Изменения в розничной торговле - искусственный интеллект, машинное обучение и большие данные
Как можно использовать искусственный интеллект и машинное обучение для повышения эффективности и взаимодействия с клиентами в розничной торговле
Мода - это гламурный бизнес. И все более противоречивый.
Британский дом моды Burberry недавно вызвал массовый протест после того, как сжег 28 миллионов фунтов стерлингов излишка запасов (как указано в его годовом отчете), продолжив практику «защиты бренда», связанную с другими модными лейблами, такими как Louis Vuitton и Chanel.
Эта негативная реакция не только не защищала бренд Burberry, но и не могла произойти в худшее время для лейбла. В течение многих лет отрасль уже находится под пристальным вниманием к неэтичным практикам. Кроме того, модным домам приходится бороться с изменением вкусов и покупательских привычек. В частности, миллениалы все чаще покупают одежду в Интернете, а не в шикарных магазинах, и ожидают быстрой доставки и скидок. Они также меняют свое отношение к моде, о чем свидетельствует рост популярности экологически чистой моды и винтажных вещей, а также рост числа уличных брендов, которые сделали себе имя в пространстве электронной коммерции. Даже инвесторы были возмущены годовым отчетом Burberry, многие задавались вопросом, почему было так много непроданных товаров и почему не было предпринято никаких попыток продать оставшиеся вещи.
Проблемы, с которыми сталкиваются модные бренды, характерны для отрасли розничной торговли в целом, которой все чаще приходится сталкиваться со сменой парадигмы в том, как ее клиенты выбирают и покупают потребительские товары и услуги. Розничные торговцы теперь вынуждены переходить в онлайн и внимательно следить за тем, как они используют свои физические магазины.
Наблюдение за количеством крупных розничных сетей, закрывающих магазины (например, Sears и Payless), может подтвердить поверхностное впечатление, что розничная торговля вымирает. Но это далеко от истины. В цифровом пространстве индустрия процветает. Революция, начатая такими компаниями, как Amazon и eBay, привела к огромным вызовам для традиционной бизнес-модели розничной торговли, но также привела к огромному потенциалу как для розничных продавцов, так и для потребителей.
Это также означает, что наблюдается растущий сдвиг в сторону оптимизации и эффективности, а также отказ от излишков и расточительства. Розничная торговля имеет все возможности для использования искусственного интеллекта, машинного обучения и больших данных. Необходимо управлять и отслеживать большое количество товаров в различных категориях, отслеживать покупательские привычки потребителей и, прежде всего, поддерживать привлекательный бренд, который заставляет потребителей возвращаться. Сегодняшний потребитель хочет идти в ногу с последними тенденциями, но также жаждет удобства; отсюда и популярность коробок для подписки и покупок в Интернете. Недавний опрос розничных продавцов во всем мире выявил экономию затрат, более совершенное принятие решений и автоматизацию процессов как некоторые из основных областей, в которых искусственный интеллект может значимое воздействие.
Конечно, получение осязаемой информации из данных, собранных по нескольким каналам, требует использования алгоритмов и моделей, которые могут обрабатывать огромные наборы данных и учиться на них, а также делать действенные прогнозы и рекомендации. Использование таких методов науки о данных, как дискриминантный анализ, алгоритм k-ближайших соседей, глубокое обучение и машины опорных векторов, дает невероятный потенциал для улучшения классификации, оптимизации и прогнозирования в сфере розничной торговли и CPG, используя при этом такие функции ИИ, как компьютерное зрение и Обработка естественного языка . Вот пять приложений машинного обучения и искусственного интеллекта в розничной торговле с примерами розничных продавцов, которые уже воспользовались ими.
1. Персонализация рекомендуемых продуктов
Системы рекомендаций не просто привлекают внимание потребителей к элементам, которые они вряд ли обнаружат самостоятельно. Когда все сделано правильно, они заставляют потребителей возвращаться за новыми товарами, а также помогают розничному продавцу уравновесить спрос и заблаговременно принять решения о поставках.
