Consumentenmerken en retailers hebben vaak moeite om de steeds veranderende klantbehoeften volledig te begrijpen. Daarom vind je in je favoriete modewinkel vooral XL maten en geen M maten. Daarom moet je urenlang zoeken naar de stijl die je op Instagram zag en het nog steeds niet vinden. Dat is de reden waarom de kosten van dode voorraad voor moderetailers in de VS alleen al worden geschat op maar liefst 50 miljard dollar. En dat is een deel van de reden waarom de VS in 2014 16 miljoen ton textielafval produceerden.

Dit is niet vanwege een gebrek aan intentie of inspanning in de industrie; liever, het is buitengewoon moeilijk om consumenten op grote schaal te begrijpen. Kenmerkend voor consumenten met brede penseeldefinities van leeftijd, geslacht en inkomen is niet effectief gezien de uiteenlopende en steeds veranderende consumentenvoorkeuren, en retailers moeten nu kijken naar veel fijnere marktsegmenten, zelfs tot aan individuele individuen. Meer en meer, consumenten sturen trends aan in plaats van dat handelaren ze definiëren, en dit gaat hand in hand met veel meer experimenteren en disruptie in de markt.

Om de "next big thing" te creëren en te verkopen in zo'n dynamische omgeving, ontwerpers, kopers en merchandisers moeten hun eigen creativiteit gebruiken, maar ook rekening houden met, met ongekende granulariteit, hoe consumentenvoorkeuren veranderen en hoe verschillend design, merchandising en marketing keuzes zullen presteren. Dit is waar AI en automatisering binnenkomen.

Bijvoorbeeld, overweeg een koper van een modewinkel. Ze is verantwoordelijk voor het financiële succes van de merchandise die ze in een bepaald seizoen selecteert, maar het is onmogelijk voor haar om de prestaties van een ontwerp 12 maanden voor het doelseizoen te voorspellen, of om de beste promotionele interventies te identificeren om in het seizoen toe te passen. Dit komt omdat ze heel weinig zicht heeft op hoe de voorkeuren van consumenten in haar winkels in de loop van de tijd veranderen, en hoe concurrerende producten presteren op de markt.

Stel je een AI-gestuurd systeem voor dat de natuurlijke taaltekst van miljoenen online klantrecensies en de afbeeldingen van alle producten op de markt kan analyseren om de belangrijkste relaties tussen locatiespecifieke klantsentiment en productkenmerken samen te vatten. Bijvoorbeeld, hoe klanten reageren op pullovers met kleurvlakken in Kansas City versus in Buffalo, en welk kenmerk is de waarschijnlijke oorzaak van een lager klantsentiment voor haar pullovers met kleurvlakken in vergelijking met concurrerende pullovers met kleurvlakken. Dergelijke informatie voor haar in-market-producten en nieuwe geplande producten zou haar helpen haar assortiment drastisch te verbeteren, prijzen en afprijzen, en marketingplannen.

Marktsentiment berekend voor visueel vergelijkbare bloementopjes van drie verschillende merken. Het dashboard toont de voorkeur van de consument voor dit type product in verschillende delen van het land, en aanbevolen voorraadinterventies bij verschillende winkels.

evenzo, overweeg een verkoopmanager voor een yoghurtmerk. Met een systeem dat de merkoverschrijdende verkoop van voedingsmiddelen in het hele land kan analyseren om hoogwaardige voorspellingen te doen van de vraag naar de door het bedrijf geproduceerde yoghurt met spinazie-artisjoksmaak, de verkoopmanager zou dan met retailers kunnen onderhandelen over productintroducties en planogrammen. Een meerderheid van dergelijke onderhandelingen mislukken vandaag de dag bij gebrek aan een dergelijke capaciteit.

In feite, IBM's recente onderzoek van meer dan 1 900 leiders op het gebied van detailhandel en consumentenproducten laten zien dat de invoering van intelligente automatisering in de detailhandel en consumentenproducten naar verwachting zal toenemen van 40 procent van de bedrijven vandaag tot meer dan 80 procent in drie jaar.

Ons team bij IBM Research – India werkte samen met het IBM MetroPulse-team om zo'n eersteklas, AI-gestuurde mogelijkheden voor MetroPulse, een industrieplatform dat een omvangrijke markt samenbrengt, externe en klantdatasets. De nieuwe mogelijkheden gebruiken AI en automatisering om deze gestructureerde en ongestructureerde datasets te fuseren rond semantische, visuele en locatiecontexten en onthult fijnmazige inzichten over klantvoorkeuren die verborgen zijn in deze samengevoegde gegevens. Deze inzichten helpen consumentenmerken en retailers om slimmere keuzes te maken over productontwerp, voorraadplanning, vraagvoorspelling en productassortiment die zijn afgestemd op dynamische consumentenvoorkeuren.

