После ухода западных компаний российские разработчики активно перестраиваются под запросы местных компаний — этот процесс затрагивает всю структуру рынка. Мы поговорили о происходящем с представителями компании Rubbles, которая занимается созданием аналитических решений для ритейла и других индустрий на базе искусственного интеллекта и машинного обучения — в том числе обсудили, как разработчики справляются с возросшим спросом и в чём ключевые преимущества отечественных интеллектуальных решений для ритейла.
Справка. Компания Rubbles занимается разработкой аналитических решений для бизнеса на основе больших данных, технологий искусственного интеллекта и машинного обучения. Компания работает с крупнейшим бизнесом страны в различных отраслях — от ритейла до обрабатывающей промышленности, телекоммуникаций и банков.
В беседе приняли участие:
Александр Зараковский — Директор по продуктам Goods Analytics Platform.
Дмитрий Макеев — Директор по продуктам Customer Value Management.
— Что сейчас происходит на рынке после ухода зарубежных производителей ПО? Как российские разработчики справляются с возросшим спросом?
Александр Зараковский: Конечно, спрос на российское ПО возрос в разы по сравнению, например, с предыдущим годом. Не все разработчики были готовы к такому росту, потому что большинство российских программных продуктов находились на более ранних этапах развития, чем западные аналоги. Мы же в Rubbles давно конкурировали с западными вендорами на равных, поэтому сейчас видим сильный рост спроса на наши продукты, к которому мы были готовы.
Дмитрий Макеев: Все наши заказчики, в том числе ритейлеры, разделились на два лагеря. Первые пользовались зарубежными облачными решениями, которые ушли с рынка практически одномоментно: эти компании стараются заменить такие решения в кратчайшие сроки. Вторые использовали в основном on-premise системы. В связи с уходом западных поставщиков они, конечно, хотят найти замену, но особо не спешат — лицензии часто продавались на год, на несколько лет, и поэтому можно не торопиться. Им прямо сейчас ничего не угрожает ни юридически, ни технологически.
В итоге часть таких компаний всё же активизирует процессы перехода на отечественное ПО. Другие работают на том, что осталось, без конкретных планов замены, несмотря на сложности с обновлением софта и продлением лицензий: для них переход на отечественное ПО — перспектива ближайших лет. А наиболее многочисленны, на мой взгляд, компании, которые принимают решение о замене ПО в рамках текущего года, без сильной спешки.
На фоне происходящего спрос на российское ПО вырос колоссально, поскольку большинство продуктов на рынке аналитических CRM-решений были западными. В нашем сегменте зарубежные решения составляли 70–80% рынка.
При этом отечественных игроков, готовых предложить полноценные решения, фактически не было: существовали продукты более-менее зрелые, но по состоянию на весну ряда важных функций в них не хватало.
Сейчас полноценные отечественные решения уже есть — в том числе наше. Кроме того, многие компании, которые вообще подобными проектами не занимались, тоже пошли в это направление деятельности — но вряд ли они могут рассчитывать на какие-то заметные результаты, слишком мало времени прошло для старта с нуля.
— Насколько актуальны сейчас технологии искусственного интеллекта в ритейле и FMCG, как конкретно они используются и где здесь точки роста?
Макеев: Технологии искусственного интеллекта в ритейле используются уже довольно давно, но ключевая задача сейчас в том, что нужно заменить хотя бы базовую функциональность решений ушедших западных вендоров. Разумеется, о технологиях ИИ никто забывать не намерен, и в перспективе все снова вернутся к тому, что установленные у заказчиков системы нужно будет развивать — одно из ключевых направлений здесь как раз машинное обучение и ИИ.
Задач для искусственного интеллекта в ритейле и FMCG очень много. Базово — это любые задачи, связанные с таргетированием маркетинговых коммуникаций.
Ритейлеры, с которыми мы сейчас общаемся, хотят не только заменить ушедшие продукты, но и объединить функционал разных решений в одном. Например, обеспечить сквозную работу с офлайном и онлайном, в том числе использовать одни и те же модели машинного обучения, чтобы клиенты онлайн и офлайн-магазинов видели одни и те же предложения. И чтобы такой функционал поддерживался, нужно, чтобы единая система могла встраиваться в разные части бизнес-процесса.
Зараковский: Технологии искусственного интеллекта наиболее актуальны там, где у клиентов есть большой поток структурированных данных, которые можно обрабатывать алгоритмами. Продолжающийся экономический и геополитический кризис обострил и без того высокую конкуренцию в отрасли потребительских товаров, что значительно повышает актуальность систем поддержки принятия решений на основе искусственного интеллекта, например, для управления товарными запасами, регулярного ценообразования, планирования промо. Большой плюс отрасли — наличие стабильного потока данных в виде чеков, которые и являются основным источником информации для наших оптимизационных решений.
