Рекомендательный сервис
на основе анализа потребительского поведения
с помощью ИИ и web-приложения
стабилизирует поток покупателей
продукции ферментации.

Сыр, йогурт, вино, колбаса, мёд: в их производстве используется ферментация с разной выдержкой.

Актуальность проекта

Производитель выпускает продукцию партиями. 

Ему необходим сбыт равный производству - для сопоставимости с доступным размером сырья и оборотных средств. 

Ценна стабильность повторных покупок от розничных покупателей.

Проблема

Производителю необходима организация пульсирующих покупок в моменты выпуска очередной партии продукта для продаж равных выпуску. Требуется сопряжение выпуска и организованного / спрогнозированного вала запросов покупателей.

Производители недополучают выручку, а розничные покупатели не удовлетворены планированием покупок и выбором продуктов ферментации.

Решение

Регулирование спроса покупателей - наиболее прямой способ настройки выручки.

Сервисом мягких рекомендаций соединяем покупателя с производителем.

Продукт

Мы стабилизируем производственную программу с индивидуальным вкусом и ритмом потребления покупателя.

Мы ориентируемся на производство и поддерживаем запросы покупателей, исходя из потребительского поведения схожих людей.

Оптимизируем параметры сделки.

Продукт, загримированный под программу-калькулятор с функцией чат-бота, встраивается производителем в процесс розничной продажи. Накапливается датасет - информация о потребительском поведении в сделках. Он обогащается данными о параметрах производственного процесса. На основании этих данных с использованием инструментов машинного обучения, создается модель процесса «производство-продажа».

Имея данные о частотности покупок и других параметрах потребительского поведения, вычисляем период готовности сделать покупку, запрашиваем производство о выпуске и остатках, и посредством чат-бота приглашаем за покупкой в привычный для покупателя срок. Если покупатель говорит «да», то в производственный план добавляется заказ. Впоследствии отслеживается дисциплина по выкупу заказа и производится скоринг покупателя, с постоянным дообучением модели.

Таким образом, продукт нашего проекта регулирует поток заказов и организует производство под заказ разрозненных покупателей.

На страницу проекта