Сегодня у Amazon одна из лучших систем рекомендаций на рынке, 55% продаж которой обусловлено ее рекомендациями. Алгоритмы рекомендаций учитывают не только ваше собственное поведение (на какие товары они нажимали, как часто они размещают заказы, что искали), но и покупательское поведение других потребителей, похожих на вас. Например, если вы ищете подарки ко Дню матери, система рекомендаций Amazon проанализирует ваше собственное покупательское поведение и поведение других людей, которые также ищут похожие подарки. Все это стало возможным благодаря совместной фильтрации элементов, которая была разработана самой Amazon для решения проблемы, связанной с невозможностью масштабирования существующих алгоритмов до огромных объемов, с которыми работает платформа. Этот метод фокусируется на распределении рейтингов по каждому элементу (а не по пользователю). Это обеспечивает более стабильное распределение рейтингов, что приравнивается к возможности масштабирования до огромных наборов данных.
Такие алгоритмы обеспечивают значительную допродажу, когда продавец побуждает потребителя покупать более дорогие или дополнительные товары, чтобы обеспечить более выгодную продажу. Они также исключают из уравнения предположения продавца-консультанта, позволяя давать тщательно настроенные рекомендации, которые с большой вероятностью понравятся покупателю. Это также позволяет розничным торговцам предвидеть, что потребители собираются покупать в будущем, снова избавляясь от догадок при поддержании достаточного количества товаров.
2. Планирование цепочки поставок
Традиционно планирование инвентаризации требует значительного количества проб и ошибок, поскольку существует множество факторов, которые по своей природе являются неопределенными. Сколько людей будут делать покупки в следующем месяце? Будут ли какие-либо непредвиденные ситуации, которые изменят покупательское поведение. Неужели популярный товар внезапно потеряет популярность или наоборот? Но с помощью машинного обучения можно изучить несколько параметров, чтобы принимать обоснованные решения на основе обширного анализа данных.
Анализ первопричин, который помогает определить причину сбоев в существующей системе, является одной из основных областей, которые можно выгодно автоматизировать. Алгоритмы машинного обучения могут рассказать более полную историю того, что именно пошло не так, выявляя аномалии, такие как неполные данные или нарушения связи, и точно определять, где именно произошел каждый из этих сбоев в цепочке поставок. При выявлении первопричины исключаются человеческие предубеждения и догадки, и это применимо на любом этапе, будь то складская обработка или управление поставщиками.
Подобные алгоритмы могут помочь в планировании спроса, выявляя наиболее эффективные товары, которые обеспечивают наибольший объем продаж по нескольким каналам, чтобы можно было быстро определить и масштабировать передовые методы. При использовании артикулов розничным продавцам уже доступен значительный объем данных. Ключ в том, чтобы иметь возможность обрабатывать и анализировать эти данные полезными способами. Изощренность алгоритмов машинного обучения позволяет больше сегментировать, что позволяет получать более подробные и описательные данные. Эффективность одного элемента можно отслеживать по нескольким категориям, и в анализ можно включить несколько параметров. Дискриминантный анализ также может быть включен в алгоритмы машинного обучения, работающие в этой области, чтобы обеспечить и улучшить сегментацию и классификацию.
Старая парадигма прогнозирования спроса рассматривает каждую SKU и транзакцию как отдельное событие и полагается на исторические данные и принятие решений вручную (например, насколько похожи два элемента). При этом часто игнорируются такие факторы, как частота продвижения, каннибализация рынка и сезонные изменения, которые слишком сложны для традиционных наборов инструментов прогнозирования.
