Videnskab
 science >> Videnskab >  >> Elektronik

Når AI møder din shoppingoplevelse, ved den, hvad du køber – og hvad du bør købe

Reagerer på det du køber, derefter forudsige, hvad du vil købe. Kredit:Shutterstock/nmedia

Uanset om du handler online eller i butik, din detailoplevelse er den seneste kampplads for revolutionen med kunstig intelligens (AI) og maskinlæring.

Store australske detailhandlere er begyndt at indse, at de har meget at vinde ved at få deres AI-strategi rigtigt, med en, der i øjeblikket rekrutterer til en Head of AI and Machine Learning støttet af et team af dataforskere.

Den nyudviklede Woolworths division WooliesX har til formål at samle en mangfoldig gruppe af teams, herunder teknologi, kundens digitale oplevelse, e-handel, finansielle tjenester og digital kundeoplevelse.

Alt om at knuse dataene

For at forstå mulighederne og truslerne for alle større detailhandlere, det er nyttigt at forstå, hvorfor kunstig intelligens er tilbage på dagsordenen. To afgørende ting har ændret sig siden de første forsøg på kunstig intelligens for årtier siden:data og computerkraft.

Computerkraft er let at se. Smartphonen i din hånd har millioner af gange mere regnekraft end de omfangsrige computere for årtier siden. Virksomheder har adgang til næsten ubegrænset computerkraft, som de kan træne deres AI-algoritmer med.

Den anden kritiske ingrediens er omfanget og rigdommen af ​​tilgængelige data, især i detailhandlen.

Kunstige intelligenssystemer - især læringsteknikker som maskinlæring - trives stort, rige datasæt. Når de fodres korrekt med disse data, disse systemer opdager tendenser, mønstre, og sammenhænge, ​​som ingen menneskelig analytiker nogensinde kunne håbe på at opdage manuelt.

Disse maskinlæringstilgange automatiserer dataanalyse, gør det muligt for brugere at skabe en model, der derefter kan lave nyttige forudsigelser om andre lignende data.

Hvorfor detailhandel er velegnet til kunstig intelligens

Hurtigheden af ​​AI -implementering på forskellige felter afhænger af et par kritiske faktorer:detailhandel er særligt velegnet af få årsager.

Den første er evnen til at teste og måle. Med passende sikkerhedsforanstaltninger, detailkæmper kan implementere AI og teste og måle forbrugerrespons. De kan også direkte måle effekten på deres bundlinje ret hurtigt.

Det andet er de relativt små konsekvenser af en fejl. En AI-agent, der lander et passagerfly, har ikke råd til at lave en fejl, fordi det kan dræbe mennesker. En AI-agent, der er indsat i detailhandlen, og som træffer millioner af beslutninger hver dag, har råd til at træffe nogle fejl, så længe den samlede effekt er positiv.

Noget smart robotteknologi sker allerede i detailhandlen, hvor Nuro.AI samarbejder med købmandsfirmaet Kroger for at levere dagligvarer til kundernes dørtrin i USA.

Men mange af de væsentligste ændringer vil komme fra implementering af kunstig intelligens i stedet for fysiske robotter eller autonome køretøjer. Lad os gennemgå et par AI-baserede scenarier, der vil ændre din detailoplevelse.

Dine shoppingvaner

AI kan registrere underliggende mønstre i din indkøbsadfærd fra de produkter, du køber, og den måde, du køber dem på.

Dette kunne være dine almindelige køb af ris fra supermarkedet, sporadiske køb af vin fra vinbutikken, og fredag ​​aften drikker is i den lokale dagligvarebutik.

Mens lager- og salgsdatabasesystemer simpelthen sporer indkøb af individuelle produkter, med tilstrækkelige data, maskinlæringssystemer kan forudsige dine almindelige vaner. Den ved, at du kan lide at lave risotto hver mandag aften, men også din mere komplekse adfærd som en lejlighedsvis is-binge.

I større skala, analyse af adfærden hos millioner af forbrugere ville sætte supermarkeder i stand til at forudsige, hvor mange australske familier der tilbereder risotto hver uge. Dette ville informere lagerstyringssystemer, automatisk optimering af lagre af Arborio-ris, for eksempel, til butikker med masser af risottoforbrugere.

Disse oplysninger vil derefter blive delt med venlige leverandører, muliggør mere effektiv lagerstyring og slank logistik.

