Будущее рядом: интеграция ИИ в e-commerce

Когда-то «выйти в онлайн» было важным этапом развития для каждого бизнеса, ведь это давало преимущество перед конкурентами. Но сегодня и рынок e-commerce стал высококонкурентным. В 2024 году у большинства ресторанов есть возможность доставки, салоны красоты предлагают клиентам запись через сайт, а сотни магазинов одежды существуют только на маркетплейсе, без физических шоурумов.

По данным UNCTAD, общий объем электронной торговли в мире уже выше 26,6 триллиона долларов США. В 2020 году доля e-commerce составляла 17% от мировой торговли, и прогнозы говорят о том, что к 2025 году она увеличится до 25%. Поэтому бизнесу в Сети приходится искать всё новые инструменты для успешной конкуренции, и один из самых перспективных — интеграция с искусственным интеллектом (ИИ).

По данным опроса Высшей школы бизнеса НИУ ВШЭ, 80% российских компаний уже применяют или собираются применять инструменты искусственного интеллекта (ИИ) в своих бизнес-процессах. Три популярных направления: автоматизация техподдержки, настройка рекомендаций и предиктивный анализ для оптимизации продаж.

Рассказываем, какие возможности открывает ИИ для электронной коммерции и какие издержки можно снизить при помощи нейросетей.

Нейросети произвели настоящую революцию в настройке рекомендаций. Используя машинное обучение и анализ больших данных, можно предсказать поведение потребителей и предложить им те товары и услуги, которые будут интересны. Например, платформа Netflix активно использует ИИ, чтобы советовать пользователям новые сериалы и фильмы. Внутренние исследования говорят, что до 80% просмотров всего стриминга делаются благодаря рекомендациям.

Когда сервисы используют рекомендации по интересам пользователя, клиенты чувствуют, что здесь их «понимают». Это делает их более лояльными к бренду или магазину. Персонализация также приводит к росту конверсий и среднего чека, а значит, и к увеличению выручки.

Нейросети анализируют поведение пользователя в e-commerce, используя различные методы и техники. Вот некоторые из них:

02

Сегментация аудитории. Используя открытые данные пользователей или результаты опросов, ИИ разделяет клиентов по определенным критериям: возраст, пол, география, интересы и другое.

03

Анализ предпочтений. ИИ анализирует поведение пользователя на основе собранных данных. Он может определить, какие товары пользователь чаще всего просматривает или покупает, какие категории ему интересны, его выбор по цене, бренду и другим параметрам.

Сбор данных. ИИ анализирует поведение пользователя: историю покупок, просмотренные товары, лайки (или добавление в избранное), товары в корзине, время на сайте и т. д.

01

04

Когортный анализ: изучение поведения определенных групп пользователей во времени.

Дальше в дело вступают алгоритмы рекомендаций, которые и составляют подборки товаров, фильмов, музыкальных треков — всего, что может заинтересовать посетителя.

Персонализированные рекомендации продают лучше, чем обычные предложения сопутствующих товаров. Но чтобы их составить, нужно узнать клиента поближе: только так алгоритмы поймут, что его «зацепит».

Разные источники выделяют от 2 до 6 механизмов работы алгоритмов. Нам показался самым логичным тот подход, где выделяют два базовых типа:

02

Коллаборативная фильтрация.

Алгоритм фильтрации содержимого;

01

Фильтрация содержимого (контента). Принцип состоит в изучении системой неких параметров содержимого, которые затем служат основанием для рекомендации. Если вы заказали на маркетплейсе шампунь для сухих волос, а в рекомендациях видите бальзам для волос того же бренда или другие шампуни для сухих волос, работает именно такой алгоритм.

Коллаборативная фильтрация. Система рекомендует те товары, которые аудитория со схожими интересами уже искала, а конкретный человек — еще нет. Например, на стриминговом сервисе пользователю предлагают новую романтическую комедию, хотя всю последнюю неделю он смотрел ситкомы. Это происходит потому, что киноленту посмотрели несколько тысяч других любителей ситкомов.

К подтипам можно отнести алгоритм, основанный на объектах (принцип из числа Collaborative filtering). Система изучает сходства объектов и если пользователю понравилось что-то, предлагает ему похожие. Также подтипом можно считать гибридный подход, который использует несколько алгоритмов.

Как персональные рекомендации работают с коммерческой точки зрения и насколько повышается выручка? Рассмотрим популярные маркетинговые стратегии, построенные на рекомендациях.

Кросс-продажи. В этой стратегии клиенту предлагают за дополнительную плату другие товары, обычно связанные с тем, что он уже купил. Например, к смартфону предлагают чехол или наушники. Компании используют кросс-продажи, чтобы реализовать больше товаров или услуг и сделать опыт покупок более полным.

