AI-прогнозирование спроса: 18% рост выручки в «проседающие» дни благодаря персональным предложениям

• Клиент

  Крупный сервис доставки готовой еды с широким ассортиментом блюд. Ежедневно обрабатывает тысячи заказов, а клиентская база насчитывает сотни тысяч пользователей по всей стране

• Задача

  Избавиться от финансовых потерь и операционной нестабильности, вызванных зависимостью от непредсказуемых внешних факторов. Обеспечить стабильную плановую выручку и оптимальную загрузку кухни и логистики за счет автоматического «прогрева» спроса персонализированными предложениями

• Что сделали

  AI-систему, которая в реальном времени прогнозирует падение спроса и автоматически компенсирует его, запуская персонализированные коммуникации с клиентами. Система формирует индивидуальные офферы с готовой корзиной в 1 клик и отправляет их через оптимальный канал (push-уведомления, e-mail, чат-бот), учитывая предпочтения пользователя и текущую нагрузку на производство

Результаты

18 ^%

рост выручки в дни с традиционно низким спросом за счет персональных предложений, основанных на актуальных данных о поведении пользователей

100 ^%

релевантность предложений на основе актуальных данных о поведении пользователей

35 ^%

снижение нагрузки на кухню и логистику

25 ^%

рост повторных заказов

Реализация

Проблематика

• Процессы планирования постоянно срывались из-за непредсказуемых погодных условий и календарных событий
• Массовые рассылки имели крайне низкую конверсию и не решали проблему проседания выручки
• Ручное реагирование полностью блокировало возможность быстро компенсировать падение спроса, что вело к финансовым потерям
• Дисбаланс спроса вызывал то простои производственных мощностей, то перегрузки сотрудников, снижая качество сервиса

Поэтапное внедрение

• Интеграция и анализ данных. Настройка сбора и анализа в реальном времени Big Data из всех источников: от истории продаж и поведения покупателей до данных о погоде и экономических тенденций
• Разработка и обучение модели. Внедрение AI-модели, способной учитывать множество факторов. Модель постоянно обучается на новых данных, повышая точность прогноза с каждым днем
• Создание механики персонализации. Разработка алгоритма формирования индивидуальных офферов на основе предпочтений каждого клиента
• Запуск автоматических триггеров. Настройка системы для автоматического запуска кампаний и мультиканальной отправки персональных предложений

Функционал

Заказчик

Раньше погода диктовала нам условия. Теперь мы научились не только предсказывать спрос, но и управлять им. Персональные предложения в нужный момент позволили превратить потенциальные убытки в дополнительную выручку и повышение лояльности