Dermosil, Suomen johtava ihon- ja hiustenhoito- sekä meikkituotteiden verkkokauppa kääntyi Atean puoleen tehostaakseen markkinointinsa tavoittavuutta. Dermosil on Dermoshop Oy:n omistama brändi, joka on yli kolmen vuosikymmenen ajan ollut tunnettu luotettavista ja tehokkaista tuotteistaan koko perheelle. Dermoshop on perheyritys, jonka päätoimialueet ovat Suomi, Ruotsi ja Viro ja jonka pääkonttori sijaitsee Korsnäsissä Pohjanmaalla. Vuonna 2022 100-prosenttisesti suomalaisessa omistuksessa olevan yrityksen liikevaihto oli yli 24 miljoonaa euroa.
MDM ja BI-raportointi kesyttivät datan
Yhteistyömme käynnistyi, kun Dermosil kääntyi Atean puoleen pyytäen apua verkkokaupasta saatujen tietojen yhdistämisessä Enterprise Resource Planning (ERP) -tietoihin. Tietojen yhdistämisprosessiin kuului myös tietolähteiden yhteensopivuuden ja laadun varmistaminen. Tuloksena oli Master Data Management (MDM) -ratkaisu, jossa käytetään Business Intelligence (BI) -raportointia tietoon pohjautuvan ratkaisun rakentamiseksi. BI-raportointi sisälsi seuraavat asiat:
- Eri asiakasryhmien ostoskoon analysointi manuaalisen segmentoinnin avulla.
- Varaston ja toimittajien hallintaraportin toteutus hankinnan ja tuotantoprosessin seurantaa varten.
- Myyntiraporttien luominen todellisen myynnin ja budjetin vertailemiseksi sekä uusien ja nykyisten tuotteiden myynnin vertailemiseksi.
- Raportti, jolla analysoidaan myyntiä suhteessa katalogijakeluun, kun kyse on mahdollisesti jopa 130 000 painetusta katalogista.
"Kun avasimme verkkokauppamme vuonna 1996, se oli Suomen ensimmäinen kosmetiikan verkkokauppa, ja tänään meillä on Suomen suurin ihonhoito-, hiustenhoito- ja meikkituotteiden verkkokauppa. Siksi meille on tärkeää olla alan edelläkävijä digitalisaatiossa, analytiikassa ja optimoinnissa. Olimme iloisia löytäessämme kumppanin, joka on yhtä innoissaan mahdollisuuksista kuin mekin! Yhteistyömme ansiosta kehitämme jatkuvasti liiketoimintaamme, löydämme uusia oivalluksia ja työskentelytapoja. Arvostamme projektinhallintaa, asiantuntemusta ja sitä, että projektit toimitetaan sovittujen aikataulujen ja resurssien puitteissa."
Suvi Markko, toimitusjohtaja, Dermoshop Oy
Koneoppiminen vie tiedon seuraavalle tasolle
BI-raportoinnin avulla pystyimme luomaan vankan perustan Dermosilin liiketoimintamallin ja avaintoimintojen ymmärtämiselle.
Dermosil luottaa vahvasti kohdennettuun markkinointistrategiaan, jossa hyödynnetään heidän verkkoläsnäoloaan. Kohdennettujen tarjousten, uutiskirjeiden ja houkuttelevien esitteiden luominen on äärimmäisen tärkeää. Lisäksi yritys kehittää jatkuvasti tuotevalikoimaansa poistamalla vanhentuneita tuotteita ja tuomalla markkinoille uusia houkuttelevia vaihtoehtoja. Dermoshopin ensisijainen tavoite on parantaa markkinointikampanjoidensa tehokkuutta tarkentamalla kohdentamistaan asiakkaiden osto- ja käyttäytymisanalyysien avulla.
Datatieteilijämme tunnisti tarpeen automatisoida ja käyttää datavetoisia menetelmiä aiemmin manuaalisesti tehtyyn asiakassegmentointiin. Keskustelujen jälkeen Atea pystyi ehdottamaan räätälöityä tekoälylaboratoriosuunnitelmaa, jolla oli seuraavat tavoitteet:
- Asiakaspoistumamallin rakentaminen - avainmittari (KPI) ennakoimaan asiakkaiden lähtemisen riskiä.
- Asiakkaiden tunnistaminen ostokäyttäytymisen, poistumisasteen, tuotemieltymysten ja aktivointimenetelmien perusteella.
- Mielekkään asiakassegmenttimallin kehittäminen käyttäen asiakasidentifikaatiosta johdettuja erityisiä kriteereitä. Esimerkiksi asiakkaita, jotka tekevät suuria ostoksia harvoin tulisi lähestyä eri tavalla kuin niitä, jotka tekevät usein pieniä ostoksia tai ostavat yhden tuotteen.