Среди точек роста можно отметить возможность повышать качество принимаемых решений за счет совместного планирования между поставщиком и ритейлером на единой версии чековых данных. Примерами такого взаимодействия могут быть учет плана по offtake при планировании производства или совместная разработка сценариев промо-планов.
— С чего розничному бизнесу следует начинать оптимизацию процессов на основе анализа данных?
Зараковский: Конечно, любые оптимизационные процессы надо начинать с контроля качества и полноты данных. Несмотря на все преимущества ИИ — это наука, а не магия. Поэтому для эффективной работы любого алгоритма надо обеспечить его необходимыми данными высокого качества. И первый шаг здесь — выстроить в компании процессы и регламенты работы с данными.
Имея данные, которые качественно описывают процессы компании, можно переходить к внедрению систем предиктивной аналитики и сценарного анализа, а уже на их основе развивать оптимизационные решения.
У компании Rubbles богатый опыт взаимодействия с клиентами на различных стадиях развития анализа данных. Этот опыт был заложен в продукты и методику их внедрения, что позволяет приходить к результату быстрее, с меньшим количеством ошибок и проблем.
— Ваша компания разрабатывает ряд продуктов для аналитики в ритейле на основе больших данных. Расскажите о платформе клиентской аналитики Rubbles Customer Insight: как она заменит зарубежные решения, в чём её преимущества?
Макеев: Общий функционал платформы состоит из двух частей: классическая система управления коммуникациями целевого маркетинга и, скажем так, продвинутая. «Классика» — это прямая замена ушедших решений. Система позволяет сегментировать аудиторию, выделять группы клиентов для рассылки целевых коммуникаций, отправлять коммуникации, попутно проводить A/B-тесты и не нарушать коммуникационную политику. Это как раз тот базовый функционал, который был представлен у зарубежных решений.
В «продвинутой» части есть два основных направления, которые мы выделяем как главные преимущества Rubbles Customer Insight. Первое — глубокая интеграция со всем ML-инструментарием: упрощение разработки моделей машинного обучения и возможность нативного использования результатов их работы в процессе коммуникации с клиентами. Например, модели next best action, best channel и best time встроены в платформу по умолчанию: чтобы ими пользоваться, не нужно дополнительных трудозатрат со стороны команды заказчика. Кроме того, команда Data Science заказчика получает интегрированные инструменты, которые позволяют тестировать новые модели в рамках реальных маркетинговых кампаний — причем без дополнительных усилий со стороны команды, которая эти кампании настраивает.
Второе направление — совмещение классических и digital-каналов: смс, push-уведомлений, email-рассылок с товарными рекомендациями, баннерами, персонализированной поисковой выдачей и так далее.
Мы предоставляем своим клиентам «обволакивающий» омниканальный опыт.
Например, в сети появился поставщик, который просит нас продвинуть новую марку альтернативного молока. Мы отправляем клиенту смс со скидкой в 50% на покупку этого молока. Но если тот же клиент зайдёт на диджитал-площадку в поисках этого молока, будет нелепо не выдать ему такое же предложение, как в смс. Поэтому вместе с отправкой сообщений мы приоритизируем товар в остальных каналах, в том числе в поиске — в результате молоко, которое мы продвигали в смс, окажется первым и в поиске в онлайн-магазине. Всё это построено на сквозной работе с моделями машинного обучения, их переиспользовании и встраивании в разные этапы бизнес-процесса.
— Какие уникальные сценарии использования даёт гибкость и модульность Rubbles Customer Insight?
Макеев: Решение на текущий момент состоит из восьми модулей. Не все они могут потребоваться для начала работы — например, если заказчику нужна ограниченная функциональность, чтобы заменить ушедшие решения, он может установить один-два модуля, закрыть тем самым текущие потребности и уже позже думать над расширением круга решаемых задач и, как следствие, использованием других модулей. Кроме того, какие-то модули можно взять у сторонних вендоров — правда, такого ещё не бывало, но мы даём возможность.
Другой распространённый кейс — когда один из модулей уже написан заказчиком самостоятельно. Например, это нередко касается самописных модулей коммуникационной политики. Использование уже написанных клиентом модулей вместе с нашими позволяет не переобучать людей, не менять бизнес-процесс и не дублировать уже существующий функционал.
