Come l’intelligenza artificiale aiuta i rivenditori e i consumatori

L’implementazione di soluzioni di intelligenza artificiale nel commercio al dettaglio è naturalmente più impegnativa della vendita al dettaglio online, ma facendo un passo indietro, entrambi sono ancora sorprendentemente solo nelle prime fasi.

Secondo uno studio del 2018 di Capgemini , oltre un quarto dei 250 principali rivenditori al dettaglio in tutto il mondo stanno integrando l’IA nelle loro organizzazioni (un forte aumento rispetto al 2016, quando era solo una piccola minoranza del 4 percento).

Tuttavia, lo studio ha anche scoperto che solo l’1 percento delle iniziative di intelligenza artificiale raggiunge una distribuzione su vasta scala.

Questo sta per cambiare. Secondo il McKinsey Global Institute , gli investimenti nel commercio al dettaglio e nel CPG nell’intelligenza artificiale dovrebbero superare gli 8 miliardi di dollari entro il 2024. Inoltre, un altro rapporto di McKinsey mostra che l’IA ha il potenziale per creare un valore annuale maggiore per il commercio al dettaglio rispetto a qualsiasi altro settore (vedi grafico sotto).

Man mano che sempre più giocatori si avventurano con successo in nuove applicazioni di machine learning, analisi predittiva e altro, l’interruzione di Al nello spazio di vendita al dettaglio è destinata a verificarsi rapidamente.

Ma cosa significa veramente “AI” in termini di opportunità di crescita e capacità delle aziende, e in particolare per le applicazioni di vendita al dettaglio nel mondo reale? E come tu, come rivenditore o azienda CPG, indipendentemente dalle dimensioni, sposta il paradigma e trasforma i tuoi dati in approfondimenti fruibili e valore reale del business? Con Enterprise AI, machine learning (ML)

Motori di raccomandazione personalizzati

I principali analisti prevedono che i motori di personalizzazione intelligenti utilizzati per identificare le intenzioni dei clienti offrono alle aziende la possibilità di aumentare i profitti del 15% entro il 2020 .

Inutile dire che oggi la personalizzazione è diventata una posta in gioco per i rivenditori, che si trovano ad affrontare la forte concorrenza dei giganti del commercio elettronico e una base di clienti sempre più esigente.

In effetti, l’IA è l’unico modo per fornire iper-personalizzazione: la sua capacità di conservare e decifrare molti dati e utilizzare le informazioni per rivelare una maggiore rilevanza tra i clienti è una risorsa essenziale per i rivenditori.

Le aziende che non sono Amazon e che non dispongono di risorse apparentemente infinite possono comunque utilizzare l’apprendimento automatico per analizzare una gamma di fonti di dati sulla base della personalizzazione basata sull’intelligenza artificiale, tra cui:

• Cronologia del browser
• Clic sulla pagina
• Interazioni sociali (Mi piace, condivisioni, ecc.)
• Acquisti precedenti
• Per quanto tempo è stata visualizzata una pagina Web
• Posizione
• …e molto di più

Ottimizzazione del prezzo e del programma fedeltà

Una delle aree di maggiore impatto dell’IA nel commercio al dettaglio è il prezzo, la promozione e l’ottimizzazione del ribasso. L’ottimizzazione dei prezzi implica, da un lato, l’adattamento dei prezzi ai clienti in modo che li considerino attraenti, equi e non arbitrari per i prodotti a cui tengono di più, e dall’altro, prevedere quando è (o non lo è) t) necessario per offrire sconti.

La ricerca di Forrester mostra che l’utilizzo dell’IA e dell’ML per l’ottimizzazione dei prezzi è vantaggioso per entrambi i rivenditori – a causa del suo comprovato impatto sui profitti – e per i clienti, che lo considerano principalmente una pratica positiva ed equa fintanto che i prezzi presentati sono nel loro budget.

Sempre più spesso i rivenditori stanno trovando il modo per i clienti di fornire dati, spesso in cambio di schemi di incentivazione, come i programmi di fidelizzazione. Maggiore è il numero di informazioni fornite volontariamente dai clienti, più facile sarà per i rivenditori favorire la fedeltà attraverso il marketing personalizzato.

Inoltre, i rivenditori stanno cercando di rendere il più semplice possibile per i clienti aderire ai loro programmi di fidelizzazione, in particolare rimuovendo i requisiti tradizionali che acquisiscono le carte di credito con il marchio del negozio. Significativi punti vendita, come Macy’s, J. Crew e Nordstrom, hanno abbandonato i requisiti delle loro carte nel 2018 nel tentativo di aumentare la partecipazione al programma fedeltà.