01

Апселлинг. Здесь стратегия состоит в том, чтобы продать более дорогой товар или больше единиц товара в рамках одной покупки. Когда на сайте покупателю предлагают более новую модель смартфона вместо выбранной им — это пример апселлинга. Популярная акция «1+1 = 3» — это тоже вариант этой стратегии: здесь покупатель получает больше товаров по более высокой цене.

02

Крупные компании и стартапы сегодня предлагают сервисы и решения, которые помогают бизнесу «подружиться» с ИИ. Вот несколько популярных.

1. Рекомендательные системы на основе машинного обучения. Такие платформы, как Amazon Personalize или Google Recommendations AI, позволяют интегрировать сложные алгоритмы, обеспечивая высокую точность предложений.

2. Обработка и анализ данных. Использование Apache Spark или Hadoop помогает эффективно обрабатывать большие объемы пользовательских данных.

3. A/B тестирование и оптимизация. Optimizely или Adobe Target позволяют проводить эксперименты и оптимизировать рекомендации, повышая их релевантность и эффективность.

Нейросетям можно поручить много важной рутины, начиная с анализа информации о потенциальных покупателях и заканчивая персонализацией продукта. Симбиоз человека и ИИ даёт видимый результат, который можно измерить с помощью классических экономических показателей, таких как конверсия, выручка и число потенциальных клиентов.

Кейс: рост выручки интернет-магазина одежды с помощью ИИ-сервиса Garderobo

Garderobo.ai — инструмент для интернет-магазинов, предлагающий клиентам наиболее подходящие товары из категорий одежды, обуви и аксессуаров в соответствии с их личными вкусами. Как утверждает команда, Garderobo способен увеличить конверсию интернет-магазина в 2,5 раз и снизить число возвратов на 40%. И всё это — результат работы четырех виджетов, которые и составляют сервис.

«Рекомендованное». Анализирует психотип каждого пользователя и предлагает подходящие товары. Он работает мгновенно, реагируя на каждое действие клиента.
«Похожее». Находит схожие товары с учетом более чем 200 атрибутов одежды, включая цвет, длину и ткань.

«Популярное». Предлагает клиентам товары, которые пользуются большой популярностью среди других покупателей.

«Total Look», главная «фишка» сервиса. Помогает клиенту создать стильный образ, учитывая его предпочтения и уже приобретенные товары.

Алгоритм Garderobo анализирует данные о поведении и психотипе клиента; его предпочтениях и фильтрах, которые он использует на сайте. И более 200 атрибутов контента. Это позволяет создать меткие персональные рекомендации. Как говорят создатели сервиса, в разработке алгоритмов они применяли психологическую методологию трансакционного анализа.

С Garderobo бренды получают большую выгоду от использования гибридных рекомендаций, которые объединяют общие и индивидуальные фильтры на основе действий пользователей. Это приводит к увеличению общей суммы покупок до 60% и к росту лояльности пользователей.

Бизнесу — будь то поставка товаров или оказание услуг — не обойтись без коммуникаций с клиентами. И здесь на помощь вновь приходит ИИ: чат-боты, виртуальные помощники и умные автоответчики.

Каждый пользователь сайтов и приложений наверняка сталкивался с ними. Это «Алиса» от Яндекса, «Маруся» от VK, чат-боты на сайтах и голосовые помощники, принимающие звонки в поддержку.

Бот повышает удовлетворенность клиентов, потому что отвечает оперативно и сокращает время ожидания. Бизнесу бот помогает автоматизировать первую линию общения с клиентами, отсечь нецелевые обращения и сконцентрировать усилия поддержки на профильных пользователях.

Скорость ответа потенциальному клиенту в чате очень важна. По данным компании Jivo (сервис для общения с клиентами в digital-каналах), если успеть ответить за 10 секунд, то диалог продолжится в 70% случаев, за минуту — уже в 62%, а при ответе за 3 минуты — только в 48%.

У некоторых пользователей есть предубеждение: они считают разговор с ботом неестественным, а его ответы менее компетентными. Это связано с тем, что чат-боты не обладают интеллектом, необходимым для того, чтобы действительно понимать своих собеседников как в их ожиданиях, так и в их намерениях. За последние несколько лет этот градус недовольства снизился, потому что боты развиваются, а люди привыкают. Но всё же стоит об этом помнить, если у вас специфичная ЦА: например, люди старше 50 лет.

Кейс: снизили нагрузку на техподдержку на 50% с помощью чат-бота

Сбербанк и компания Jivo поделились успешным кейсом по внедрению умного чат-бота.

Проблема: нецелевые заявки отнимали время операторов техподдержки. Среди них был спам, а также ряд запросов от клиентов, которые кликали на логотип Jivo на виджете чата.

Решение: вначале в Jivo использовали функцию шаблонных ответов, однако даже работа с шаблонами отнимает много времени. Поэтому автоматизировали процесс, подключив СберБизнесБот

Главная задача была в том, чтобы отсеять случайных посетителей, а целевым клиентам — быстро ответить на вопросы.

