Заказная разработка и консалтинг
Корпоративные хранилища данных
Лучшие решения для хранения данных
LLM & NLP аутсорс
Усиление собственной команды
Усиление собственной команды
Data Science/Machine Learning аутсорс
Сбор, анализ, визуализация и обработка данных о состоянии бизнеса
AI Антифрод система
Инструменты работы с обратной связью покупателей
Анализ отзывов с помощью ИИ
AI Нейроанализ отзывов
Формирование персональных предложений на основе анализа поведения пользователей
Рекомендательные системы
Умный клиентский опыт
(Smart CX)
(Smart CX)
Предиктивная аналитика
Для поиска и анализа корпоративных документов
AI-Ассистенты
Для автоматизации поддержки клиентов
Клиентская аналитика
Product Matching
Умный бенчмаркинг
Гибкая подстройка цен под изменения рыночных факторов
Динамическое ценообразование
Для предсказания будущих событий и трендов на основе анализа исторических данных
Прогнозирование спроса
Создание инфраструктуры
Умный поиск
Обсудить проект
Как прогноз времени доставки помогает выстраивать доверие клиентов
Новости
Публикации в СМИ
22.05.2024
В условиях насыщенного потребительского рынка ритейлу важно не только выполнять обязательства, но и предугадывать ожидания клиента. Одним из наиболее чувствительных факторов становится точность доставки. Даже небольшое отклонение от обещанного времени может негативно повлиять на впечатление о сервисе.
О том, как использование инструментов предиктивной аналитики позволило сети «ВкусВилл» минимизировать погрешность расчета доставки до 15 минут и повысить удовлетворенность клиентов, — расскажем в этом материале.
Современный покупатель больше не готов мириться с неопределенностью. У него есть выбор, и он ориентирован на стабильность, комфорт и прозрачность. Даже небольшая задержка может повлечь за собой потерю доверия, а значит — и клиента.
Появление широкого спектра сервисов быстрой доставки сформировало новые ожидания: уже почти 40% потребителей считают «нормой» получение товара в тот же день. В крупных городах доставка «день в день» стала стандартом.
По данным Atos, около 58% клиентов готовы сменить поставщика, если время получения заказа неудобно или непредсказуемо.
Почему своевременная доставка становится ключевым конкурентным преимуществом
Чтобы обеспечить точность, ритейлу необходимо опираться не на субъективный опыт логиста, а на аналитическую систему, которая учитывает десятки переменных: пробки, погодные условия, расписание складов, занятость курьеров, техническое состояние автопарка.
Системы на основе Big Data и алгоритмов машинного обучения позволяют:
Потенциал прогнозной аналитики в логистике
выстраивать графики работы персонала,
формировать оптимальные маршруты,
оценивать потенциальные риски сбоев,
Компании, активно использующие такие решения, — DHL, «ПЭК» и др. — уже снизили издержки, повысили точность логистики и уровень клиентской удовлетворенности.
предсказывать время прибытия с минимальной ошибкой.
Автоматизация маршрутов: устранение человеческого фактора
Предиктивная модель анализирует данные в режиме реального времени и определяет наиболее эффективную комбинацию маршрутов и времени доставки. Это особенно важно на последнем этапе — при передаче товара клиенту.
Ручное планирование теряет актуальность по мере увеличения объемов заказов и числа курьеров. Каждый новый заказ добавляет вариативности.
Проект «ВкусВилл»: как был выстроен точный прогноз доставки
Сеть магазинов «ВкусВилл» придерживается принципа бережного отношения к покупателю. Компания стремится обеспечить удобный сервис на каждом этапе — от выбора продукта до его получения.
Команда «DataLab» (входит в ГК «Автомакон») разработала для сети инструмент прогнозирования доставки, встраиваемый в цифровую экосистему ритейлера.
Как реализовали систему
2.
Выбор методики
Протестированы два подхода:
Протестированы два подхода:
- расчёт каждого этапа отдельно,
- предсказание полной цепочки как единого процесса.
Создание модели
В качестве базы применялись данные о заказах, сотрудниках, магазинах, складах. Начальный уровень точности задавался медианой по историческим данным. Оптимальную точность обеспечила модель градиентного бустинга.
В качестве базы применялись данные о заказах, сотрудниках, магазинах, складах. Начальный уровень точности задавался медианой по историческим данным. Оптимальную точность обеспечила модель градиентного бустинга.
3.
4.
Адаптация под изменяющуюся бизнес-среду
Бизнес-процессы «ВкусВилл» регулярно обновляются — открываются новые магазины, меняются графики, перераспределяется нагрузка. Это потребовало внедрения системы самокорректировки модели и регулярной валидации качества прогноза.
Бизнес-процессы «ВкусВилл» регулярно обновляются — открываются новые магазины, меняются графики, перераспределяется нагрузка. Это потребовало внедрения системы самокорректировки модели и регулярной валидации качества прогноза.
Декомпозиция жизненного цикла заказа
Выделены четыре ключевых этапа:
Выделены четыре ключевых этапа:
- время до начала сборки,
- длительность сборки,
- ожидание отгрузки,
- фактическая доставка.
1.
Как решали ключевые задачи
Прогноз доставки к конкретному времени:
Курьеры «ВкусВилл» доставляют заказы по фиксированному времени, в двухчасовом окне или по экспресс-сценарию (до 30 минут). Модель адаптировалась к этим условиям путём включения дополнительных признаков.
Курьеры «ВкусВилл» доставляют заказы по фиксированному времени, в двухчасовом окне или по экспресс-сценарию (до 30 минут). Модель адаптировалась к этим условиям путём включения дополнительных признаков.
Обработка групповых заказов:
Часто один курьер доставляет сразу несколько заказов, и в момент оформления система не знает, с какими другими заявками будет объединён данный заказ. Проблему решили с помощью расширенного датасета, учитывающего структуру доставок по группам.
Часто один курьер доставляет сразу несколько заказов, и в момент оформления система не знает, с какими другими заявками будет объединён данный заказ. Проблему решили с помощью расширенного датасета, учитывающего структуру доставок по группам.
Результат: средняя ошибка прогноза — 15 минут при общем времени выполнения заказа менее 90 минут.
Универсальное решение на базе этого опыта
собрать исторические данные,
пройти короткую консультацию со специалистами по запуску пилота.
На основе этого проекта «DataLab» разработала коробочное решение для e-commerce и логистических компаний.
Решение позволяет компаниям любого масштаба улучшить качество доставки и перейти на новый уровень сервиса.
определить ключевые параметры, влияющие на сроки,
Чтобы его внедрить, потребуется:
Точные прогнозы — основа качественного клиентского опыта. Современные аналитические технологии позволяют минимизировать неопределенность и выстраивать процессы на основе данных, а не интуиции.
Даже в условиях неполных данных предиктивные модели способны обучаться, адаптироваться и выдавать точные результаты.
Если вы хотите обеспечить надежность и точность «последней мили» — начните с малого: протестируйте решение в рамках одного логистического направления.
Заключение
Студенты МИФИ, МИСИС и ЮФУ изучают PostgreSQL с помощью СУБД Pangolin
В 2024 году команда СУБД Pangolin организовала доступ к продукту для студентов
Публикации в СМИ
В 2024 году команда СУБД Pangolin организовала доступ к продукту для студентов
Студенты МИФИ, МИСИС и ЮФУ изучают PostgreSQL с помощью СУБД Pangolin
Новости
Как low-code ускоряет разработку и вывод продуктов на рынок
Как low-code ускоряет разработку и вывод продуктов на рынок Как low-code ускоряет разработку и вывод продуктов на рынок
Новости
Блог