Использование машинного обучения позволяет розничным продавцам комбинировать исторические данные и данные в реальном времени и выявлять закономерности, которые люди и традиционные инструменты прогнозирования могли бы упустить. Кроме того, ИИ может автоматизировать процесс заполнения баз данных, особенно полей с фиксированными данными, используя Обработку естественного языка и Компьютерное зрение, чтобы изучать описания продуктов и изображения.
Затем можно использовать глубокое обучение, чтобы получить более детальное представление о каждом продукте. Таким образом, алгоритмы могут взять на себя процесс сравнения элементов друг с другом и отслеживания их производительности в различных ситуациях, даже делая предложения для поддержки ключевых бизнес-решений. Это значительно сокращает расходы за счет уменьшения количества ошибок в управлении запасами и избежания ситуаций избыточного или недостаточного запаса. В результате повышение эффективности сопровождается увеличением валовой прибыли и роста выручки.
«Технологии искусственного интеллекта могут устранить многие уровни ручной работы в таких областях, как рекламные акции, ассортимент и цепочка поставок. Искусственный интеллект позволит ритейлерам увеличить как количество клиентов, так и среднюю сумму, которую они тратят, за счет создания личного и удобного покупательского опыта ». - Глобальный институт McKinsey (2017)
3. Оптимизированное планирование маршрута
Аналитика местоположения уже меняет то, как розничные продавцы планируют маршруты доставки. Планирование маршрута - еще одна ключевая область, которая может получить выгоду от аналитики данных из-за необходимости сбора данных в реальном времени и принятия корректировок и решений на основе текущих условий. Оптимизация маршрута доставки включает в себя принятие расчетного решения для каждого поворота и каждой остановки на основе нескольких переменных, включая трафик, погодные условия и местоположение каждого клиента. Подключенная логистика - это путь вперед, использующий Интернет вещей для сбора достаточного количества данных для использования в алгоритмах машинного обучения. Трекеры и датчики могут собирать информацию о погоде, температуре и других соответствующих факторах, рассказывая полную историю обстоятельств, в которых осуществляется доставка. Модели машинного обучения могут обрабатывать эти данные и определять маршруты, которые оптимизируют затраты и время лучше, чем люди и текущее навигационное программное обеспечение, что означает следующий шаг вперед на быстрорастущем рынке телематики.
В качестве примера компании, которая внедрила элементы машинного обучения в оптимизацию маршрута и практически сразу увидела рост производительности и эффективности, мы обратимся к Anheuser-Busch. Пивоваренный гигант запустил пилотный проект в двух городах, используя платформу машинного обучения для ежедневной маршрутизации. Обзор таких показателей, как удовлетворенность водителей и продолжительность рабочего времени всего несколько месяцев спустя, привел к тому, что Anheuser-Busch расширила использование платформы для всех своих американских оптовиков, а также некоторых из своих канадских оптовиков. Платформа, которую они использовали, также учитывает коллективный опыт опытных водителей (в отношении таких деталей, как парковка и лучшее время для доставки конкретному клиенту) и включает эти переменные, чтобы предложить лучшее время для доставки для каждого клиента. Эта комбинация динамической маршрутизации и постоянной оптимизации производительности служит хорошим предзнаменованием для розничных продавцов, стремящихся повысить эффективность и качество обслуживания клиентов.
Использование машинного обучения при планировании маршрутов также может помочь уменьшить проблему последней мили в розничной торговле, которая стала еще более актуальной с ростом электронной торговли. Заключительный этап процесса доставки, когда посылка доставляется на центральный склад до дома потребителя, часто сопряжена с проблемами и сбоями в общении. Анализ местоположения может помочь автоматизировать процесс планирования маршрутов и доставки, как это уже сделали Alibaba и Amazon с использованием дронов, и повысить надежность и эффективность. Кроме того, каждый оптимизированный путь, используемый при выполнении доставки, сохраняется как исторические данные, на которых алгоритмы машинного обучения могут учиться. Поставщики корпоративного программного обеспечения уже осознали потребность в инструментах для поддержки анализа местоположения и планирования маршрутов, таких как Microsoft, которая разработала инструменты машинного обучения для предприятий специально для компаний CPG, стремящихся изменить методы планирования поставок. Благодаря более глубокой аналитике и улучшенной интеграции, обеспечиваемой машинным обучением, розничные продавцы уже ищут способы масштабировать доставку в тот же день.
