Машинное обучение: приложения для розничной торговли

В такой конкурентной и быстроразвивающейся отрасли, как розничная торговля, существует реальная потребность в автоматизации и более глубоком анализе данных для выявления закономерностей, поддерживающих рентабельные и точные решения. Недавние инвестиции True в технологии, основанные на искусственном интеллекте (AI) (FunnelAI и ThirdEye), демонстрируют ориентацию на эту технологию и ее возможности в секторах, в которые мы инвестируем: розничной торговле и потребителях.

По мере того, как машинное обучение (ML) набирает обороты, мы почувствовали, что важно копнуть под поверхностью основных дискуссий и рассмотреть эту ускоряющуюся зарождающуюся технологию с точки зрения этих отраслей.

Искусственный интеллект, машинное обучение и глубокое обучение - разница между ними

Прежде чем мы углубимся непосредственно в приложения для машинного обучения, стоит понять определения и различия машинного обучения, искусственного интеллекта (ИИ) и глубокого обучения.

Создавая машину с искусственным интеллектом («ИИ», мы стремимся создать такую ​​машину, которая включает в себя человеческие способности. Как и люди, машины с искусственным интеллектом должны уметь рассуждать, учиться, выражать, запоминать, видеть (например, «просматривать»), слышать, говорить, двигаться, планировать наперед и, возможно, предвидеть, мечтать и воображать.

Машинное обучение - как следует из названия - позволяет машинам учиться и является подмножеством функций ИИ. Так же, как люди могут учиться по-разному - например, Принимая во внимание советы родителей и просматривая боевики, мы узнаем, что падение с высоты приводит к травмам. Точно так же машины могут учиться по-разному.

Эти методы обучения представлены в виде алгоритмов, а одна из алгоритмических категорий - глубокое обучение.

Применение машинного обучения в реальных сценариях розничной торговли

Несмотря на новые разработки, увеличение финансирования и более широкую дискуссию об искусственном интеллекте, существует множество предположений о том, что мы находимся - или приближаемся - к пику цикла ажиотажа. Напротив, машинное обучение никогда не оказывало большего влияния на нашу повседневную жизнь - беспилотные Tesla и роботы-доставщики, Facebook, используемый для манипулирования выборами, маркетологи, получающие прогнозы клиентов. Некоторые из этих приложений все еще находятся в стадии становления, что доказывает, что мы только начинаем работать, в то время как более зрелые секторы доказывают, что, если все сделано правильно, ML может иметь огромное влияние.

Общие знания о машинном обучении и о том, как его можно применять, резко выросли в последние годы, и, помимо расширения доступа к информации, два других фактора способствуют текущим разработкам в области машинного обучения:

  1. Данные - теперь мы можем собирать больше данных более эффективно
  2. Снижение стоимости вычислительной мощности

Благодаря расширенному доступу к знаниям и данным, а также доступным вычислительным ресурсам революция машинного обучения никуда не денется; и независимо от того, является ли он важным компонентом или усовершенствованием существующей системы в стеке технологий, малые и крупные предприятия эффективно используют ML.

Типы проблем, решаемых моделями машинного обучения

В 2019 году ML доказывает свою эффективность, поскольку может решить пять типов проблем:

  1. Прогноз
  2. Кластеризация (группировка)
  3. Ассоциация
  4. Генерация (например, создание изображения или строки темы электронного письма)
  5. Обучение методом проб и ошибок (например, заставка робота поднимать предметы)

На рисунке ниже пять проблем помещены в реальный контекст:

Применительно к экосистеме розничной торговли существует ряд сценариев, которые можно использовать для объяснения того, как можно развернуть машинное обучение, и что необходимо учитывать заинтересованным сторонам при их развертывании.

Маркетинг электронной коммерции и взаимодействие с клиентами №1

Предположим, воображаемый магазин электронной коммерции хочет сделать процесс покупок более персонализированным и увеличить процент посещений, завершившихся транзакцией. При применении подхода на основе машинного обучения одно возможное решение может выглядеть примерно так.