Effektiv markedsføring

Traditionelle loyalitetsordningsdatabaser som FlyBuys gjorde det muligt for supermarkeder at identificere din frekvens af køb af et bestemt produkt – såsom at du køber Arborio-ris en gang om ugen – og derefter sende et tilbud til en gruppe forbrugere, der blev identificeret som "ved at købe Arborio-ris" .

Nye markedsføringsteknikker vil bevæge sig ud over at fremme salg til kunder, som alligevel sandsynligvis allerede vil købe det pågældende produkt. I stedet, maskinlæringsanbefalere vil promovere hvidløgsbrød, tiramisu eller andre personlige produktanbefalinger, som data fra tusindvis af andre forbrugere har foreslået, ofte går sammen.

Effektiv markedsføring betyder færre rabatter, og mere overskud.

Prisdynamik

Prisudfordringen for supermarkeder involverer at anvende den rigtige pris og den rigtige kampagne på det rigtige produkt.

Optimering af detailpriser er en kompleks opgave, kræver dataanalyse på et detaljeret niveau for hver kunde, produkt og transaktion.

For at være effektiv, uendelige faktorer skal undersøges, hvordan salget påvirkes af ændrede prispunkter over tid, sæsonbestemt, vejr og konkurrenternes kampagner.

Et veludviklet maskinlæringsprogram kan tage højde for alle disse variationer, kombinere dem med yderligere detaljer såsom købshistorik, produktpræferencer og mere for at udvikle dyb indsigt og prissætning, der er skræddersyet til at maksimere omsætning og profit.

Kunde feedback

Historisk set, kundefeedback blev opnået via feedbackkort, udfyldt og lagt i en forslagskasse. Denne feedback skulle læses og reageres på.

Efterhånden som de sociale medier voksede, det blev en platform til at udtrykke feedback offentligt. Derfor, detailhandlere henvendte sig til skrabesoftware til sociale medier for at svare, løse og engagere kunder i samtale.

Bevæger sig fremad, maskinlæring vil spille en rolle i denne sammenhæng. Maskinlæring og AI-systemer vil for første gang muliggøre masseanalyse af flere kilder til rodet, ustrukturerede data, såsom kundeoptagne verbale kommentarer eller videodata.

Reduktion af tyveri

Australske detailhandlere taber anslået 4,5 milliarder dollars årligt i tab af beholdninger. Væksten i selvbetjeningsregistre bidrager til disse tab.

Maskinlæringssystemer har evnen til ubesværet at scanne millioner af billeder, muliggør smart, kamera-udstyrede salgssteder (POS) systemer til at registrere de forskellige sorter af frugt og grøntsager, som købere placerer på registervægte.

Over tid, systemer vil også blive bedre til at opdage alle de produkter, der sælges i en butik, herunder en opgave kaldet finkornet klassificering, gør det muligt for den at kende forskel på en Valencia og Navel orange. Derfor ville der ikke være flere "fejl" i at indtaste kartofler, når du rent faktisk køber ferskner.

På længere sigt, POS -systemer kan forsvinde helt, som i tilfældet med Amazon Go-butikken.

Computere, der bestiller for dig

Maskinlæringssystemer bliver hurtigt bedre til at oversætte din naturlige stemme til indkøbslister.

Digitale assistenter såsom Google Duplex kan snart oprette indkøbslister og afgive ordrer til dig, med den franske forhandler Carrefour og den amerikanske gigant Walmart, der allerede samarbejder med Google.

En udviklende AI-detailoplevelse

Når du bevæger dig gennem livets stadier, bliver du ældre, af og til bliver utilpas, du kan blive gift, måske få børn, eller skifte karriere. Efterhånden som en kundes livsbetingelser og forbrugsvaner ændrer sig, modeller vil automatisk justere, som de allerede gør på områder som afsløring af svindel.

Den nuværende reaktive system involverer at vente på, at en kunde begynder at købe bleer, for eksempel, for derefter at identificere kunden som lige har stiftet familie, før der følges op med passende produktanbefalinger.

I stedet, maskinlæringsalgoritmer kan modellere adfærd, såsom indkøb af folatvitaminer og bioolier, derefter forudsige hvornår tilbud skal sendes.

Dette skift fra reaktiv til prædiktiv markedsføring kan ændre den måde, du handler på, bringer dig forslag, du måske ikke engang har overvejet, alt muligt på grund af AI-relaterede muligheder for både forhandlere og deres kunder.

Denne artikel blev oprindeligt publiceret på The Conversation. Læs den originale artikel.




Varme artikler