Одним из перспективных направлений внедрения ML-моделей в коммерции является использование методов машинного обучения для активизации продаж и уменьшения запасов неликвидных товаров. Актуальность проблемы проведения промоакций и предотвращения накопления «мертвых запасов» вызвана сразу несколькими факторами. Во-первых, неэффективные распродажи приносят для предприятий финансовые потери, такие как прямые убытки от нераспроданного товара, недополученная прибыль из-за неоптимальных скидок, замороженный оборотный капитал. Во-вторых, рост неликвидного товара повышает операционные затраты компании: бизнес несет дополнительные издержки на хранение, логистику и утилизацию продукции, которую нет возможности выгодно продать. Кроме того, нужно отметить, что ошибки в организации распродаж вызывают и долгосрочные маркетинговые последствия, выражающиеся в снижении лояльности клиентов: нерелевантные промо могут раздражать и отталкивать покупателей, а постоянные распродажи всего подряд — обесценивать бренд [1].
Использование ML-моделей способно нивелировать недостатки в планировании промо и управлении неликвидами, присущими в традиционных подходах. К этим недостаткам относят следующие:
1. Опора на интуицию и опыт при определении параметров промоакций: субъективность принятия решений, сложность масштабирования между группами товаров / рынками / категориями покупателей, зависимость от конкретных сотрудников.
2. Ручной анализ данных и простые эвристики: возможно присутствие множества факторов, влияющих на эффективность промо, которые нельзя обнаружить «невооруженным глазом» и которые остаются скрытыми без алгоритмического поиска зависимостей в данных.
3. Отсутствие персонализации: подход к промо может быть общим и не учитывать индивидуальные предпочтения клиентов в связи с высоким уровнем трудозатрат при традиционных подходах к организации распродаж.
4. Реактивный подход к неликвидам: меры по предотвращению роста неликвидных запасов принимаются, когда проблема уже очевидна, а не на этапе прогнозирования.