Of u nu online of in de winkel boodschappen doet, uw winkelervaring is het nieuwste strijdtoneel voor de kunstmatige intelligentie (AI) en machine learning-revolutie.

Grote Australische retailers beginnen zich te realiseren dat ze veel te winnen hebben door hun AI-strategie goed uit te voeren. met een die momenteel aan het werven is voor een hoofd AI en Machine Learning, ondersteund door een team van datawetenschappers.

De nieuw ontwikkelde Woolworths-divisie WooliesX heeft als doel een diverse groep teams samen te brengen, inclusief technologie, digitale klantervaring, e-commerce, financiële dienstverlening en digitale klantervaring.

Alles over het kraken van de gegevens

Om de kansen en bedreigingen voor alle grote retailers te begrijpen, het is handig om te begrijpen waarom kunstmatige intelligentie weer op de agenda staat. Er zijn twee cruciale dingen veranderd sinds de eerste kennismaking met AI decennia geleden:data en rekenkracht.

De rekenkracht is gemakkelijk te zien. De smartphone in je hand heeft miljoenen keren meer rekenkracht dan de omvangrijke computers van decennia geleden. Bedrijven hebben toegang tot bijna onbeperkte rekenkracht om hun AI-algoritmen te trainen.

Het andere cruciale ingrediënt is de schaal en de rijkdom aan beschikbare gegevens, vooral in de detailhandel.

Kunstmatige-intelligentiesystemen – met name leertechnieken zoals machine learning – gedijen goed op grote, rijke datasets. Wanneer op de juiste manier gevoed met deze gegevens, deze systemen ontdekken trends, patronen, en correlaties die geen enkele menselijke analist ooit handmatig zou kunnen ontdekken.

Deze machine learning-benaderingen automatiseren gegevensanalyse, waardoor gebruikers een model kunnen maken dat vervolgens nuttige voorspellingen kan doen over andere vergelijkbare gegevens.

Waarom retail geschikt is voor AI

De snelheid van AI-implementatie op verschillende gebieden hangt af van een aantal kritische factoren:retail is om een ​​aantal redenen bijzonder geschikt.

De eerste is het vermogen om te testen en te meten. Met passende waarborgen, retailgiganten kunnen AI inzetten en de reactie van consumenten testen en meten. Ze kunnen het effect op hun bedrijfsresultaten ook vrij snel direct meten.

De tweede zijn de relatief kleine gevolgen van een fout. Een AI-agent die een passagiersvliegtuig laat landen, kan het zich niet veroorloven een fout te maken, omdat het mensen kan doden. Een AI-agent die in de detailhandel wordt ingezet en die elke dag miljoenen beslissingen kan nemen sommige fouten, zolang het totale effect positief is.

Er wordt al enige slimme robottechnologie toegepast in de detailhandel, waarbij Nuro.AI samenwerkt met supermarktgigant Kroger om boodschappen bij klanten in de Verenigde Staten te bezorgen.

Maar veel van de belangrijkste veranderingen zullen komen van de inzet van AI in plaats van fysieke robots of autonome voertuigen. Laten we een paar op AI gebaseerde scenario's doornemen die uw winkelervaring zullen transformeren.

Uw winkelgewoonten

AI kan onderliggende patronen in je winkelgedrag detecteren van de producten die je koopt en de manier waarop je ze koopt.

Dit kunnen uw reguliere rijstaankopen in de supermarkt zijn, sporadische aankopen van wijn bij de slijterij, en vrijdagavond binges op ijs bij de plaatselijke supermarkt.

Terwijl inventaris- en verkoopdatabasesystemen eenvoudig aankopen van individuele producten volgen, met voldoende gegevens, machine learning-systemen kunnen uw normale gewoonten voorspellen. Hij weet dat je elke maandagavond graag risotto kookt, maar ook je meer complexe gedrag, zoals af en toe een ijsje.

Op grotere schaal, analyse van het gedrag van miljoenen consumenten zou supermarkten in staat stellen te voorspellen hoeveel Australische gezinnen wekelijks risotto koken. Dit zou voorraadbeheersystemen informeren, automatisch optimaliseren van de voorraden Arborio-rijst, bijvoorbeeld, voor winkels met veel risottoconsumenten.

Deze informatie zou vervolgens worden gedeeld met bevriende leveranciers, waardoor een efficiënter voorraadbeheer en een slankere logistiek mogelijk wordt.

Efficiënte marketing

Traditionele databases voor loyaliteitsprogramma's zoals FlyBuys stelden supermarkten in staat om uw aankoopfrequentie van een bepaald product te identificeren - zoals het kopen van Arborio-rijst één keer per week - en vervolgens een aanbieding te sturen naar een groep consumenten die werd geïdentificeerd als "op het punt om Arborio-rijst te kopen" .