4. Ассистенты по покупкам
Мы привыкли просить помощи у продавцов-людей, но они сами часто не знают, где находится конкретный продукт и сколько осталось на складе. Машинное обучение может помочь эффективно интегрировать всю информацию о товарах, доступную для розничных продавцов, обеспечивая при этом индивидуальный подход к покупкам. Когнитивные инструменты помощника по работе с клиентами должны получать ввод на естественном языке, а также выводить ответы, указания и инструкции на естественном языке. Такие платформы позволяют клиентам задавать вопросы в соответствии с их собственными предпочтениями и получать ответы, которые им легко понять. Основываясь на существующих разработках в области технологии чат-ботов, большая часть исследований и разработок в этой области была основана на убеждении, что клиенты все чаще предпочитают помощь своих смартфонов, а не продавцов, когда они находятся в физическом магазине.
Macy’s уже сделала серьезный шаг в этом направлении, заключив партнерские отношения с IBM Watson для запуска платформы помощника по покупкам под названием Macy’s On Call. Платформа для мобильных устройств работает на базе искусственного интеллекта и использует API-интерфейс классификатора естественного языка Watson. Он даже имеет двуязычную поддержку для испаноязычных клиентов, что подчеркивает важность персонализированных услуг для клиентов.
Чтобы такие платформы были эффективными и действенными, лежащие в основе алгоритмы машинного обучения должны эффективно обрабатывать данные о соответствующих продуктах в магазине, используя такие методы, как нейронные сети и глубокое обучение. Это позволяет платформе делать выводы о проблемах, например, когда товар будет в наличии, или предлагать товары, аналогичные конкретному товару, если клиент хочет просмотреть больше вариантов. Как и в случае с другими приложениями машинного обучения, цифровые помощники по покупкам постепенно становятся умнее, поскольку они используются большим количеством клиентов с большей частотой.
Ассистенты по покупкам - это лишь часть большого толчка, направленного на значительную интеграцию мобильных технологий в среду розничной торговли. Для этого требуется понимание ключевых точек взаимодействия, в которых потребители взаимодействуют с продавцом. Хотя физические розничные торговцы хорошо разбираются в хранении продуктов на полках и обслуживании клиентов на кассе, они ограничены в своих возможностях взаимодействовать с потребителями на этапе планирования и после покупки, когда покупатели используют продукты, купленные дома. Мобильные технологии могут изменить это и предоставить розничным предприятиям новые возможности для комплексного удовлетворения потребностей клиентов.
5. Оптимизация цен и акции
Оптимизация цен - это еще одна область, в которой количество параметров быстро подавляет человеческий разум и даже современные программные инструменты. Алгоритмы машинного обучения могут создавать несколько деревьев решений на основе различных подгрупп, прежде чем объединить все в комплексную прогностическую модель, которая выводит сложный анализ и идеи. После достаточного обучения модели можно доверять делать точные прогнозы. Это может быть особенно полезно для розничных продавцов, которые хотят изучить потенциальное влияние рекламных акций.
Чтобы всесторонне изучить влияние потенциальной рекламной акции, необходимо принять во внимание несколько переменных, таких как размер скидки, тип продукта, эластичность цены и конкуренция со стороны других розничные торговцы и акции. Существуют также другие факторы, такие как размещение на полках и маркетинговые методы, которые трудно ввести в традиционное программное обеспечение для оптимизации цен или электронные таблицы. Уже доказано, что использование комбинации ИИ для сбора соответствующей информации и машинного обучения для обработки этих данных дает более точные прогнозы, чем традиционные методы. Существенный риск исключается из рекламных акций, позволяя розничным продавцам реализовывать только те рекламные акции, которые с большой вероятностью обеспечат удовлетворительную рентабельность инвестиций. Также нет необходимости опробовать потенциально рискованные рекламные акции, поскольку алгоритм уже моделирует потенциальные результаты каждой рекламной акции и рекомендует рекламные акции, которые с высокой вероятностью увеличат продажи и прибыль.
