Создали ИИ-модель, чтобы повысить скорость доставки и увеличить конверсию. Рассказываем, что получилось

Главная цель любого интернет-магазина — привлечь клиента и сделать так, чтобы он оформил заказ. Впрочем, на этом работа не заканчивается. Нередко по тем или иным причинам сделка срывается, и вслед за оформлением следует отмена. Чаще всего заказы отменяются из-за отсутствия необходимого товара у поставщика или задержек с его доставкой.

К сожалению, интернет-магазины не всегда могут повлиять на данные аспекты, но частично обезопасить себя вполне реально. О том, как повысить конверсию при помощи работы с товарными остатками, рассказывает руководитель управления операционной эффективностью «Сантехники-Онлайн» Алексей Худов.

40 регионов присутствия, 110+ тысяч товаров на витрине и более 1500 отгруженных заказов ежедневно — в подобном ритме практически невозможно вручную уследить за тем, чтобы всего всегда хватало и каждое изделие вовремя попадало в руки владельца. В нашей практике бывало, что клиентам приходилось ждать товары дольше обычного, а порой их и вовсе не удавалось заказать по причине отсутствия на складе у поставщика. Подобные ситуации, естественно, категорически нас не устраивали, и мы приступили к решению проблемы.

В первую очередь мы сформировали цели и обозначили шаги, необходимые для достижения положительного результата.

Конечные цели

1. Минимизировать отказы, вызванные отсутствием товара у поставщика

2. Ускорить передачу товара клиенту

Пути решения

1. Увеличение количества SKU и общего числа изделий на собственном складе
2. Наличие релевантной информации об остатках на складах поставщиков
Помимо целей и способов их достижения мы выделили основные ограничения, с которыми так или иначе нам пришлось бы столкнуться.

Ограничения

1. Физическое (пространство складских помещений имеет свойство заканчиваться)

2. Материальное (любой товар стоит денег, и бесконечно увеличивать закупки невозможно)

Исходя из всего вышеперечисленного, мы сформировали 2 задачи. Первая заключалась в создании автоматической модели, способной самостоятельно высчитывать, какой товар и в каком объеме следует закупить. Вторая предполагала взаимную интеграцию с поставщиками для обмена информацией об остатках.

Начали мы с первой задачи, и практически сразу столкнулись с препятствием в виде большого количества единичных, но стабильных продаж. Ручные методы не позволяли сделать качественный прогноз, исходя из полученных данных, поэтому пришлось обратиться к data-аналитикам. Вместе с ними мы стали формировать модель машинного обучения, которая смогла бы прогнозировать продажи на выбранный период по всему портфелю SKU и в соответствии с этим закупать необходимые товары.

Изначально мы хотели просто хранить на складе месячный запас товаров, но довольно быстро осознали, что на данном этапе это невозможно: компании просто не хватило бы складских помещений, чтобы удовлетворить запросы.

Итерацию пришлось повторить, добавив параметр вероятности продажи за определенный период, а также понятия нормативного и страхового остатка. Под нормативным остатком мы подразумеваем количество товара, который мы хотим держать для продаж на заданный промежуток времени, а страховой остаток является крайней отметкой, когда нужно инициировать закупку товара у поставщика.

Со второй попытки мы добились желаемых результатов: процент ошибки модели составил всего 7%, что даже превосходило наши первоначальные ожидания. Тем не менее, полноценно использовать модель мы все еще боялись, и запустили тестирование на нескольких категориях. В течение 3-4 недель команда следила за показателями, после чего руководство дало добро, а мы полноценно настроили программу и отправили ее в свободное плавание.

Следует отметить, что все SKU мы разделили на 2 портфеля: те, которые нам необходимо иметь на складе, и те, которые мы не хотим хранить у себя, но предпочли бы знать, есть ли они у поставщика. Для комфортной работы со второй группой товаров нам по-прежнему следовало наладить интеграцию с партнерами

Чтобы решить эту задачу, мы создали «розетку» — специальный портал, подключившись к которому поставщик моментально передавал нам информацию об остатках. «Розетка» была настроена на обновление в режиме реального времени и позволяла автоматически инициировать закупку, что существенно упростило операционную работу.

Удивительно, но решение всего двух задач помогло нам улучшить показатели сразу в нескольких направлениях.

Чего мы добились?

Для большей наглядности приведем несколько числовых показателей. До реализации модели автоматического пополнения около 76% от общего числа заказов заканчивались покупкой. Сейчас конверсия составляет 86%. Существенно снизился период оборачиваемости товаров: если раньше он составлял 22 дня, то теперь всего 10. Также более чем в 2 раза сократился процент отказа клиентов по причине отсутствия необходимого изделия. Ну и наконец самый важный параметр: покрытие продаж матрицей хранения. Раньше мы покрывали 15% оборота теми позициями, которые вручную завозили на склад, сейчас же благодаря технологии прогнозирования вероятности продажи и системе автозакупки, этот показатель увеличился до 60%.

Надеемся, что эта статья окажется полезной для вас и вы сможете использовать наш опыт для развития собственного бизнеса. Еще больше кейсов и интересных материалов уже доступны в нашем профиле. Переходите, подписывайтесь и задавайте любые вопросы в комментариях — мы будем рады ответить!