2. Ниже описаны технологии, которые мы используем, и условия, для работы с сервисом.
• Маркетинговые отделы;
• Отделы продаж;
• Маркетинговые/консалтинговые компании, предоставляющие услуги для ритейлов.
Целевая аудитория:
• Machine Learning;
• Predictive Analysis;
• Time Series Analysis.
Основные технологии:
• Информация из чеков;
• Информация по программе лояльности;
• Информация с клубных или членских карт.
Входные данные:
Datawiz.io Case Study
3. Динамическое изменение цен
Увеличение потенциальной прибыли от реализации товаров
Еженедельные рекомендации
Быстрая реакция на потребности потребителя и изменения на рынке
Прогнозирование продаж
Оптимальные решения для балансирования спроса и предложения
Ассоциативные правила
Определение ключевых и сопутствующих товаров
Применение в бизнесе
Datawiz.io Case Study
5. Увелечение цены не всегда приводит к приросту прибыли из-за падения
спроса на товары.
Основной задачей являеться найти оптимальную цену каждого товара
для увелечения прибыли.
Проблема: Увеличение цены без влияния на спрос
Case Study: Dynamic Repricing
Цель – определить, когда и на сколько
можно увеличить цену товара.
Цена
Спрос0 С1С2
Ц1
Ц2
Рекомендуемая цена
Текущая цена
6. Система прогнозирует
увеличение цен для
каждой единици товаров.
Решение
Case Study: Dynamic Repricing
Математическая модель определяет товары, увелечение цены на которые не повлияет
на спрос.
7. Возможность обрабатывать тысячи наименований товаров.
Оптимальное увеличение цены, с сохранением уровня спроса.
Преимущество
Case Study: Dynamic Repricing
10. Тяжело изучить все товары в магазине и запустить
эффективную маркетинговую кампанию. Не говоря уже
о создании рекомендаций для всех единиц товаров
еженедельно.
Проблема: Эффективность маркетинговых компаний
Case Study: Weekly Recommendation
Большой
ассортимент
Чеки
Слишком
много
работы
Время
11. Решение
Вы можете получить ответы на все вопросы, нажав одну кнопку.
«Что делать в следующий день недели?»
«Какой товар продвигать?»
Наша система рекомендаций базируется на
алгоритмах машинного обучения,
ассоциативных правилах и алгоритме
построения деревьев наследственности.
Модель автоматически строит
рекомендации в соответствии с поведением
покупателей.
Case Study: Weekly Recommendation
14. Предположения и опыт - это единственные инструменты, которые
помогают определить сколько продукции Вам следует заказать у
поставщиков.
Вы теряете шанс продать, если необходимого товара недостаточно.
Большие остатки негативно влияют на показатель оборачиваемости
товаров.
Оптимизация позволяет высвободить из оборота деньги.
Проблема: Излишки запасов, нехватка поставок
Case Study: Sales Prediction
15. Мы строим модель прогнозирования, учитывая все факторы,
которые влияют на продажи: погода, стоимость бензина, курс
обмена валют и географическое положение магазина.
Решение: Модель прогнозирования продаж
Точность прогноза от 85%.
Прогнозы можно делать на
месяц, на неделю и даже на
день вперёд.
Модель прогнозирования для
каждого вида товара и
категории, что обеспечивает
высокую точность.
Case Study: Sales Prediction
18. Найдите ключевой товар.
Используйте ключевой продукт для привлечения клиентов.
Увеличивайте продажи прибыльных сопутствующих товаров.
Алгоритм использования ассоциативных правил
Case Study: Association Rules and Upsell
Это поможет Вам узнать какой товар
необходимо продвигать и что приносит
наибольшую прибыль.
19. Сопутствующие товары принесут Вам больше прибыли!
Мы поможем Вам найти эти товары и определим время, когда их нужно продвигать.
Решение
Case Study: Association Rules and Upsell
Мы проводим кластеризацию всех корзин и
находим ключевые товары для каждого типа
корзин, используя алгоритм Apriori.
Кроме ассоциативных правил мы строим деревья
наследственности. Они показывают какой товар
необходимо продвигать.