Потребители становятся более требовательными, а компании ищут варианты, как улучшить пользовательский опыт, оптимизировать расходы и точно спрогнозировать продажи. Один из таких вариантов — использование ИИ в различных бизнес-процессах. В статье рассказали, как искусственный интеллект помогает решать проблемы ритейла в целом, а также, как конкретная технология улучшила планирование работы сборщиков заказов.
Проблемы ритейла в 2024 году
Ритейл сталкивается с рядом проблем, которые влияют на его эффективность и прибыльность. Рассмотрим основные из них.
Изменение потребительских предпочтений. Покупательские привычки людей меняются вместе с рынком. Компаниям приходится адаптироваться к новым требованиям: совершенствовать ассортимент товаров, ценообразование, сервис. Например, растут ожидания клиентов по скорости доставки. Получить заказ в прогнозируемый интервал доставки — воспринимается как норма. Если бизнес обещает привезти продукты через 40 минут, но привозит через 60, то лояльность падает. Важно выстраивать ожидания и попадать в них.
Омниканальность и интеграция. Потребители ожидают бесшовного опыта покупок через разные каналы: онлайн, офлайн, мобильные приложения. Это требует от ритейлеров интеграции всех точек взаимодействия с клиентами и синхронизации данных, что является сложной и затратной задачей.
Нехватка кадров. Розничные компании сталкиваются с вызовами в области найма, обучения и удержания квалифицированных сотрудников. Например, курьерская работа часто характеризуется высокой текучестью кадров из-за физической нагрузки.
Чтобы решить проблемы, бизнес должен внедрять инновации в процессы, автоматизировать рутинные задачи. Это позволить ему быть конкурентоспособным, а также обеспечит стабильный рост в условиях быстро меняющегося рынка.
Онлайн-ритейлу нужен искусственный интеллект
Искусственный интеллект в онлайн-ритейле помогает улучшить клиентский опыт, оптимизирует бизнес-процессы и увеличивает прибыль. Вот несколько ключевых примеров его использования.
Персонализация. В первую очередь, ИИ используется в рекомендательных системах. Технология анализирует поведение пользователей на сайте или в приложении, предлагает товары, которые могут им понравиться, основываясь на их предыдущих покупках и просмотренных продуктах. Также ИИ используется в маркетинговых кампаниях. Например, компания информирует пользователя приложения об акциях и скидках с помощью персонализированных уведомлений.
Чат-боты и виртуальные ассистенты могут отвечать на вопросы клиентов, помогать с выбором товаров и решать проблемы в режиме реального времени. Это не только улучшает пользовательский опыт, но и сокращает траты бизнеса на зарплаты и обучение сотрудников.
Управление запасами и логистика. С помощью ИИ компании могут прогнозировать спрос на товары, что помогает избегать дефицита или излишков на складах. Также технологии искусственного интеллекта упрощают логистические операции: они оптимизируют маршруты, что снижает траты и ускоряет доставку заказа до конечного потребителя.
Ценообразование. Искусственный интеллект анализирует рыночные тенденции, поведение конкурентов и спрос, чтобы устанавливать оптимальные цены на товары в реальном времени.
Обработка отзывов и анализа настроений. ИИ используется для анализа отзывов клиентов в социальных сетях, на форумах и других интернет-платформах. Технология позволяет выявлять общие тенденции, проблемы и положительные моменты в обратной связи от клиентов, что помогает ритейлерам быстро реагировать на замечания и улучшать качество обслуживания.
Автоматизация рутинных задач. Искусственный интеллект автоматизирует рутинные и трудоемкие задачи, например, управление инвентарем, бухгалтерский учет и обработка заказов. Это освобождает сотрудников для выполнения более сложных и творческих задач, повышая общую эффективность бизнеса.
Как ИИ помогает оптимизировать работу сборщиков заказов в ритейле
Вот так обычно происходит планирование в ритейле: магазины самостоятельно прогнозируют дневное количество заказов по старым моделям. После — директор распределяет нагрузку в течение дня и «интуитивно» составляет расписание сотрудников без фиксирования времени на обед.
