Размер глобального онлайн-продуктового рынка был оценен в 189,81 миллиарда долларов США в 2019 году, и, по прогнозам, с 2020 по 2027 год CAGR составит 24,8%. Ожидается, что рост располагаемого дохода и растущая склонность людей к комфорту будут стимулировать рост рынок за прогнозируемый период.
В связи с ростом спроса на онлайн-платформы доставки продуктов на фоне блокировки коронавируса, JioMart - это попытка Reliance Industries заработать на рывке в этом сегменте.
Таким образом, доставка продуктов - это отличная возможность для бизнеса заработать на удобстве клиентов, заказывающих продукты из дома. В этой сфере есть огромные возможности машинного обучения. Только в Индии есть Flipkart, Amazon, Jiomart, Swiggy, big Basket и другие, которые делают ставку на пространство для обслуживания продуктовых магазинов.
Вчера я читал статью о том, как Instacart (компания по доставке продуктов из Сан-Франциско) решает сложные и сложные бизнес-задачи, связанные со службой доставки продуктов. Я также сравню его с магазинами Swiggy, которые недавно были запущены Swiggy для доставки продуктов в Индии, что очень популярно в Индии, потому что обе эти компании находятся в одном пространстве и имеют общие проблемы, сравнение их имело бы смысл.
Краткое описание проблем, которые эта компания решает с помощью решений для анализа данных и мл:
- Реклама продуктов - это бизнес-модель Instacart, направленная на стимулирование продаж продуктовых магазинов. Таким образом, увеличение коэффициента конверсии клиентов за счет рекламы и нацеливания клиентов на нужные продукты или магазины принесло бы Instacart доход. Около 30% всех покупок, совершаемых в Instacart, приходится на рекламируемые товары.
2. Увеличение трафика в конкретный магазин для видимости также увеличивает возможности Instacart для получения дохода, поскольку владельцы продуктовых магазинов готовы платить, если на их странице появляется много нового покупательского трафика. Они получают значительную часть дохода.
3. Им также нужна оценка того, насколько процент ML может улучшить операционную эффективность, что проливает свет на различные A / B-тесты, которые можно провести.
4. Им также нужен прогноз того, сколько клиент тратит на их услуги, чтобы спрогнозировать спрос, который имеет важное значение для достижения равновесия между спросом и предложением.
5. Также необходимо знать, сколько клиентов являются постоянными клиентами, которые совершают покупки на регулярной основе, с помощью чего они могут разработать интеллектуальные алгоритмы для заблаговременного прогнозирования своих потребностей.
6. Существует большая разница в прогнозировании времени доставки заказа в зависимости от различных факторов, таких как погода, состояние дороги, спешка в магазине, сколько времени потребуется магазину, чтобы упаковать заказ и доступность. агентов по доставке и т. д. и т. д. Так что здесь есть много возможностей для науки о данных.
7. Им также необходимо выявлять клиентов по их поведению. Есть 3 типа клиентов: один будет идти вперед и делать покупки. Два, которые ушли из-за плохих вариантов доставки, и три были здесь, чтобы просмотреть, а не купить.
8. Можно также визуализировать удовлетворенность клиентов, используя гистограмму, где по оси x у вас есть время на доставку, а по оси Y у вас есть счастье клиентов.
9. Instacart также строит свою собственную модель времени в пути для агента по доставке, чтобы доставить заказ конкретному клиенту, поскольку большинство заказов являются повторными заказами, и существует высокая вероятность того, что эти события можно предсказать с высокой степенью уверенности. .
10. Динамическая рекомендация товаров пользователю (что может быть интересно ему) также повысит конверсию.
Как мы видим, у науки о данных / машинного обучения очень много возможностей для повышения операционной эффективности доставки продуктов. Это заинтересовало меня узнать, доступны ли мне какие-либо данные, чтобы я мог попробовать эти вещи. К счастью, Instacart объявил конкурс на Kaggle, который в основном просит вас предсказать, какие товары будут в следующем заказе пользователя.
Примечания к данным:
- Набор данных анонимный, поэтому нет никакой личной информации о клиенте, которая действительно повышает ценность прогнозов, но это не должно быть проблемой.
- Объем данных огромен: 3 миллиона заказов от 200 000 клиентов.
Последовательность покупки продуктов может дать очень много информации. - Отметки времени действительно важны для прогнозирования поведения клиентов, поскольку они не станут покупать продукты, пока они не воспользуются им и не потребуются снова. Есть много интуитивных догадок, например, некоторые продукты могут быть куплены клиентом в первую неделю месяца, он также может изменить заказ определенных товаров на основе своих предыдущих покупок. Так много возможностей для науки о данных.
Я делаю эту статью частями как серию, поэтому в следующей статье я подробно расскажу о изучении данных и сделаю выводы из того, что я нашел. Я также подготовлю почву для некоторых идей базовой модели, которые упростят сравнение нашей модели машинного обучения с наивной моделью и решат, действительно ли она работает или нет.
Я очень рад работать над этим проектом, пожалуйста, хлопайте в ладоши или оставьте комментарий, если вы нашли эту статью информативной, а также дайте мне знать, если у вас возникнут какие-либо вопросы. Я с нетерпением жду того, что вы скажете в комментариях, и с нетерпением жду следующей части «Изучение данных Instacart».
2. https://www.kaggle.com/c/instacart-market-basket-analysis/data