L’intelligenza artificiale offre un solido set di applicazioni per i rivenditori al fine di migliorare e personalizzare i loro programmi di fidelizzazione. Con funzionalità come la PNL, il ragionamento semantico e l’analisi delle immagini, i professionisti del marketing beneficiano ora di una comprensione adattiva e in evoluzione dell’impegno marchio-cliente.

In tempi moderni, la lealtà significa molto più che iscriversi a un programma e raccogliere passivamente punti o incassare occasionalmente per un vantaggio, e l’IA può contribuire a renderlo realtà. Le iscrizioni inattive e le promozioni non riuscite sono costose e comportano una violazione della relazione. I clienti vogliono essere trattati in modo univoco e quando l’esperienza del cliente soddisfa questa aspettativa, i marchi ne traggono vantaggio.

Chatbot ed età della catena di fornitura

La gestione della catena di approvvigionamento ha un ruolo nascosto, sebbene strategico, nel modo in cui i consumatori acquistano o ricevono prodotti. Man mano che l’inventario diventa un fattore di differenziazione più importante, i negozi devono sfruttare strategie di filiera intelligenti per garantire la disponibilità dei prodotti giusti al momento giusto per ogni cliente.

I rivenditori sono sempre alla ricerca di un vantaggio per ottenere efficienze e maggiore precisione nella propria catena di fornitura. Più accuratamente i rivenditori possono prevedere la domanda, gestire l’inventario e gestire le relazioni con i propri fornitori, più rapidamente possono prevenire gli sprechi, ridurre i costi e investire più efficacemente il loro capitale in attività che generano profitti.

Sempre più aziende si rivolgono all’intelligenza artificiale e all’automazione per affrontare i problemi in prima linea con i fornitori. Le aziende possono ridurre la forza lavoro delle relazioni con i fornitori utilizzando chatbot che possono occuparsi di una grande percentuale dei problemi e delle transazioni comuni.

Sempre più spesso i rivenditori non dovranno più fare affidamento sui dipendenti per effettuare ordini di acquisto, elaborare fatture o trovare fornitori. I chatbot saranno in grado di farlo, spesso corrispondendo ad altri bot sul lato fornitore. La tecnologia automatizzata ridurrà significativamente i costi della manodopera e svolgerà gran parte del lavoro più rapidamente di quanto potrebbero fare gli umani.

Mentre gli umani possono essere negoziatori difficili, i processi della catena di approvvigionamento automatizzata saranno in grado di ricercare e identificare rapidamente le migliori offerte possibili. Se combinata con l’apprendimento approfondito e l’analisi avanzata, la tecnologia chatbot può aiutare a fornire informazioni importanti ai rivenditori sulle interruzioni della catena di approvvigionamento a cui devono rispondere.

Ad esempio, un chatbot potrebbe informare un procuratore di un disastro naturale che ha colpito le rotte di approvvigionamento tipiche e raccomandare mezzi di approvvigionamento alternativi. Nel mondo della gestione della catena di approvvigionamento 24 ore su 24, 7 giorni su 7, i chatbot riducono significativamente la necessità di personale dedicato alle relazioni con i clienti, in particolare durante l’orario di lavoro non tradizionale.

Quando i rivenditori hanno a che fare con fornitori in diversi fusi orari, devono essere in grado di fornire risposte rapide alle richieste. Tuttavia, le tecniche di IA e di automazione stanno sempre più consentendo loro di farlo senza incorrere in un costo del lavoro sostanziale.

Gestione dell’inventario e ottimizzazione del negozio

La modellazione predittiva continuerà a ottimizzare l’inventario per i rivenditori grandi e piccoli. Le grandi aziende sono già una tecnologia pionieristica che allinea più precisamente l’inventario alla domanda dei clienti.

La gestione delle scorte è particolarmente rilevante nel settore alimentare, in cui la capacità di prevedere la domanda riduce gli sprechi alimentari e garantisce che vi sia un’adeguata offerta degli articoli che i clienti desiderano in un determinato momento.

Tradizionalmente, i rivenditori esperti potrebbero immagazzinare determinati articoli in base a ciò che sanno sul comportamento dei clienti in base al periodo dell’anno o alle condizioni meteorologiche. Sanno di fare scorta di hot dog durante la stagione barbecue o champagne intorno a Capodanno.

