Варианты применения сервиса BI Datawiz DATAWIZ.IO: GOOGLE ANALYTIC FOR RETAIL / FMCG DATAWIZ, INC. Ниже описаны технологии, которые мы используем, и условия, для работы с сервисом. Целевая аудитория: • • • Маркетинговые отделы; Отделы продаж; Маркетинговые/консалтинговые компании, предоставляющие услуги для ритейлов. Основные технологии: • • • Machine Learning; Predictive Analysis; Time Series Analysis. Входные данные: • • • Информация из чеков; Информация по программе лояльности; Информация с клубных или членских карт. Datawiz.io Case Study Применение в бизнесе 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 Datawiz.io Case Study Динамическое изменение цен Увеличение потенциальной прибыли от реализации товаров Проблема: Увеличение цены без влияния на спрос 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. Цена Цель – определить, когда и на сколько можно увеличить цену товара. Рекомендуемая цена Ц2 Ц1 0 Текущая цена С2 С1 Спрос Case Study: Dynamic Repricing Решение Математическая модель определяет товары, увелечение цены на которые не повлияет на спрос. Система прогнозирует увеличение цен для каждой единици товаров. Case Study: Dynamic Repricing Преимущество Возможность обрабатывать тысячи наименований товаров. Оптимальное увеличение цены, с сохранением уровня спроса. Case Study: Dynamic Repricing Выгода Увелечение размера и стоимости корзины Экономия времени Case Study: Dynamic Repricing Ежедневные рекомендации Быстрая реакция на потребности потребителей и изменения на рынке Проблема: Эффективность маркетинговых компаний Тяжело изучить все товары в магазине и запустить эффективную маркетинговую кампанию. Не говоря уже о создании рекомендаций для всех единиц товаров еженедельно. Чеки Время Большой ассортимент Слишком много работы Case Study: Weekly Recommendation 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 Выгода Продвигайте правильный товар правильным покупателям Case Study: Weekly Recommendation Прогноз продаж Сбалансируйте спрос и предложение Проблема: Излишки запасов, нехватка поставок 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. Case Study: Sales Prediction Решение: Модель прогнозирования продаж Мы строим модель прогнозирования, учитывая все факторы, которые влияют на продажи: погода, стоимость бензина, курс обмена валют и географическое положение магазина. 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 Bыгода Контроль расходов Case Study: Sales Prediction Ассоциативные правила Манипулируйте ключевыми и сопутствующими товарами Алгоритм использования ассоциативных правил Найдите ключевой товар. Используйте ключевой продукт для привлечения клиентов. Увеличивайте продажи прибыльных сопутствующих товаров. Это поможет Вам узнать какой товар необходимо продвигать и что приносит наибольшую прибыль. Case Study: Association Rules and Upsell Решение Сопутствующие товары принесут Вам больше прибыли! Мы поможем Вам найти эти товары и определим время, когда их нужно продвигать. 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. Case Study: Association Rules and Upsell Bыгода Продвигайте продукт, который даёт максимальную прибыль Case Study: Association Rules and Upsell YOUR CONCERN IS OUR RESPONSIBILITY Datawiz Inc. www.datawiz.io 1811 Silverside RD, Wilmington, DE, 19810 United States [email protected]