Разработка решений с применением машинного обучения и анализ данных

Задач: улучшить свои прогнозы закупок по категориям товаров, чтобы снизить издержки на неликвид, но при этом попадать в сезонные волны повышенного спроса. Данная задача требовала погружения в бизнес процессы закупок, складских остатков, составления ассортимента и розничной продажи. Окунувшись в бизнес с головой мы научились отслеживать моменты дефицита категории и её переизбытка, добавив эти данные к временным рядам с информацией о продажах по всем категориям мы составили собственный алгоритм моделирования оптимального объема закупок. Как итог продажи выросли, а склады стали реже переполняться.

Задача: локальный телеканал захотел снизить нагрузку на консультантов и координаторов, к которым обращалось большинство клиентов. Они заметили, что большая часть вопросов типовые и на них координаторы отвечают одними и теми же сообщениями. Они захотели сделать себе онлайн ассистента и обратились к нам. Мы собрали все развернутые ответы, сделали из них Word to Vector модель и обучили annoy модель от Spotify подбирать наиболее подходящий по вопросу ответ. Важно было реализовать функционал, чтобы клиент мог в любой момент позвать человека или оформить покупку прямо из чата, поэтому мы добавили классификатор, который отличал требования клиента относящиеся к покупке рекламного плейсмента от вопросов и от требований позвать человека. В итоге средняя скорость ответа на вопрос стала близка к обычному оффлайн обращению за помощью в магазине, а консультанты стали больше заниматься новыми, сложными и нетипичными вопросами, а все вопросы и ответы компания теперь сохраняет для машинного обучения.

Задача: увеличить скорость нахождения мошеннических объявлений. Сотрудники антифрод отдела заметили, что они часто настраивают фильтры специфичным образом под каждый район города с учётом высоты, новизны здания, близости к метро и т.д. всё для нахождения нетипичных объявлений. Данная процедура занимает много времени и требует высокой квалификации сотрудников, однако популярность сервиса увеличивалась в последние годы и отделу потребовалась автоматизация поиска. Мы проанализировали данные, для детекции аномалий и построили модель, которая совмещает в себе древесный ансамбль и регрессии, которая сама находит потенциальные выбросы и сомнительные значения цен за предложенные условия. Оказалось, что по модели хорошо наблюдать за изменениями в ценах на недвижимость. Со временем мы её доработали и она стала участвовать в ценообразовании. Двух зайцев одним разом! Система была интегрирована в ИТ инфраструктуру заказчика.

Интернет магазин решал задачу повышения спроса на расширенный ассортимент. Он обратился к нам с просьбой улучшить рекомендательную систему для своих пользователей таким образом, чтобы клиенты были более склонны покупать новые для себя товары, причём не только из ниш предыдущих покупок. Мы собрали данные о клиентах и их покупках за 2 года, сформировали метрику, которая считает возрастание уникальных покупок в корзине пользователя за тестовый промежуток и принялись строить рекомендательную систему. Наиболее эффективным подходом оказался ансамбль user-based подхода к рекомендациям в купе с KNN на эмбендингах названий товаров в чеке по каждому клиенту. Прогноз оглашал 49% попадание рекомендаций в будущие товары клиента, но это только в теории, ведь рекомендации влияют на саму покупку. Был проведён A/B тест, который показал статистически значимый результат роста общих продаж, среди которого повышение покупок, выпадающих на новые для пользователей товары составило 30.5%. Рекомендательная система была интегрирована в ИТ инфраструктуру заказчика.

Задача: сократить расходы на рассылку СМС со скидками, поскольку большинство из клиентов, привлекаемых таким образом их игнорировали. Было проведено Uplift-моделирование на CatBoost классификаторах, которое указало на потенциальные 10-30% клиентов, наличие рассылки у которых потенциально повышало прибыль компании. Когда дело дошло до оценки результата выборочной рассылки оказалось, что конверсия в покупку скидочного товара улучшилась в два раза! А затраты на рассылку сократились почти втрое.