I modelli predittivi, basati su anni di dati e una varietà di diverse fonti di dati, offrono ai rivenditori la possibilità di farlo con una precisione esponenzialmente maggiore, rilevando sfumature nel comportamento dei consumatori che sfuggirebbero anche al responsabile del negozio più sensibile.

Ad esempio, Walmart ha riscontrato successo nel prevedere i modelli di consumo in base al tempo. Il modello ha rilevato un picco nella domanda di hamburger nelle giornate calde con cielo sereno, mentre la domanda di bistecche aumenta nelle giornate nuvolose e ventose. I rivenditori stanno implementando sempre più dispositivi di archiviazione intelligenti, dai frigoriferi agli scaffali, per tenere traccia delle scorte in tempo reale.

Le app smart shelf sono proliferate, offrendo ai venditori in negozio la possibilità di trovare prodotti per i clienti più rapidamente o di identificare i prodotti che devono essere riforniti. Indipendentemente dal fatto che il negozio sia occupato o meno, la possibilità di liberare i dipendenti dall’obbligo di controllare continuamente l’inventario consente al negozio di distribuire in modo più efficace la propria forza lavoro per concentrarsi su altri compiti, come il servizio clienti.

Pianificazione dello spazio e progettazione del punto vendita con IoT

La proliferazione di dispositivi connessi ha importanti implicazioni per l’industria al dettaglio e i leader del settore lo sanno. Un sondaggio tra i responsabili delle decisioni globali sulla vendita al dettaglio dello Zebra Retail Vision Study del 2017 ha rilevato che il 70% ha dichiarato di essere pronto a integrare l’Internet of Things (IoT) nei propri negozi.

Uno studio analogo condotto da Zebra l’anno successivo ha rilevato che il 52% dei rivenditori stava già distribuendo i dati dei propri dipendenti in prima linea dai dispositivi IoT in tempo reale per migliorare il servizio clienti. La tecnologia IoT offre ai rivenditori l’opportunità di capire come il layout dei loro negozi sta modellando il comportamento dei clienti.

Più dispositivi connessi sono in grado di tracciare e analizzare il movimento dei clienti all’interno di una struttura, migliori saranno i rivenditori in grado di progettare i loro negozi per massimizzare l’impatto. In passato, le decisioni di progettazione erano modellate da aneddoti o (nella migliore delle ipotesi) focus group. Ora, tuttavia, i rivenditori possono fare affidamento sulla scienza dei dati per ottimizzare l’esperienza del cliente.

I negozi utilizzano anche i dispositivi connessi per offrire il massimo livello di personalizzazione e personalizzazione al marketing e alle promozioni. Mentre la tecnologia geofence ha consentito ai rivenditori di rilevare la presenza dei clienti nei loro negozi, i dispositivi connessi offrono una precisione ancora maggiore, in modo che i rivenditori possano eseguire il ping dei clienti con promozioni specifiche della sezione del negozio in cui si trovano o del particolare prodotto in cui si trovano analizzare, cercare, guardare.

Il ruolo dei dati e degli analisti dei dati sta cambiando

I data scientist sono fantastici, ma sono costosi, scarsi e non ci si può aspettare che forniscano esperienza in materia per ogni settore di attività. Unisci uno scienziato di dati ogni tre o cinque analisti e osserva la collaborazione, la produttività e il valore aziendale aumentare in modo esponenziale.

Quando si pensa al ruolo mutevole dell’analista aziendale, si deve considerare AutoMl. Fondamentalmente, AutoML prevede l’utilizzo di tecniche di apprendimento automatico per automatizzare il processo di applicazione dell’apprendimento automatico, ad esempio un rilevatore di frodi per il pagamento con carta di credito. Nel complesso, i progetti AutoML aumenterebbero o sostituiranno un sistema basato su regole in modo che la scienza dei dati riguardi la sostituzione di regole codificate con un modello.

Ma è tutto solo hype? È necessario l’apprendimento automatico / AI per addestrare l’apprendimento automatico / AI? Oggi, la maggior parte dei prodotti che costruiscono modelli incorporano alcune funzionalità per aumentare la produttività dei data scientist, tra cui ingegneria delle caratteristiche, ottimizzazione dei parametri del modello o selezione e fusione dei modelli. AutoML ha enormi implicazioni su come i team di dati potrebbero finire per lavorare a lungo termine.