Машинное обучение может оптимизировать эту задачу. Чтобы составить расписание сотрудников, мы использовали две модели. Первая основана на временных рядах и градиентном бустинге. Она прогнозирует число заказов по дням и часам. Вторая — на комбинаторной оптимизации.
Модели агрегируют исторические данные за 2 года: половозрастные характеристики и опыт работы сборщиков, тайминг, состав, вес, количество заказов, а также характеристики отдельных супермаркетов — площадь магазина, регион. Она учитывает влияние внешних факторов на каждый конкретный магазин, например, праздники, сезонность, и формирует расписание.
Если директор магазина хочет провести эксперимент, можно внести изменения. Например, добавить или убрать сборщиков. Модель пересчитает, покажет новые метрики и расписание. Прогнозируется также время обедов.
Внедрение системы планирования расписания сборщиков: кейс одного из лидеров E-Commerce в России
Команде ритейлера по доставке еды из магазинов требовалось создать систему планирования расписания сборщиков.
Перед командой стояло 2 задачи:
- автоматизировать составление расписаний сборщиков;
- оптимизировать операционные метрики сборки заказов.
Команда создала систему, которая имитирует реальную жизнь. В симуляции задаются параметры, например, с какой частотой и в какое время будут приходить заказы, сколько сборщиков работает и в какое время, сколько они тратят времени на один заказ. Система фиксирует данные, проводит симуляцию и считает операционные метрики, например, производительность сборщиков и средний цикл сборки.
Чтобы протестировать систему, команда провела три пилота. В первой итерации 2 недели тестировали один магазин с плохими показателями. За ключевую метрику взяли время ожидания сборки, то есть время от момента, когда пришел заказ, до момента, когда его начали собирать. Изначальная цифра сборки — 72 минуты. В среднем заказ лежал нетронутым больше часа. Решение сократило время в 3 раза, до 17 минут.
Во втором пилоте одну неделю тестировали 5 магазинов. Обученная командой модель временных рядов прогнозировала 2 часовые отрезки. Но фактическое расписание сборщиков сильно отличалось от планируемого системой. Также выяснилось, что сборщики самовольно уходили на обеды в пиковое время. В итоге, из-за операционных причин время ожидания сборки увеличилось в среднем на 4,5%.
В третьей итерации также участвовали 5 магазинов. Ошибки прошлого пилота были учтены. В новой модели расписание обедов формировалось полуавтоматически с учетом физиологических потребностей, ограничений расписаний, и планируемого объема заказов. Также система перешла на прогнозирование часовых отрезков. Точность модели выросла на 20% по сравнению с изначальной моделью самого ритейлера. Пилот показал улучшение операционных показателей по 4 из 5 магазинов. Среднее время от прихода заказа до завершения сборки сократилось на 17,4%.
На масштабе всех магазинов сети команда заложила улучшение на 10%. Чтобы достигнуть таких результатов без ИИ, ритейлеру пришлось бы привлечь на 11% сборщиков больше. Таким образом система планирования экономит бизнесу 11% от текущего фонда оплаты труда сборщиков, а это до 500 млн рублей в год.
Какой эффект получает бизнес, используя ИИ в сборке заказов
Покупатель получает заказ быстрее, а значит, более мотивирован совершать повторные заказы. Топ-менеджмент лучше понимает бизнес и может влиять на бизнес-показатели. Например, если нужно увеличить скорость обработки заказов, то модель считает, на сколько процентов нужно увеличить количество сотрудников и считает, во сколько это обойдется компании.
Система позволяет улучшить оплату труда «фикс+бонус за объем» для каждого отдельного сборщика, так как расписание составляется с наибольшим количеством заказов за рабочий день. Соответственно, мотивация сотрудника растёт и снижается вероятность его ухода из компании.
Руководство видит операционные метрики и понимает, как их можно улучшить. Например, для повышения удовлетворенности пользователей можно сократить время скорость обработки заказа на 10%.
Как вы используете ИИ для автоматизации бизнес-процессов? Поделитесь опытом в комментариях