Ещё важный момент — бывает, что ритейлер хочет развивать свою экспертизу в какой-то конкретной области, и здесь ему важно не мешать: оставить эту область «на плечах» ритейлера, а остальные потребности закрыть нашим продуктом. Такой подход на рынке — редкость: сейчас больше готовых коробочных продуктов, где реализацию той или иной функции не изменить.
— Какого эффекта можно ожидать от внедрения Rubbles Customer Insight?
Макеев: Учитывая текущую ситуацию — во-первых, уже хорошо, если можно бесшовно и без дополнительной нагрузки на бизнес заменить ушедшие решения. Если говорить конкретно о преимуществах Rubbles Customer Insight, то широкое применение машинного обучения и прочих аналитических инструментов может быстро нарастить продажи — разумеется, в зависимости от специфики бизнеса — процентов на 20. Кроме того, мы видим большой потенциал в омниканальных коммункациях и ожидаем от их использования серьёзного эффекта. Здесь сложно говорить о конкретных цифрах аплифтов — я бы оценил процентов в 15–20. Общий кумулятивный эффект может составить около 30 процентов — но нужно понимать, что он зависит не от инструментов как таковых, а скорее от правильного их использования.
Хочу ещё сказать про операционную составляющую. Всё-таки использование машинного обучения в ритейле — тема далеко не новая, плюс ко всему в текущих реалиях нужно иметь возможность быстро менять коммуникации, быстро адаптировать подход ко взаимодействию с клиентами, и уже налаженные модели машинного обучения в таких условиях могут терять актуальность. В связи с этим можно сказать, что давно зарекомендовавшие себя практики использования ML — это, в частности, автоматизация рутины, снятие с менеджера необходимости постоянно общаться с дата-аналитиками и так далее — дают возможность высвободить ресурсы для экспериментов, поиска новых точек роста и новых подходов к коммуникациям.
— Расскажите о вашей платформе для товарной аналитики — Rubbles Goods Analytics Platform. Какие специфические задачи она решает и чем удобнее других решений?
Зараковский: Наша платформа товарной аналитики концентрируется на аналитических задачах коммерческого департамента, оптимизируя в первую очередь те процессы, которые напрямую влияют на прибыль и выручку компании: это оценка эффективности, сценарный анализ и оптимизация промо-планов, оптимизация запасов в цепи поставок, регулярное ценообразование и ассортиментное планирование. Часть разработок Rubbles решает аналогичные с конкурентами задачи, но некоторые, например, оптимизация промо-плана, являются уникальными на российском рынке — эта задача не решалась никем до нас в таких масштабах.
Главное преимущество Rubbles — гибкость: как с точки зрения подхода к коммерческим условиям для каждого клиента, так и технологическая, основанная на микросервисной архитектуре и позволяющая встроиться практически в любой IT-ландшафт клиента с максимальной защитой уже сделанных им инвестиций.
— Как товарная аналитика на основе ИИ помогает бизнесу в период нестабильности?
Зараковский: В период нестабильности ценность исторических наблюдений и их обработка классическими методами, такими как выделение тренда и сезонности, резко снижается. Более значимую роль начинают играть ценовые факторы, динамика ассортиментной матрицы, уровень конкуренции и их производные.
Решения на базе ML позволяют учитывать не только широкий набор факторов, описывающих спрос, но и их неявное взаимодействие. Таким образом, системы поддержки принятия решений на базе ML значительно повышают скорость и эффективность реакции на новые вызовы рынка.
— Какой эффект даст внедрение платформы товарной аналитики в существующие бизнес-процессы?
Зараковский: Основная цель наших решений — повышение рентабельности капитала. Этого можно достичь за счёт роста выручки или сокращения издержек на имеющихся активах компании. Основной драйвер улучшений — повышение точности прогноза спроса как базового компонента интегрированного бизнес-планирования. Оптимизаторы и качественные прогнозы позволяют пользователям сформировать сценарий, который позволит максимизировать целевой показатель эффективности или их комбинацию.
Мы выделяем следующие основные эффекты от внедрения наших решений::
- Повышение доступности товаров.
- Повышение уровня сервиса.
- Сокращение списаний и распродаж.
- Сокращение логистических издержек.
- Повышение отдачи от промо-бюджета.
- Рост X/up-sale.
- Рост среднего чека.
Конечный эффект индивидуален и зависит от текущей зрелости заказчика и конъюнктуры рынка.
Контакты
Подробнее узнать о продуктах и кейсах Rubbles: https://rubbles.ru/.