Nieuwe marketingtechnieken zullen verder gaan dan het promoten van verkoop aan klanten die dat product waarschijnlijk toch al zullen kopen. In plaats daarvan, machine learning-aanbevelingen zullen knoflookbrood promoten, tiramisu of andere gepersonaliseerde productaanbevelingen die gegevens van duizenden andere consumenten hebben voorgesteld, gaan vaak samen.

Efficiënte marketing betekent minder kortingen, en meer winst.

Prijsdynamiek

De prijsuitdaging voor supermarkten is het toepassen van de juiste prijs en de juiste promotie op het juiste product.

Optimalisatie van retailprijzen is een complexe onderneming, gegevensanalyse op een gedetailleerd niveau voor elke klant vereisen, product en transactie.

Effectief zijn, eindeloze factoren moeten worden onderzocht, zoals hoe de verkoop wordt beïnvloed door prijsveranderingen in de loop van de tijd, seizoensgebondenheid, het weer en de promoties van concurrenten.

Een goed gemaakt machine learning-programma kan rekening houden met al deze variaties, combineren met aanvullende details zoals aankoopgeschiedenissen, productvoorkeuren en meer om diepgaande inzichten en prijzen te ontwikkelen die zijn afgestemd op het maximaliseren van omzet en winst.

Klanten feedback

historisch, feedback van klanten werd verkregen via feedbackkaarten, ingevuld en in een suggestiebox geplaatst. Deze feedback moest worden gelezen en opgevolgd.

Naarmate de sociale media toenam, het werd een platform om publiekelijk feedback te geven. Overeenkomstig, retailers wendden zich tot scrapsoftware voor sociale media om te reageren, klanten op te lossen en in gesprek te gaan.

Vooruit gaan, machine learning zal daarbij een rol spelen. Machine learning en AI-systemen zullen voor het eerst bulkanalyse mogelijk maken van meerdere bronnen van rommelige, ongestructureerde gegevens, zoals door klanten opgenomen mondelinge opmerkingen of videogegevens.

Vermindering van diefstal

Australische retailers verliezen jaarlijks naar schatting A$ 4,5 miljard aan voorraadverliezen. De groei van zelfbedieningsregisters draagt ​​bij aan die verliezen.

Machine learning-systemen kunnen moeiteloos miljoenen afbeeldingen scannen, slim inschakelen, met camera's uitgeruste kassasystemen (POS) om de verschillende soorten groenten en fruit te detecteren die klanten op kassaweegschalen plaatsen.

Overuren, systemen zullen ook beter worden in het detecteren van alle producten die in een winkel worden verkocht, inclusief een taak genaamd fijnmazige classificatie, waardoor het het verschil kan zien tussen een Valencia- en een Navel-sinaasappel. Er zouden dus geen "fouten" meer zijn bij het invoeren van aardappelen wanneer u daadwerkelijk perziken koopt.

Op langere termijn, POS-systemen kunnen volledig verdwijnen, zoals in het geval van de Amazon Go-winkel.

Computers die voor u bestellen

Machine learning-systemen worden snel beter in het vertalen van uw natuurlijke stem naar boodschappenlijstjes.

Digitale assistenten zoals Google Duplex kunnen binnenkort boodschappenlijstjes maken en bestellingen voor u plaatsen, met de Franse retailer Carrefour en de Amerikaanse gigant Walmart die al samenwerken met Google.

Een evoluerende AI-retailervaring

Naarmate je door de levensfasen gaat, word je ouder, af en toe onwel worden, je mag trouwen, misschien kinderen hebben, of van baan veranderen. Naarmate de levensomstandigheden en het bestedingspatroon van een klant veranderen, modellen passen zich automatisch aan, zoals ze al doen op gebieden als fraudedetectie.

De stroom reactief systeem houdt in dat u moet wachten tot een klant luiers gaat kopen, bijvoorbeeld, om die klant vervolgens te identificeren als iemand die net een gezin heeft gesticht, alvorens de juiste productaanbevelingen op te volgen.

In plaats daarvan, machine learning-algoritmen kunnen gedrag modelleren, zoals de aankoop van foliumzuurvitamines en bio-oliën, dan voorspellen wanneer aanbiedingen moeten worden verzonden.

Deze verschuiving van reactieve naar voorspellende marketing kan de manier waarop u winkelt, veranderen, met suggesties die je misschien nog nooit hebt overwogen, allemaal mogelijk vanwege AI-gerelateerde kansen voor zowel retailers als hun klanten.

Dit artikel is oorspronkelijk gepubliceerd op The Conversation. Lees het originele artikel.