I progetti di data science sarebbero guidati da data scientist, che possono quindi sfruttare gli analisti di dati che sono stati in giro e conoscere i dettagli dei dati (o persino dei modelli sottostanti) per guidare il processo di ingegneria delle caratteristiche.

Questo è un momento entusiasmante per l’automazione della vendita al dettaglio; se i sistemi intelligenti possono aiutare a sfruttare le analisi in ogni fase della catena, le informazioni aziendali aiuteranno i rivenditori a comprendere le tendenze locali e ad adattare meglio le loro campagne di marketing.

Le aziende devono essere in grado di interpretare e spiegare i loro modelli predittivi

Se hai già modelli predittivi in produzione, congratulazioni, ma come spieghi a colleghi, dirigenti, team di controllo interno ed esterno come è arrivato il modello alla decisione presa?

Sia per i rivenditori che per le società CPG, l’accesso a grandi quantità di dati dei clienti e la capacità di utilizzarli per migliorare le conoscenze dei consumatori e costruire motori di raccomandazione è fondamentale. Tuttavia, per questo, i clienti e i dipendenti che forniscono i propri dati o utilizzano le raccomandazioni emerse da un’analisi basata sull’intelligenza artificiale devono avere fiducia nell’elaborazione dei dati e nei risultati.

Il principio di equità nell’interpretazione è ancora più fondamentale: come si fa a impedire all’IA di apprendere cose che non dovrebbe? L’intelligenza artificiale può imparare a colludere e discriminare ragionevolmente facilmente e senza che qualcuno controlli le conclusioni, qualsiasi rivenditore che si affida a un algoritmo a cui sono state insegnate le informazioni sbagliate potrebbe trovarsi abbastanza rapidamente in acque profonde con i regolatori.

È un errore comune e cruciale supporre che solo le industrie altamente regolamentate debbano preoccuparsi dell’interpretazione dell’interpretazione ML. Tuttavia, a tutti dovrebbe interessarsene perché costruisce modelli migliori: la comprensione e la fiducia dei modelli e i loro risultati sono un segno distintivo di buona scienza e buoni affari in generale.

Il passaggio all’era dell’intelligenza artificiale non è facile per il CPG e lo spazio commerciale, ma non è insormontabile. Rivenditori e marchi che adottano un approccio graduale e si dispongono con la giusta infrastruttura per persone, processi e strumenti possono prosperare.

Quelli che non si adattano si ritroveranno lentamente indietro, perdendo affari con i rivali che favoriscono le nuove tecnologie e lottando per rimanere rilevanti in questo settore in rapida evoluzione guidato dai consumatori.

Per concludere, qui ci sono i tre temi chiave principali e le cose da asporto di questo pezzo:

1. I rivenditori al dettaglio e le società CPG affrontano naturalmente sfide più significative e diverse nel loro percorso verso l’implementazione dell’IA aziendale rispetto al commercio elettronico e ai rivenditori online. Tuttavia, entrambi sono ancora nelle prime fasi di sviluppo. Gli studi hanno identificato vari blocchi organizzativi che causano ritardi nell’intelligenza artificiale al dettaglio, ma anche opportunità senza precedenti per le aziende di questo settore di raccogliere valore aziendale attuabile dall’upscaling delle loro iniziative di AI e machine learning.

2. Le sfide gravi accompagnano invariabilmente gli enormi vantaggi dell’IA per l’economia al dettaglio in termini di governance, etica e responsabilità. Tuttavia, con una competenza e un’educazione pertinenti delle persone, accurati processi di governance e gli strumenti giusti, la sfida etica e normativa non è impossibile da superare.

3. Le piattaforme di data science, machine learning e AI sono una chiara vittoria per il retail e il CPG: possono fornire una piattaforma per le organizzazioni per ottimizzare quattro pilastri chiave cruciali per offrire un’esperienza di vendita al dettaglio di livello successivo: la capacità di comprendere i propri clienti, potenziare dipendenti, fornire una catena di fornitura intelligente e creare un nuovo modello di pratiche di vendita al dettaglio che migliora la promozione e la produzione dei prodotti che i clienti desiderano di più,

Scegliendo la piattaforma giusta, i rivenditori e i marchi possono trasformare il proprio modello di business e intraprendere il percorso verso l’IA Enterprise per comprendere meglio i propri clienti e le proprie attività, per offrire esperienze uniche, differenziate e individuali.