Версия сайта для слабовидящих
Продолжая рассказывать про применение технологий Big Data и Machine Learning в ритейле, сегодня мы собрали для вас еще 3 интересных примера от FMCG-гигантов. Читайте в нашей статье, как большие данные и машинное обучение помогли Coca-Cola, Starbucks, Neutrogena, Magnum, Procter&Gamble и Nestlé наладить геолокационный маркетинг, повысить узнаваемость своих брендов и улучшить управление поставками.
Выгодная покупка здесь и сейчас: Big Data, Machine Learning и Internet of Things в геолокационном маркетинге
Геолокационный маркетинг позволяет взаимодействовать с потребителем на основе его местоположения, например, предлагая ему любимый продукт или скидку, когда человек проходит мимо точки продаж. Обычно для определения местоположения пользователя используются iBeacon-датчики на основе Bluetooth. Эта технология уже принесла десятки миллионов долларов американскому ритейлеру Macy’s, оператору торгово-развлекательных центров Simon Property Group и британскому магазину Trinity Leeds, о чем мы рассказывали здесь.
Аналогичный подход использует Starbucks в США, определяя расстояние от клиента до ближайшей точки продаж, чтобы пользователь мог сделать заказ еще до того, как зашел в кофейню. А производитель мороженого Magnum с помощью своего приложения M-Pulse позволяет найти друзей поблизости ближайшей точки продаж и пригласить их на совместное поедание холодного десерта. Также приложение оповещает пользователей о скидках и акциях. А косметологическая компания Neutrogena персонализировала рекламу своих солнцезащитных средств на основе анализа данных о местоположении пользователя и погодных условий. Клиент видит информацию о той продукции, которая соответствует уровню ультрафиолетового излучения там, где он находится [1]. О других кейсах метеомаркетинга мы писали в этой статье.
Искусственный интеллект для повышения лояльности: нейронные сети и довольные покупатели
Вчера мы упоминали, что корпорация Coca-Cola использует OCR-технологии для распознавания образов. Эта задача возникла в рамках программы лояльности, которая предусматривает выигрыш призов и начисление бонусов на основе факта покупки продукции. Для этого покупатель должен ввести в специальное поле на сайте или мобильном приложении 14-значный код, расположенный под крышкой бутылки с газированной водой. Однако первый этап этой маркетинговой кампании показал, что клиенты не заинтересованы тратить свое время на ручной ввод цифр. Поэтому Data Science специалисты в Coca-Cola воспользовались соответствующими технологиями для считывания и распознавания образов. Сделать этот процесс быстрым и точным помогла открытая библиотека машинного обучения TensorFlow от Google, основанная на нейросетевых алгоритмах и распараллеливании вычислительных потоков. Она позволяет всего за 1 секунду распознать цифры на фотографии с точностью 99,97%. Поэтому для участия в программе лояльности покупателю требуется приложить минимум усилий: нужно только сфотографировать крышку бутылки. Благодаря этому эта технология стала ключевым компонентом всех рекламных кампаний Coca-Cola в Северной Америке [2].
Интересен также другой пример использования Machine Learning и Big Data в маркетинговых активностях Кока-Колы. Чтобы повысить узнаваемость бренда и вовлеченность покупателей, еще в 2015 году корпорация применяла нейросети для распознавания возраста людей по фотографии. Дополнительно к этому шел рассказ о бренде прохладительного напитка, бутылка с котором оказывалась на снимке. В частности, вычислялся его возраст и определялась корреляция с возрастом потребителя. С точки зрения покупателя эта история не несет практической ценности, однако стимулирует клиентский интерес к продукции и помогает компании собирать большие данные для дальнейшего анализа [2].
Чат-боты – еще один пример использования Machine Learning и Big Data в маркетинге. В Германии торговая марка Магги от Nestlé применяет эту технологию, чтобы общаться со своими существующими и потенциальными потребителями через Facebook Messenger. Пользователи могут узнать рецепты популярных и редких блюд с учетом своих предпочтений, диеты, возможных аллергических реакций и других специфических требований. Также чат-бот позволяет потребителям заказать ингредиенты для конкретного блюда через немецкую сеть супермаркетов REWE-Online. Машинное обучение используется для понимания контекста общения с клиентом, чтобы в дальнейшем предлагать ему по-настоящему персонализированные продукты Maggi для повседневного кулинарного опыта [3]. Обзор современного рынка чат-ботов и голосовых помощников на основе Machine Learning и Big Data читайте в этом материале.
Машинное обучение в FMCG-логистике
Управление цепочками поставок – огромная составляющая FMCG-бизнеса, даже частичная оптимизация которой может сэкономить миллиарды долларов. Исследование McKinsey и MIT показало, что компании FMCG, которые регулярно используют аналитику больших данных в логистике, превосходят своих конкурентов на 5% по производительности и 6% по прибыльности. При этому время доставки может сократиться в 4,25 раза, а общая эффективность процесса вырастает дважды, что приносит около 10% дополнительной выручки [4].
Поэтому Coca-Cola активно использует методы искусственного интеллекта для инвентаризации своих складов. Алгоритмы для распознавания образов позволяют корпорации сэкономить тысячи человеко-часов, автоматизируя процессы проверки кулеров. Вместо ручного пересчитывания бутылок в холодильнике, достаточно просто сфотографировать его, а система Machine Learning сама посчитает количество бутылок Coca-Cola и конкурентной продукции. Также программа предложит рекомендации по загрузке кулера на основе анализа внешних данных, включая уровень продаж и текущие события в этом районе. Благодаря облачной основе этого приложения, Coca-Cola легко развертывает его для всех своих локальных партнеров, чтобы быстро управлять заказами на 16 миллионов кулеров, которые установлены в торговых точках по всему миру [2].
Аналогичным образом оптимизирует свои цепочки поставок корпорация Procter&Gamble. Big Data и Machine Learning помогли компании разработать наиболее эффективные модели сбыта, сократив складские запасы на 25%. Это сэкономило компании десятки миллионов долларов [3]. Как еще большие данные и машинное обучение позволяют повысить эффективность логистических процессов, мы рассмотрим в следующей статье.
Как еще Big Data и Machine Learning можно использовать для цифровизации своего ритейл-бизнеса, вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, аналитиков и Data Scientist’ов) в Москве:
Источники
