Autor: Marta Wodzińska

Problem:

Jeden z retailerów w celu zróżnicowania swojej oferty i komunikacji, chciał wyodrębnić istotne biznesowo segmenty w bazie prawie 4 mln zarejestrowanych konsumentów.

---

Rozwiązanie:

Przy pomocy metod machine learning wyodrębniono 5 segmentów klientów w oparciu o blisko 100 zmiennych. Segmenty zostały scharakteryzowane i opisane pod kątem zastosowania dla celów marketingowych. Każdemu klientowi w bazie został przypisany segment z możliwością okresowego automatycznego odświeżania.

Problem:

Jedna z firm FMCG wprowadzając na rynek nowy produkt potrzebowała podjąć decyzję z którymi sieciami dystrybucji
nawiązać współpracę. Celem było zapewnienie dostępności
produktu w grupach docelowych  w najważniejszych miastach
w Polsce przy jednoczesnym ograniczeniu liczby partnerów.

---

Rozwiązanie:

Zbudowane zostało narzędzie dla symulacji pokrycia rynku docelowego w zależności od wybranej sieci i innych parametrów. Użytkownicy biznesowi mogą samodzielnie zmieniać założenia symulacji i testować różne scenariusze.

Problem:

Wysokie koszty druku i dystrybucji powodują, że katalogi papierowe przygotowywane są w ograniczonym nakładzie.  Konieczne jest podejmowanie decyzji w których obszarach przeprowadzać kolportaż.

---

Rozwiązanie:

Zbudowane zostało narzędzie dla działu marketingu tworzące ranking obszarów w oparciu o kilkanaście zmiennych z możliwością określania ich wag przez użytkownika biznesowego. Rozwiązanie miało charakter ogólnopolski (dotyczyło wszystkich regionów,
w których działał retailer).

Problem:

Jeden z wiodących marketerów z branży retail w Polsce potrzebował krótkoterminowych prognoz liczby klientów dla lepszego planowania pracy sklepów.

---

Rozwiązanie:

Wykorzystując nowoczesne algorytmy uczenia maszynowego, przygotowano modele prognozujące ruch w sklepach
z wyprzedzeniem 10- i 30-dniowym. Prognozy dostarczane
są codziennie w formie interaktywnych dashboardów oraz
alertów emailowych