AI kan hjælpe detailhandlere med at forstå forbrugeren

Forbrugermærker og forhandlere kæmper ofte for fuldt ud at forstå de stadigt skiftende kundebehov. Derfor finder du for det meste XL-størrelser i din yndlingsmodebutik og ingen M-størrelser. Derfor skal du bruge timer på at lede efter den stil, du så på Instagram, og stadig ikke finde den. Det er grunden til, at omkostningerne ved dødt varelager til modeforhandlere alene i USA anslås til at være hele 50 milliarder USD. Og det er en del af grunden til, at USA genererede 16 millioner tons tekstilaffald i 2014.

Dette er ikke på grund af manglende intention eller indsats i branchen; hellere, det er ekstremt svært at forstå forbrugerne i stor skala. Karakterisering af forbrugere med brede børstedefinitioner af alder, køn og indkomst er ikke effektiv i betragtning af forskellige og stadigt skiftende forbrugerpræferencer, og detailhandlere er nu nødt til at se på meget finere markedssegmenter – selv ned til enkeltpersoner. I stigende grad, forbrugerne driver trends frem for at handlende definerer dem, og det går hånd i hånd med meget mere eksperimentering og disruption på markedet.

At skabe og sælge "den næste store ting" i et så dynamisk miljø, designere, købere og merchandisere skal bruge deres egen kreativitet, men også overveje, med hidtil uset granularitet, hvordan forbrugernes præferencer ændrer sig, og hvordan forskellige design, merchandising og marketing valg vil fungere. Det er her AI og automatisering kommer ind.

For eksempel, overveje en mode detailkøber. Hun er ansvarlig for den økonomiske succes af de varer, hun vælger i en given sæson, men det er umuligt for hende at forudsige ydeevnen af ​​ethvert design 12 måneder før målsæsonen, eller for at identificere de bedste salgsfremmende interventioner til at anvende i løbet af sæsonen. Dette skyldes, at hun har meget lidt synlighed i, hvordan forbrugernes præferencer ændrer sig på tværs af hendes butikker over tid, og hvordan konkurrerende produkter klarer sig på markedet.

Forestil dig et AI-drevet system, der kunne analysere den naturlige sprogtekst fra millioner af online kundeanmeldelser og billederne af alle produkter på markedet for at opsummere nøglerelationer mellem lokationsspecifik kundefølelse og produktfunktioner. For eksempel, hvordan kunder reagerer på farvebloktrøjer i Kansas City versus i Buffalo, og hvilken egenskab er den sandsynlige årsag til lavere kundetilfredshed for hendes farvebloktrøjer i forhold til konkurrerende farvebloktrøjer. Sådan information om hendes produkter på markedet og nye planlagte produkter ville hjælpe hende med at forbedre hendes sortiment dramatisk, prissætning og nedsættelse, og marketingplaner.

Markedsstemning beregnet for visuelt lignende blomstertoppe på tværs af tre forskellige mærker. Dashboardet viser forbrugernes præference for denne type produkt i forskellige dele af landet, og anbefalede lagerinterventioner i forskellige butikker.

Tilsvarende overveje en salgschef for et yoghurtmærke. Med et system, der kunne analysere salg af fødevarer på tværs af mærker over hele landet for at producere forudsigelser af høj kvalitet af efterspørgslen efter den spinat-artiskok-smagsyoghurt produceret af virksomheden, salgschefen kunne derefter forhandle produktintroduktioner og planogrammer med forhandlere. Et flertal af sådanne forhandlinger mislykkes i dag i mangel af en sådan kapacitet.

Faktisk, IBMs nylige undersøgelse af mere end 1, 900 detail- og forbrugerproduktledere viser, at vedtagelsen af ​​intelligent automatisering i detail- og forbrugerproduktindustrien forventes at gå fra 40 procent af virksomhederne i dag til mere end 80 procent om tre år.

Vores team hos IBM Research – Indien samarbejdede med IBM MetroPulse-teamet for at bringe sådanne første af en slags, AI-drevne egenskaber til MetroPulse, en industriplatform, der samler et omfangsrigt marked, eksterne datasæt og klientdatasæt. De nye muligheder bruger kunstig intelligens og automatisering til at fusionere disse strukturerede og ustrukturerede datasæt omkring semantiske, visuelle og placeringsmæssige sammenhænge og afslører finmasket indsigt om kundepræferencer skjult i disse sammensmeltede data. Disse indsigter vil hjælpe forbrugermærker og detailhandlere med at træffe smartere valg om produktdesign, lagerplanlægning, efterspørgselsprognose og produktsortiment, der er i overensstemmelse med dynamiske forbrugerpræferencer.

