4 примера применения AI и ML технологий в бизнесе: от PepsiCo до сети ресторанов “Узбечка”

В современном мире интеграция искусственного интеллекта (AI) и машинного обучения (ML) кардинально поменяла подходы к бизнес-процессам. Маркетплейсы, банки, фабрики и образовательные платформы — искусственный интеллект открывает новые возможности для всех направлений онлайн и офлайн. AI-технологии улучшают клиентский опыт и оптимизируют операционную деятельность. В этой статье мы рассмотрим четыре примера, как AI и ML применяются в ресторанном бизнесе, розничной торговле и электронной коммерции.

Описанные в материале решения дают краткое представление о таких направлениях в AI, как:

Для PepsiCo была интегрирована передовая AI-модель распознавания товаров и ценников на полках магазина путем интеграции с мобильным приложением для аудиторов. В данном решении использовалась модель image detection, оптимизированная для работы в режиме реального времени на ресурсах мобильного телефона.

Технология распознавания изображений в оффлайн ритейле позволяет компьютерным системам анализировать и идентифицировать содержимое изображений: анализировать видеопотоки с видеокамер магазина и путем анализа потокового видео с девайсов и распознавать объекты, включая полки, ценники, товары и покупателей.

В данном случае система распознавания помогала быстро, непосредственно во время записи с видео на телефоне, определить корректность расположения товаров на полках согласно планограмме, распознать товары и из цены, и предоставить анализ корректности оговоренных цен на товары производителя в данной точке продаж и сравнение с ценами на товары производителя и его конкурентов других точках продаж.

По результатам данного анализа становится возможным выявить нарушения в работе персонала, обеспечивающего товарное расположение на полках магазинах, а также оперативно производить коррекцию ценовой политики, исходя из цен в различных точках и цен на товары конкурентов.

Как итог — улучшить мерчендайзинг и повысить эффективность продаж для PepsiCo и других компаний в сфере розничной торговли.

ИТОГИ:

13% снижение расходов на трудозатраты мерчандайзеров и аналитиков

Из-за большого выбора контента на фитнес-платформе fitstars пользователи не могут выбрать подходящий курс и быстро покидают сайт, не продлевая подписку. На основе анализа исторических данных о паттернах поведения пользователей на платформе, была разработана ML-модель, которая предоставляет персонализированные рекомендации видео-уроков, подходящих его уникальным потребностям и предпочтениям.

В текущем решении используются системы user based и item based, где подбор рекомендаций основан на анализе предыдущего поведения пользователей и сравнении их между собой или с аналогичными объектами. В user based подходе рекомендации подбираются на основе действий похожих пользователей (например, смотревших одинаковые уроки), а в item based - на основе анализа характеристик объектов (например, тренеров или типа спортивной нагрузки). Кроме того, система учитывает дополнительные данные, такие как наличие спортивного инвентаря, времени, которое человек может потратить на тренировку, его цели и уровень подготовки пользователя.

ИТОГИ:

На 6 минут увеличилось среднее время проведенное на сайте

7% рост конверсии

Наш клиент — ресторан "Узбечка" сталкивается с несколькими проблемами, затрудняющими точную оценку спроса и оптимизацию операционных процессов. Возникают сложности в расчете выручки на следующий период из-за изменяющихся внешних факторов, а также ошибки в оценке спроса приводят к излишним затратам на приготовление блюд, списанию продуктов и неэффективному использованию персонала. Кроме того, ресторан имеет внутренний KPI на приготовление заказа, который необходимо соблюдать.

В качестве решения специалисты FlexiTech.ai предложили ML-модель для прогнозирования спроса и оптимизации операционных процессов. Данная модель основана на анализе исторических данных о количестве заказов, интеграции внешних данных, таких как погодные условия, и создании обучающегося алгоритма для прогнозирования ожидаемого количества заказов на горизонте в две недели вперед.

В результате мы смогли достичь всех поставленных бизнес-задач и добиться:

ИТОГИ:

Снижение затрат на продукцию на 12%

Соблюдение KPI на приготовление заказа

Прозрачное и точное планирование выручки

Падение серверов в результате ошибок или аномально высоких нагрузок для крупного e-commerce Macy's ведет к большим потерям — даже несколько секунд недоступности сайта может привести к потери миллионов долларов.

В случае с нашим клиентом, крупнейшей американской розничной сети универмагов в США, системная архитектура огромна и нет возможности учитывать вручную отслеживать все параметры, влияющие на ее работоспособность.

Используя технический стек технологий big data стек клиента на основе технологий Apache, инфраструктуры GCP и дашборда Grafana мы интегрировали в него разработанную ML модель на основе Hierarchical Temporal Memory (HTM), способную отслеживать аномалии в работе серверов описывающая их причины. Именно это внедрение помогло избежать более 20 потенциально приводящих к падению серверов ошибок во время проведения Black Friday.

ИТОГИ:

Отслежены более 20 крупных ошибок во время проведения крупнейшей распродажи (Black Friday)

Потенциал искусственного интеллекта и машинного обучения в бизнесе огромен. Представленные четыре кейса от команды FlexiTech.ai демонстрируют, что эти технологии могут быть применены в уникальных и неожиданных направлениях для стимулирования общего роста прибыли компании и отдельных ее сегментов. От обнаружения аномалий до персонализированных рекомендаций, способность использовать инсайты, полученные из данных, позволяет компаниям принимать обоснованные решения, обеспечивать уникальный опыт клиентов и получать конкурентное преимущество на рынке.