datawiz.io case study ru

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.

• 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

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

Динамическое изменение цен

Увеличение потенциальной прибыли от

реализации товаров

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

Ц1Ц2

Рекомендуемая цена

Текущая цена

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.

Возможность обрабатывать тысячи наименований товаров.

Оптимальное увеличение цены, с сохранением уровня спроса.

Преимущество

Case Study: Dynamic Repricing

Увелечение размера и стоимости корзины

Экономия времени

Case Study: Dynamic Repricing

Выгода

Ежедневные рекомендации

Быстрая реакция на потребности

потребителей и изменения на рынке

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

Большойассортимент

Чеки

Слишком много

работы

Время

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

Продвигайте правильный товар правильным покупателям

Выгода

Case Study: Weekly Recommendation

Прогноз продаж

Сбалансируйте спрос и предложение

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

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

Контроль расходов

Bыгода

Case Study: Sales Prediction

Ассоциативные правила

Манипулируйте ключевыми и сопутствующими товарами

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.

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.

Продвигайте продукт, который даёт максимальную прибыль

Bыгода

Case Study: Association Rules and Upsell

YOUR CONCERN IS OUR RESPONSIBILITY

Datawiz Inc.

www.datawiz.io

1811 Silverside RD,

Wilmington, DE, 19810

United States

hello@datawiz.io