Platformen har tre lag, hver med dybt brancheindhold:

Datalaget, som består af

• Markedsdata, der indeholder ajourførte, lokationsspecifikke signaler om forbrugernes præferencer, produktlandskab og brand/detailhandleradfærd. Nogle eksempler på datasæt, vi kuraterer, omfatter online kundeanmeldelser og kommentarer, salgsstedsdata og produktbilleder. Analysen af ​​disse store datasæt kan give virksomheder fingerpeg om, hvordan forbrugernes præferencer ændrer sig på tværs af mærker, forhandlere, kulturer og regioner – på by- eller kvarterniveau.
• Hyper-lokale tredjepartsdata opdateres løbende, signaler på kvarterniveau om eksterne faktorer, der påvirker forbrugeradfærd, såsom demografi, vejrudsigter og historie, lokale arrangementer og besøgende.
• Private virksomhedsdata indeholdende oplysninger om forhandlerens egne butikker, Produkter, merchandising, kampagner og salgshistorik. Disse data behandles med høje sikkerheds- og privatlivsgarantier.

Inkorporering af sådanne flere datasæt er afgørende for at få den rigtige efterspørgselsføling og prognose, som også bemærket i Supply Chain Management 2018:In Service of The Customer, Retail Systems Research, december 2018, hvor 60 – 70 procent af de adspurgte ser "meget værdi" af at overveje nye data som f.eks. handelsområdedata og tidligere kampagner til efterspørgselsprognoser.

Videnslaget, som består af

• Et detailindustrispecifikt digitalt ordforråd – vidensgrafer, der fanger brancheoplysninger i form af enheder, egenskaber og relationer. Dette lag gør det muligt for dataene i datalaget at blive fortolket og analyseret på en standard og meningsfuld måde af AI-systemerne, der i sidste ende genererer indsigt til slutbrugere. For eksempel, overvej en modetaksonomi, der fanger forskellige modeudtryk og forholdet mellem dem (f.eks. "peplum" er typen "top"), eller en købmandsontologi, der fanger forskellige fødevaretyper, ingredienser, smags- og typehierarki.

Industrien efterretningslag, som består af

• En række forskellige AI-algoritmer og modeller, der kan identificere og forstå de signaler, der er begravet i dataene, at gøre dem til indsigt og anbefalinger eksponeret på en meningsfuld og standardiseret måde via et dashboard og API'er. Disse indsigter og anbefalinger hjælper virksomhedsledere, produktdesignere, forhandlere og andre virksomhedsbrugere til at forstå og optimere deres adfærd og præferencer hos deres målgruppe. Kundervendte løsninger til personalisering og kognitiv assistance kan også bruge disse API'er til øget forbrugerengagement på salgsstedet. Disse algoritmer udnytter de nyeste AI-teknikker inden for multimodal AI, forklarlig AI og prognose, og tune dem til at forstå branchespecifik viden og koncepter.
• Multimodal AI samler visuel perception og naturlig sprogbehandling for at udtrække indsigt fra flere datamodaliteter. For eksempel, det kan identificere modegenstande i et billede og relatere dem til udtryk for kundernes meninger i ledsagende anmeldelser; eller en semantisk lighedsmodel, der forstår, at æblejuice ligner mere limonade end æble for en forbruger, men tæt på æblejuice i forhold til smag og ingredienser.
• Forklarlig AI forklarer, hvorfor en model genererer et bestemt output for et givet input. Efterhånden som AI-modeller er blevet mere komplekse, det er blevet næsten umuligt for ikke-dataforskere at forstå deres adfærd, hvilket gør det svært for dem at stole på forudsigelserne fra modellerne. turteknikker giver den forklaring og hjælper slutbrugere med at forstå "hvorfor". For eksempel, forstå stemningen for forskellige designaspekter af sommerkjoler på markedet og forklare bidraget fra lokale faktorer (demografi, vejr) og merchandising faktorer (pris, lager, forfremmelse) om variationen af ​​følelser på tværs af amterne i USA.

Du kan prøve disse nye MetroPulse-funktioner med data fra den virkelige verden ved National Retail Federation (NRF)-arrangementet i New York City i januar, 2019, eller se her for yderligere detaljer.

Denne historie er genudgivet med tilladelse fra IBM Research. Læs den originale historie her.