Во-первых, мы будем использовать поведенческие и категориальные точки данных предыдущих посетителей, чтобы найти группы пользователей. Каждый кластер состоит из пользователей, которые индивидуально немного отличаются, но достаточно похожи, чтобы сформировать группу людей, которые демонстрируют похожее поведение.

Затем маркетологи будут создавать разные типы контента для всех кластеров. По мере того, как новые пользователи входят на сайт, будет определен кластер, к которому они принадлежат, и соответствующие изменения в содержании будут применены к сайту.

Этот пример демонстрирует, как использовать кластеризацию для персонализации веб-сайтов. Для обучения такой модели вам потребуются исторические данные о посетителях веб-сайта.

Аналогичный набор данных можно использовать для увеличения процента посещений, включающих транзакцию. Для этой модели машинного обучения проблема, с которой сталкивается менеджер электронной торговли, может быть следующей:

«Какие продукты я должен предлагать своим посетителям, чтобы увеличить количество сеансов с транзакциями?»

Предлагаемая задача отличается от максимизации денежной выгоды, поскольку последняя включает больше переменных - уровни запасов, дисконтирование и т. Д. - и поэтому становится более сложной задачей.

Сначала мы должны подготовить набор данных, чтобы иметь как можно более полное представление о характеристиках каждой транзакции. Частью процесса подготовки является обогащение данных - например, использование сторонних поставщиков для сбора сведений о пользователях на основе их электронной почты и / или IP-адресов, а затем использование этого для понимания характеристик каждого сеанса с транзакцией, а также каждого сеанса. сессия без транзакции. Эту информацию можно свести в таблицу.

После обучения модели каждой точке данных - функции - присваивается вес важности. Чем больше вес, тем важнее эта функция для совершения транзакции пользователем. Товар - это одна из характеристик транзакции, характеристика транзакции. В машинном обучении все является реляционным - и поэтому с учетом данных функций (включая продукт), каков прогноз для транзакции?

В процессе производства эта модель затем поменяла бы функцию продукта на все продукты, для которых нам нужен прогноз транзакций. Поскольку некоторые функции постоянно меняются - время нахождения на сайте, просмотр продукта и т. Д. - интернет-магазину придется постоянно переоценивать вероятности транзакций.

Эти два примера должны дать некоторое представление о том, как работают модели машинного обучения, хотя важно понимать, что критически важной частью внедрения таких моделей в производство является создание ограничений на их основе. Прогнозирование вероятности транзакции - это всего лишь один нюанс, который вместе с допустимым диапазоном скидок, нормой прибыли продуктов, уровнем запасов, одновременным спросом и многими другими критическими факторами должен сформировать окончательный механизм принятия решений, который поддерживает маркетинг.

№2. Изучение продуктов и мониторинг ландшафта

Менеджеры розничной торговли могут успешно использовать машинное обучение, чтобы лучше понять продукты, предлагаемые другими конкурентами в больших масштабах. Задача состоит в том, чтобы обучить модели машинного обучения контексту исследуемых продуктов.

Например, если менеджер по продукту электронной коммерции хочет отслеживать 10 конкурирующих предприятий электронной коммерции и получать визуальный обзор предлагаемых продуктов.

Раньше мы работали бы с данными клиентов - получая доступ к этим данным, созданным нашими пользователями, в структурированном формате в базе данных. На этот раз мы будем регулярно очищать 10 конкурирующих предприятий электронной коммерции. Нам также необходимо знать, какую информацию с очищенных веб-сайтов мы хотим сохранить. Наконец, нам нужно будет «пометить» сохраненную информацию - маркировка обеспечивает контекст для моделей машинного обучения.

Проблема такого подхода заключается в его масштабируемости - каждый раз, когда появляется новый магазин электронной коммерции, который необходимо отслеживать, разработчикам необходимо определить, какую информацию сохранять и какие метки необходимы для сопоставления различных полей.

На основе собранной информации затем можно разработать информационную панель для менеджеров, в которой модель машинного обучения без учителя объединяет набор данных в кластеры для облегчения изучения. Затем пользователи могут исследовать такой кластер, выбирая различные целевые переменные или узлы цветового сопоставления (то есть точки в кластерах) в соответствии со значениями.

