные системы. Это значит, что по базе заказов нейронная сеть определяет похожие товары, заказы и пользователей, которые совершают похожие покупки. Допустим, если есть тысяча человек, которые покупают корм и наполнитель, а еще тысяча — еще и миску, то первой тысяче система будет советовать тоже миски. Так мы увеличиваем средний чек.

Такое решение применимо в любом магазине, не только в онлайне. Например, мы адаптировали решение для крупной торговой сети. Мы взяли данные чеков с 1000 карт лояльности этой сети — это небольшая выборка, но для старта ее хватило. Кстати, самым популярным товаром оказался пакет. :) И важно было исключить его из выборки, чтобы система не предлагала на него скидки и спецпредложения.Из данных чека определяем, что интереснее пользователям для дополнительной покупки. Так мы можем предложить персональную скидку на товар конкретному пользователю, а не всем сразу. Мы уведомляем через SMS, а система касс активирует скидку по предъявлению карты. Так мы тоже повышаем средний чек и оборот.

Еще мы тестируем объектное детектирование товаров на кассе для крупной сети. Камеры определяют и заносят в базу данных товары, которые клиент несет на кассу. Так можно уменьшить количество краж. Это же решение можно внедрять по всему торговому залу. Нас на это вдохновил Amazon с его идеей делать магазины без кассиров.

Чтобы проект состоялся, нам еще нужно улучшить камеры в торговых залах, но уже сейчас система определяет вид товара, размер, бренд. Собственник магазина говорит, что видел такое только в кино. :) Стоят такие проекты на рынке точно больше $ 10 000, а то и все 50 000. Это скрупулезная работа. Разработать такой проект можно месяца за 3, если использовать наработки. Больше всего времени уходит на сбор датасета и тестирование.

Адресная реклама

— Мы создаем проект для банка, который предоставляет целевой аудитории релевантные предложения на сайте или в приложении.

Когда человек заходит на сайт или в приложение, система на 90% знает, что это за пользователь (его возраст, пол, предпочтения, вкусы). Мы достаем эти данные, исходя из истории запросов в поисковых системах, истории браузера и т.д. До этого была проделана колоссальная работа по сегментированию пользователей, исходя из истории их предыдущих покупок. В результате пользователь получает только интересные его группе товары/магазины на главной странице и рекламные баннеры на всем диджитал-канале. Например, если сделать это для других сегментов бизнеса, мужчина-водитель будет получать предложения АЗС, СТО, магазинов запчастей, молодой девушке мы предложим магазины одежды или косметики. За счет этого повышается вовлеченность и интерес пользователя к ресурсу. Наша система самообучается и повышает процент успешного распознания.

Мы не можем показывать цифры, но внедрение решения повысило транзакционную активность на десятки процентов.Прежде всего это решение применимо для банков и e-commerce. Но и для других сфер его можно адаптировать. Главное условие — наличие большого трафика, более 100 000 уникальных пользователей в месяц. Хорошие результаты можно получить, имея от $ 20 000−30 000 и месяц-два на построение гипотез и эксперименты.

«Умные» этикетки для товаров

— Мы сделали решение для американской компании Apiterra (родом из Беларуси), которая производит мед в Беларуси, а импортирует и продает в Америке. На американском рынке есть проблема: собственного меда почти нет, 75% импортируется и представляет собой жидкий сироп, который получают, смешивая разные сорта. Разумеется, ничего полезного не остается, и на этикетках пишут обычно «Product of …» и перечисляют 3−5 стран, откуда взяты эти смеси.

Компания пытается показать конечному потребителю цепочку поставки конкретной баночки: где находится пасека, кто пчеловод, где и когда собрано/упаковано, как она попала на прилавок магазина. Чтобы донести эту историю до покупателя, мы сделали бота, который открывается при сканировании телефоном этикетки и доносит информацию в мессенджере, оптимизируя диалоги под конкретного человека.

Затраты компании в основном связаны с обновлением этикетки товара / размещением стикера с уникальным кодом. Мы же берем ежемесячную плату в зависимости от объема партии (начиная от $99). Такое решение применимо для любых товаров повседневного использования. Мы ориентируемся на продукты питания, напитки, одежду, healthcare.