Использование данных в реальном времени также позволяет реализовать действительно гибкую структуру ценообразования, а автоматизация, предоставляемая ИИ, обеспечивает безошибочный сбор данных. Динамическое ценообразование - это путь вперед для цифровых платформ, которые рассчитывают иметь дело со значительными объемами. Например, Airbnb рекомендует цены для потенциальных хозяев, принимая во внимание несколько переменных, к которым применяются разные веса. Предположения, лежащие в основе исходного алгоритма, были проверены на предшествующих данных транзакции для моделирования на основе фактических результатов. Метод классификатора используется алгоритмом для расчета вероятности бронирования объекта недвижимости на основе атрибутов объекта и рыночных данных в реальном времени. Сегодня алгоритм машинного обучения Airbnb классифицирует недвижимость на основе таких факторов, как фотографии, использованные в объявлении, и даже самостоятельно корректирует цены в зависимости от изменений в границах района. Airbnb запустила пакет машинного обучения с открытым исходным кодом под названием Aerosolve, который включает в себя географические функции и делает упор на взаимодействие с пользователем.
Управление запасами и планирование спроса также стало проще, поскольку машинное обучение позволяет розничным продавцам принимать более обоснованные решения при заказе товаров. Поскольку машинное обучение становится все более распространенным методом оптимизации цен, следующим шагом будет настройка рекламных акций путем предложения индивидуальных рекламных акций отдельным клиентам на основе их предыдущего покупательского поведения и множества других факторов.
Заключение
Благодаря все более широкому использованию машинного обучения и искусственного интеллекта розничные продавцы могут повысить эффективность и производительность, активно взаимодействуя с потребителями через цифровые и мобильные платформы. Это шаг вперед, который розничные торговцы должны делать, не забывая при этом о необходимости сокращения отходов и значительного повышения эффективности. Существует реальная потребность в автоматизации и более глубоком анализе данных для выявления закономерностей, поддерживающих рентабельные и точные решения. Розничным торговцам необходимо сейчас выяснить, как конструктивно общаться с потребителями, которые ожидают интуитивно понятного и удобного покупательского опыта. В конечном итоге розничным торговцам необходимо сосредоточиться на возвращении клиентов, предоставляя им полноценные возможности для совершения покупок.
Узнайте о нашей розничной работе и свяжитесь с [email protected] по любым вопросам.
Ссылки
Https://www.shopify.com/retail/how-6-brands-are-using-machine-learning-to-grow-their-business
Http://opexanalytics.com/practical-applications-machine-learning-supply-chain-planning-suggestions/
Https://www.statista.com/statistics/805303/world-ai-benefits-for-retailers/
Http://www.daisyintelligence.com/how-ai-optimizes-demand-forecasting-for-grocers/
Http://multichannelmerchant.com/ecommerce/making-sense-of-forecasting-2-0-and-the-role-of-ai/
Https://blog.mapmycustomers.me/route-optimization-map-my-customers-tutorial-ab2e05baab0
Https://www.variancejournal.org/articlespress/articles/Machine-Spedicato.pdf
Http://www.oliverwyman.com/our-expertise/insights/2018/jan/machine-learning-for-retail-part-2.html
Http://citec.ma/course/big-data-donnees-massives/
Http://www.oliverwyman.com/our-expertise/insights/2017/feb/machine-learning-for-retail.html
Https://spectrum.ieee.org/computing/software/the-secret-of-airbnbs-pricing-algorithm