Бот помог автоматизировать первую линию общения с клиентами, отсечь нецелевые обращения и уделить больше внимания профильным пользователям.

Сейчас заявки, поступающие в чат Jivo от клиентов, сначала обрабатывает СберБизнесБот. Его постепенно обучили отличать целевых клиентов. Для этого эксперты Jivo собрали данные и передали команде Сбера, после чего получили решение для автоматизации. Теперь, если заявка нецелевая, бот сам оповещает пользователя, что он перешёл с сайта другой компании на сайт Jivo, и объясняет, как вернуться на предыдущую страницу. А если запрос целевой — автоматически переключает потенциального клиента на оператора Jivo без отправки шаблонного ответа. С внедрением СберБизнесБота нагрузка на техподдержку Jivo снизилась на 50%.

Техподдержка крупной компании может столкнуться с серьезными трудностями, если не будет использовать автоматизацию. Это и перегруженность типовыми обращениями, что ведёт к быстрому выгоранию и текучке сотрудников; и разрастание штата, для которого нужно выстраивать грамотную координацию и управление, иначе службе грозит неэффективность или даже распад на отдельные подразделения.

Собрали для вас ряд советов, как грамотно внедрить автоматизированную техподдержку.

Используйте чат-бота или голосовой помощник для первой линии техподдержки, чтобы решать типовые запросы.

01

Чтобы избежать негатива, не отправляйте бота «в свободное плавание», пока он не обучится до нужного уровня. Для этого есть три пути:

• Купить интегрированное решение. Это эффективно, но довольно дорого.
• Подготовить данные для обучения робота, провести тщательный сбор и разметку.
• Подключить ИИ и обучать его во время совместной работы с оператором. Такие решения также есть на рынке.

02

Ни чат-бот, ни голосовой помощник пока не могут полностью заменить операторов техподдержки. Но они могут взять на себя множество рутинных запросов. А у сотрудников службы поддержки появляется больше времени на разбор сложных обращений. В результате качество работы техподдержки повышается, а отзывы клиентов о её работе становятся лучше. При этом бизнес может не тратиться на бесконечное расширение отдела техподдержки даже при масштабировании продукта, что даёт явное преимущество перед конкурентами.

Предиктивный анализ позволяет прогнозировать будущие тенденции и поведение клиентов на основе исторических данных. Метод уже доказал свою эффективность в различных отраслях, включая розничную торговлю, банковское дело и производство. Применение предиктивного анализа помогает компаниям не только улучшить свои продажи, но и оптимизировать процессы.

Применяя алгоритмы машинного обучения и обработки больших объемов данных, компании могут точно прогнозировать спрос и предвидеть другие события в бизнесе. Например, определить наилучшее время для отправки рассылки, выявить интересы клиента и оценить его платежеспособность.

Почему это важно:

•

Помогает оптимизировать предложение продуктов;

•

Уменьшает издержки на их хранение;

•

Уменьшает затраты на логистику;

•

Повышает удовлетворенность клиентов за счет персонализированных предложений;

•

Повышает вероятность повторных покупок.

Анализ покупательской информации с помощью предиктивных моделей позволяет сделать маркетинговые кампании более индивидуальными, а значит, более привлекательными и точными для клиентов. А магазины могут получать больше информации для планирования акций и скидок, что в итоге приводит к росту выручки и снижению издержек.

Сегодня уже существуют нейронные сети, которые могут прогнозировать спрос. Вот несколько примеров платформ, обеспечивающих интеграцию, очистку и анализ данных для принятия более эффективных управленческих решений:

•

Loginom. Создан для анализа и обработки бизнес-данных на базе методов визуального проектирования: можно делать предиктивный анализ без кода.

•

SAS Enterprise Miner. Эта платформа помогает улучшить процесс анализа данных, когда создаётся модель с использованием определенных методов и визуальных инструментов для оценки результатов.

•

In-DAP. Эта платформа помогает руководителям принимать управленческие решения. Она предоставляет инструменты, такие как Models, Indicators и Prisma, которые позволяют разрабатывать аналитические модели и работать с показателями деятельности компании.

Предиктивная аналитика не ограничивается прогнозами трендов и рисков. Она способна предсказывать будущее: сделают ли клиенты повторный заказ; удастся ли привлечь новых клиентов из той же ЦА. Поэтому знакомство с ней и внедрение современной системы аналитики на базе ИИ поможет не только существенно снизить издержки компании, но и повысить прибыль.

Интеграция AI в e-commerce помогает компаниям улучшить эффективность своих операций, повысить удовлетворенность клиентов и добиться конкурентного преимущества на рынке. Для клиентов такой симбиоз также несёт ряд преимуществ: экономит время, помогает снизить затраты и превращает шопинг из тяжелой рутины в развлечение.