Konseptoinnista toteutukseen
Projekti aloitettiin kokouksella, jossa käsiteltiin liiketoiminnan vaatimuksia ja arvioitiin tietojen saatavuutta. Tämän jälkeen tiimimme aloitti asiakaspoistuman riskin arviointimallin kehittämisen.
Asiakaspoistuman riskin arviointimalli luotiin käyttäen random forest -tekniikkaa. Siinä käytettiin saatavilla olevaa dataa yhden vuoden ajalta ennustamaan, miten asiakkaiden käyttäytyminen muuttuisi seuraavien 12 kuukauden aikana, ja erityisesti määrittämään niiden asiakkaiden prosenttiosuus, jotka todennäköisesti eivät tekisi ostoksia kyseisenä ajanjaksona. Malli koulutettiin asiakastiedon avulla tunnistamaan, mitkä parametrit olivat vahvimmin yhteydessä poistumisprosenttiin.
Otoksen sisäisessä testauksessa kokeilimme
- ominaisuuksien valinnalla eri muuttujia ymmärtääksemme, mitkä niistä vaikuttivat eniten asiakaspoistumaan.
- algoritmin valinnalla erilaisia malleja arvioidaksemme, mikä niistä parhaiten kuvasi asiakaspoistuman ominaispiirteitä.
Arvioinnissa otettiin huomioon sekä laadulliset (liiketoimintalogiikka) että määrälliset (tulossuuntautuneet) näkökohdat.
Optimoimme valitun random forest -algoritmin hyperparametrejä sen suorituskyvyn parantamiseksi.
Mallin luotettavuuden varmistamiseksi suoritimme otoksen ulkopuolisen evaluaation, jolla tarkistimme mallin tehokkuuden uudella datalla. Kehitystyön tulokset esiteltiin asiakkaan Power BI -ratkaisun avulla.
Toisessa vaiheessa Atea keskittyi asiakassegmenttien kehittämiseen, mukaan lukien poistumisriskin ennustaminen kriittisenä muuttujana. Käytimme K-means-ryhmittelyä perustuen Recency, Frequency ja Monetary Value (RFM) -periaatteisiin eli käytännössä siihen, kuinka usein, kuinka paljon ja milloin asiakkaat tekivät viimeksi ostoksiaan.
Lisäksi kolmannessa vaiheessa Atea muodosti asiakasprofiilit näiden tekijöiden ja poistumisriskin perusteella määritellen lopulta viisi segmenttiä.
Tulos
Lähestymistapamme sisälsi asiakaspoistuman riskin arviointimallin kehittämisen koneoppimisen menetelmin, jotta voimme ennustaa asiakkaiden käyttäytymistä seuraavien 12 kuukauden aikana. Lisäksi loimme täysin erillisiä, tietoon perustuvia asiakassegmenttejä, jotka paransivat markkinointiponnistelujen tehokasta kohdentamista.
Hanke paransi merkittävästi Dermosilin kykyä luokitella asiakkaansa tarkasti pienempiin segmentteihin. Automaattista ennustamista varten mallit integroitiin Power BI:hin Pythonia ja Power BI:tä yhdistämällä. Tämä vahvistaa myös asiakkaan kykyä tarkastella ja analysoida tuloksia järjestelmällisesti. Prosessien helpottamiseksi on käytetty keskeisiä kirjastoja, kuten MLFlow (MLOps) ja Scikit-learn. Työnkulku on toteutettu MLflown avulla.
"Tärkeä menestystekijä yhteistyössämme on läheinen vuoropuhelu, joka antaa meille liikekumppanina pääsyn ja ymmärryksen asiakkaan maailmaan mahdollistaen nopean haasteiden tunnistamisen. Koneoppimishankkeessa yhteisestä historiasta oli paljon hyötyä, koska tunsimme jo asiakkaan liiketoimintaa alkuperäisen Business Intelligence -raportoinnin kautta. Budjetti olisi ollut suurempi, jos meillä ei olisi ollut liiketoiminnan ymmärrystä heti projektin alusta lähtien. Toimiminen asiakkaan sparrauskumppanina hyödyttää todella sekä asiakasta että meitä."
Daniel Djupsjöbacka, Analytics and Optimization -päällikkö, Atea Finland Oy
Asiakas: Dermosil
Milloin? Yhteistyö on jatkunut vuodesta 2021 ja projekti toteutettiin vuonna 2023.
Projektin laajuus: Keskitaso
Tekniset tiedot: BI, MDM, ML, Azure, Python