Такие информационные панели помогают пользователям изучить свои наборы данных и лучше понять характеристики набора данных - будь то пользователи и их поведение, сообщения в социальных сетях, продукты электронной коммерции и т. Д.

№ 3 Производство и обучение с подкреплением

Мы рассмотрели примеры для двух наиболее часто используемых приложений машинного обучения - прогнозирования и кластеризации. Эти подходы могут найти важное применение в складском хозяйстве и управлении цепочками поставок, например, для прогнозирования спроса на продукты и соответствующего управления запасами. Тем не менее, робототехника и складские услуги отлично подходят для метода машинного обучения, называемого обучением с подкреплением.

Планирование инвентаризации в прошлом требовало значительного количества проб и ошибок, потому что необходимо принимать во внимание множество факторов, которые по своей сути являются неопределенными. С помощью машинного обучения можно изучить несколько параметров, чтобы принимать обоснованные решения на основе обширного анализа данных. При использовании артикулов розничным торговцам уже доступен значительный объем данных, но в прошлом они полагались на исторические данные и часто игнорировали такие факторы, как частота продвижения, каннибализация рынка и сезонные изменения, которые слишком сложны для традиционного инструмента прогнозирования. -наборы. Вот где машинное обучение предлагает различные решения.

В предыдущих примерах развивалась закономерность - для обучения модели люди должны были подготовить набор данных. Будь то маркировка характеристик очищенных веб-сайтов или подготовка набора данных с пользовательскими взаимодействиями и атрибутами, общий подход был одинаковым.

Однако с помощью обучения с подкреплением мы можем обучать модели в смоделированных средах и без помеченных наборов данных. Вместо этого интеллектуальная система вознаграждается каждый раз, когда достигает цели, которую определили мы, люди. Такой целью может быть, например, удар по мячу в игре в пинг-понг. Кроме того, людям необходимо наметить возможные действия интеллектуальной системы - опять же, в пинг-понге, которые будут двигаться слева направо.

Это создает основу для понимания интеллектуальной системой, какое поведение приводит к вознаграждению со стороны окружающей среды, и, таким образом, интеллектуальная система может обучать себя методом проб и ошибок. При этом нам, людям, не нужно маркировать исторические данные; скорее нам нужно наметить возможности, ограничения и механизм вознаграждения, и позволить интеллектуальной системе выяснить, как с этим играть.

Обучение с подкреплением имеет огромный потенциал в автоматизации производства и розничной торговли. Например, разработчики могут разработать роботизированную руку для подбора предметов в симуляции. После достижения определенного уровня точности модель можно использовать для переноса в реальную среду, где физическая рука робота может попытаться поднять реальные предметы. Что делает использование машинного обучения еще более мощным в робототехнике, так это тот факт, что роботы могут учиться друг у друга - если одна рука робота уронила предмет, который должна была поднять, все другие руки роботов получат ту же информацию, которая будет возвращена обратно. их.

Подведение итогов

Отрасль розничной торговли и потребительских товаров требует больших объемов данных, и многие предприятия розничной торговли работают по нескольким каналам. Для получения осязаемой информации из данных, собранных по этим множественным каналам, необходимо использовать алгоритмы и модели, которые могут обрабатывать огромные наборы данных и извлекать уроки из них, а также делать действенные прогнозы и рекомендации. Например, механизмам рекомендаций необходимо полагаться на большие наборы данных, чтобы поддерживать интерес потребителей, и когда они все делают правильно, они помогают розничному продавцу прогнозировать спрос и заблаговременно принимать решения о поставках. Оптимизация цен - еще одна область, в которой необходимо учитывать ряд параметров, что затрудняет освоение некоторыми устаревшими программными инструментами и человеческим мозгом. Алгоритм машинного обучения может создать несколько деревьев решений на основе множества подгрупп, прежде чем объединить все в комплексную прогнозную модель и, в конечном итоге, предложить оптимальную цену на продукт на определенную неделю или даже день месяца.

Революция машинного обучения реальна - и ее приложения в розничной торговле огромны. Компании, которые понимают преимущества машинного обучения и, таким образом, применяют правильную методологию, правильное программирование для решения правильных задач, должны получить наибольшую выгоду.