Het platform heeft drie lagen, elk met diepgaande branche-inhoud:

De gegevenslaag, Welke bestaat uit

• Marktgegevens met up-to-date, locatiespecifieke signalen van consumentenvoorkeuren, productlandschap en merk/retailer gedrag. Enkele voorbeelden van datasets die we beheren zijn onder meer online recensies en opmerkingen van klanten, verkooppuntgegevens en productafbeeldingen. De analyse van deze grote datasets kan bedrijven aanwijzingen geven over hoe consumentenvoorkeuren veranderen tussen merken, detailhandelaren, culturen en regio's – op stad- of buurtniveau.
• Hyperlokale gegevens van derden worden voortdurend bijgewerkt, signalen op buurtniveau van externe factoren die het consumentengedrag beïnvloeden, zoals demografie, weersvoorspellingen en geschiedenis, lokale evenementen en bezoekers.
• Private enterprise data met informatie over de eigen winkels van de retailer, producten, merchandising, promoties en verkoopgeschiedenis. Deze gegevens worden behandeld met hoge veiligheids- en privacygaranties.

Het opnemen van dergelijke meerdere datasets is van cruciaal belang om vraagdetectie en -prognoses goed te krijgen, zoals ook vermeld in Supply Chain Management 2018:In Service of The Customer, Onderzoek naar retailsystemen, december 2018, waar 60 - 70 procent van de respondenten "veel waarde" ziet in het overwegen van nieuwe gegevens zoals sentiment, handelsgebiedgegevens en eerdere promoties in vraagprognoses.

De kennislaag, Welke bestaat uit

• Een specifiek digitaal vocabulaire voor de detailhandel - kennisgrafieken die branche-informatie vastleggen in de vorm van entiteiten, eigenschappen en relaties. Met deze laag kunnen de data in de datalaag op een standaard en zinvolle manier worden geïnterpreteerd en geanalyseerd door de AI-systemen die uiteindelijk inzichten genereren voor eindgebruikers. Bijvoorbeeld, overweeg een modetaxonomie die verschillende modetermen en de relaties daartussen weergeeft (bijv. "peplum" is een soort "top"), of een supermarktontologie die verschillende soorten voedsel vastlegt, ingrediënten, smaken en typehiërarchie.

De industrie-intelligentielaag, Welke bestaat uit

• Een verscheidenheid aan AI-algoritmen en -modellen die de signalen die in de gegevens zijn begraven, kunnen identificeren en begrijpen, ze omzetten in inzichten en aanbevelingen die op een zinvolle en gestandaardiseerde manier worden weergegeven via een dashboard en API's. Deze inzichten en aanbevelingen helpen bedrijfsleiders, product ontwerpers, merchandisers en andere zakelijke gebruikers om het gedrag en de voorkeuren van hun doelgroep te begrijpen en te optimaliseren. Klantgerichte oplossingen voor personalisatie en cognitieve hulp kunnen deze API's ook gebruiken voor een grotere betrokkenheid van de consument op het verkooppunt. Deze algoritmen maken gebruik van de nieuwste AI-technieken in multimodale AI, verklaarbare AI en prognoses, en stem ze af om branchespecifieke kennis en concepten te begrijpen.
• Multimodale AI brengt visuele waarneming en natuurlijke taalverwerking samen om inzichten uit meerdere modaliteiten van gegevens te halen. Bijvoorbeeld, het kan mode-objecten in een afbeelding identificeren en deze in begeleidende beoordelingen relateren aan uitingen van de mening van klanten; of een semantisch gelijkenismodel dat begrijpt dat appelsap meer lijkt op limonade dan op appel voor een consument, maar qua smaak en ingrediënten in de buurt van appelsap.
• Verklaarbare AI legt uit waarom een ​​model een bepaalde output genereert voor een bepaalde input. Naarmate AI-modellen complexer zijn geworden, het is bijna onmogelijk geworden voor niet-datawetenschappers om hun gedrag te begrijpen, waardoor ze moeilijk kunnen vertrouwen op de voorspellingen uit de modellen. tourtechnieken brengen die verklaarbaarheid en helpen eindgebruikers het 'waarom' te begrijpen. Bijvoorbeeld, het sentiment voor verschillende ontwerpaspecten van zomerjurken op de markt begrijpen en de bijdrage van lokale factoren (demografie, weer) en merchandisingfactoren (prijs, voorraad, promotie) over de variatie in sentiment in de provincies van de VS.

U kunt deze nieuwe MetroPulse-mogelijkheden uitproberen met real-world data op het National Retail Federation (NRF)-evenement in New York City in januari, 2019, of kijk hier voor meer details.

Dit verhaal is opnieuw gepubliceerd met dank aan IBM Research. Lees hier het originele verhaal.