Всем привет! Меня зовут Святослав Корсун, CEO компании MEN IN DEV. Наш руководитель ML-направления, Савелий Батурин, поделился мыслями о взаимодействии ML и FoodTech, которые будет полезно знать всем, кто развивает и работает в этой отрасли.
Ведь при запуске бизнеса в сфере FoodTech каждый сделанный шаг имеет значение. В мире, где правят данные, понимание, как использовать их для прогнозирования будущего — ключ к успеху. Тут на сцену и выходят предиктивная аналитика с рекомендательными системами. Но обо всем по-порядку.
АНАЛИТИКА В FOODTECH
Аналитика — основной орган чувств для бизнеса. Без нее чрезвычайно трудно принимать правильные стратегические решения. Если у бизнеса не настроен механизм сбора, обработки и анализа данных — его будущее сомнительно.
В каких случаях аналитика полезна в FoodTech индустрии:
- Отслеживание эффективности каждого производственного этапа продукта
- Детальное отслеживание пути товара до конечного потребителя
- Отслеживание эффективности работы персонала
- Мониторинг динамики рынка
- Оценка финансовых показателей, как конечных метрик эффективности бизнеса (выручка, расходы, доходность и т.д.)
- Оценка эффективности проведения маркетинговых кампаний
- Проведение AB-тестов с целью отследить эффект от внедрения новых технологических решений
- Прогнозирование поставок и списаний товаров
- Построение рекомендательных систем
- И многое другое
Все такие расчеты можно делать и в excel таблицах, но отсутствие соответствующей аналитической инфраструктуры ограничит бизнес в его способности масштабироваться как вширь, так и вглубь.
БУДУЩЕЕ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ
Мы рассмотрели множество способов применения аналитики в реальных задачах из сферы FoodTech. Остановимся подробнее на тех из них, в которых необходимо сделать предсказание на основе имеющихся исторических данных и текущего контекста — множество подобных подходов и называют предиктивной аналитикой.
Предиктивная аналитика в FoodTech становится неотъемлемой частью стратегии развития бизнеса. В этой области машинное обучение играет ключевую роль, обеспечивая компаниям возможность не только своевременно реагировать на изменения, но и предсказывать их в автоматизированном режиме.
Одним из супер показательных примеров применения машинного обучения в предиктивной аналитике является создание персонализированных рекомендательных систем. Путем анализа предпочтений потребителей на основе их истории покупок и текущего контекста, алгоритмы могут предложить индивидуальные рекомендации продуктов, что улучшает пользовательский опыт, увеличивает конверсию и средний чек. В последнее время данное направление стремительно развивается, появляется множество новых подходов, основанных в том числе и на нейросетях. Нейросети позволяют учитывать огромное количество факторов, начиная историей покупок пользователя и заканчивая текущей фазой луны. Выбор нужных факторов, конечно, зависит от конкретной задачи и является неотъемлемой частью разработки системы.
Кроме того, прогнозирование спроса на основе данных о покупках и внешних факторах, таких как погода или сезонные тенденции, помогает компаниям оптимизировать производственные и логистические процессы, управлять запасами и предотвращать потери из-за излишков или нехватки товаров.
Таким образом, внедрение ML не только повышают эффективность бизнеса, но и помогает компаниям выйти за рамки традиционных стратегий FoodTech индустрии, генерируя все новые и новые преимущества для своих продуктов.
НА ПОНЯТНЫХ ПРИМЕРАХ
Забота о клиенте в эпоху цифровизации достигла новых высот, и это прекрасно видно на примере сети ритейл магазинов Далимо и ВкусВилла. Применение ML для персонализированных рекомендаций при покупке не только делает шоппинг более удобным и приятным, но и ощутимо увеличивает средний чек, как было замечено в Далимо, где средний чек увеличился на впечатляющие 7%.
Кажется, магия? Но нет, это наука и технологии! Использование машинного обучения позволяет сетям ритейлеров, таким как ВкусВилл, увеличить конверсию на 10%, предлагая покупателям именно то, что им нужно, даже если они об этом еще не знают. Это все равно что иметь личного помощника при каждом посещении магазина!
Искусственный интеллект также вносит свой вклад в оптимизацию внутренних процессов. Так, в Додо пицца внедрение системы прогнозирования расходов позволило компании сэкономить до 54 миллионов рублей в год. Экономия за счет предсказуемости – ведь ML-системы могут с удивительной точностью прогнозировать потребности в ингредиентах и товарах, что минимизирует излишние расходы.
Более того, успешные примеры таких гигантов ретейла, как X5 Retail Group и Амазон, показывают, насколько велика роль ML в достижении высоких коммерческих результатов. Персонализированные предложения и умные рекомендации уже привели к значительному росту среднего чека и увеличению продаж. Это создание нового, качественного опыта для каждого клиента.
Все эти примеры подтверждают одну простую истину: интеграция ML в FoodTech не только эффективна, но и необходима для прогресса в сфере обслуживания и производства пищи. Со своей стороны, мы продолжим развивать и реализовывать новейшие технологии, чтобы сделать ваш опыт еще более удобным и приятным.
ФАКТОР ТЕНДЕНЦИЙ
Даже в рамках одного года вряд ли кто-то сможет дать точный прогноз развития ML в целом. Ну уж слишком стремительно развиваются технологии, взять например те же Sora и ChatGPT от OpenAI.
Однако, нетрудно видеть тенденцию на персонализацию пользовательского опыта, с чем отлично справляются рекомендательные системы. Даже некоторые web-страницы подстраиваются под поведение пользователя, что уж говорить о чем-то более приземленном. Скорее всего совсем скоро появятся коробочные решения, которые позволят бизнесу любого калибра применять современные технологии, ориентируясь в первую очередь на свои собственные потребности и возможности.
Еще стоит ожидать полную автоматизацию систем принятия решений, связанных с закупкой товаров, распределением поставок, установкой цен, проведением маркетинговых кампаний и т.д. Да-да, не удивляйтесь, это тоже все про предиктивную аналитику.
ПОДЫТОЖИМ
FoodTech - это увлекательный и динамичный мир, в котором некогда стандартный бизнес с внедрением машинного обучения способен превратиться в настоящую науку. Мы видим, как эти технологии уже сейчас улучшают каждый аспект производства, качество продукции и опыт потребителей.
В будущем машинное обучение станет ключом к прогнозированию спроса, оптимизации логистики и созданию уникальных продуктов. Бизнесы, которые своевременно осваивают новейшие технологии станут лидерами индустрии и ориентирами для всех остальных - так происходило, происходит и ещё не раз произойдет.