Привет, это Андрей Тырнов – руководитель команды разработки Set Loyalty.
На конференции в Минске я рассказывал про «внутрянку» нашего ML-эксперимента с клиентом: как проверяем, может ли AI помочь ритейлу точнее работать с покупателями.
Почему возникла такая задача?
У ритейлеров есть огромный объем данных о клиентах, но часто они остаются просто историей покупок. Здесь ИИ – перспективный инструмент, но сейчас о нем мало конкретики в ритейле. Возникает вопрос: правда ли алгоритм может помочь улучшить бизнес-метрики?
Поделюсь первыми выводами нашего эксперимента. Как он проходил:
1. Выбираем конкретную задачу, формулируем гипотезу и проверяем ее на данных. Например: может ли модель подобрать аудиторию для промо лучше, чем маркетолог с помощью ручной сегментации.
2. Далее используем данные, которые уже есть у ритейлера в CDP: историю покупок, характеристики товаров, безличенные характеристики покупателей.
3. Затем сравниваем результаты и смотрим, есть ли эффект в деньгах. Выросла ли конверсия, увеличился ли средний чек, снизилась ли стоимость привлечения.
К чему пришли:
при работе с ML важно не начинать с идеи «давайте сразу персонализируем все для всех», а двигаться небольшими итерациями: проверить гипотезу, измерить эффект и только потом масштабировать решение.
Польза ML познается в сравнении с текущим подходом к бизнес-задаче. Мы сравнили работу модели с ручной сегментацией маркетолога и увидели потенциал для роста конверсии и эффективности промо.
При этом увидели и важность качества данных. В одной из групп на результаты повлияли особенности поведения покупателей и выбросы в контрольной группе – это стало отдельной задачей для доработки модели.
Продолжаем развивать эксперимент и будем делиться следующими результатами!
Лояльно говоря в MAX
#эксперты@loytalk
