Apabila AI Memenuhi Pengalaman Belanja Anda Ia Tahu Apa yang Anda Beli - Dan Yang Anda Perlu Beli

Apabila AI Memenuhi Pengalaman Belanja Anda Ia Tahu Apa yang Anda Beli - Dan Yang Anda Perlu Beli Merespon apa yang anda beli, kemudian meramalkan apa yang anda ingin beli. Shutterstock / nmedia

Sama ada anda berbelanja dalam talian atau di kedai, pengalaman runcit anda adalah medan tempur terakhir untuk kecerdasan buatan (AI) dan revolusi pembelajaran mesin.

Peruncit utama di Australia telah mula menyedari bahawa mereka mempunyai banyak keuntungan untuk mendapatkan strategi AI mereka, dengan satu merekrut untuk Ketua AI dan Pembelajaran Mesin disokong oleh a pasukan saintis data.

Bahagian Woolworths yang baru dibangunkan WooliesX bertujuan untuk membawa bersama pelbagai kumpulan, termasuk teknologi, pengalaman digital pelanggan, e-dagang, perkhidmatan kewangan dan pengalaman pelanggan digital.

Semua tentang crunching data

Untuk memahami peluang dan ancaman bagi semua peruncit utama, adalah berguna untuk memahami mengapa kecerdasan buatan kembali kepada agenda. Perkara-perkara penting telah berubah sejak penukaran awal ke AI beberapa dekad lalu: kuasa data dan pengkomputeran.

Kuasa pengkomputeran mudah dilihat. Telefon pintar di tangan anda ada jutaan kali lebih banyak kuasa pengiraan daripada komputer besar dekad yang lalu. Syarikat mempunyai akses kepada kuasa pengkomputeran yang hampir tidak terbatas yang dapat melatih algoritma AI mereka.

Bahan kritis lain adalah skala dan kekayaan data yang tersedia, terutama dalam runcit.

Sistem perisikan buatan - khususnya teknik pembelajaran seperti pembelajaran mesin - berkembang pesat pada set data yang besar dan kaya. Bila diberi makan dengan sewajarnya dengan data ini, sistem ini menemui trend, corak, dan korelasi yang tidak ada penganalisis manusia yang boleh berharap untuk mengetahui secara manual.


Dapatkan yang terbaru dari InnerSelf


Pendekatan pembelajaran mesin ini mengautomasikan analisis data, membolehkan pengguna membuat model yang kemudian dapat membuat ramalan berguna tentang data lain yang serupa.

Mengapa runcit sesuai untuk AI

Kekerapan penggunaan AI dalam bidang yang berbeza bergantung pada beberapa faktor kritikal: runcit sangat sesuai untuk beberapa sebab.

Yang pertama ialah keupayaan untuk menguji dan mengukur. Dengan perlindungan yang sesuai, gergasi runcit boleh menggunakan AI dan menguji dan mengukur tindak balas pengguna. Mereka juga boleh mengukur secara langsung kesan di bahagian bawahnya dengan cepat.

Yang kedua ialah akibat yang kecil dari kesilapan. Agen AI mendarat pesawat penumpang tidak mampu membuat kesilapan kerana ia mungkin membunuh orang. Ejen AI yang digunakan dalam runcit yang membuat berjuta-juta keputusan setiap hari mampu untuk membuat beberapa kesilapan, selagi kesan keseluruhannya positif.

Sesetengah teknologi robot pintar telah berlaku dalam runcit dengan Nuro.AI bekerjasama dengan roket Kroger untuk menyampaikan barangan runcit ke pintu masuk pelanggan di Amerika Syarikat.

Tetapi banyak perubahan paling penting akan datang daripada penggunaan AI daripada robot fizikal atau kenderaan autonomi. Mari kita melalui beberapa senario berdasarkan AI yang akan mengubah pengalaman runcit anda.

Tabiat membeli-belah anda

AI boleh mengesan corak asas dalam tingkah laku membeli-belah anda dari produk yang anda beli dan cara anda membelinya.

Ini boleh jadi pembelian biasa beras dari pasar raya, pembelian sporadik wain dari kedai minuman keras, dan malam Jumaat memakan ais krim di kedai serbaneka tempatan.

Manakala sistem inventori dan jualan sistem hanya menjejak pembelian produk individu, dengan data yang mencukupi, sistem pembelajaran mesin boleh meramalkan tabiat biasa anda. Ia tahu anda suka memasak risotto setiap malam Isnin, tetapi juga tingkah laku yang lebih kompleks seperti pesta ais krim sekali-sekala.

Pada skala yang lebih besar, analisis tingkah laku berjuta-juta pengguna akan membolehkan pasaraya untuk meramalkan berapa banyak keluarga Australia memasak risotto setiap minggu. Ini akan memaklumkan sistem pengurusan inventori, secara automatik mengoptimumkan stok daripada beras Arborio, sebagai contoh, untuk kedai-kedai dengan banyak risotto pengguna.

Maklumat ini akan menjadi dikongsi dengan pembekal yang mesra, membolehkan pengurusan inventori yang lebih cekap dan logistik tanpa lemak.

Pemasaran yang cekap

Pangkalan data kesetiaan tradisional seperti FlyBuys membolehkan pasar raya untuk mengenal pasti anda kekerapan pembelian daripada produk tertentu - seperti anda membeli beras Arborio sekali seminggu - dan kemudian menghantar tawaran kepada sekumpulan pengguna yang dikenal pasti sebagai "kira-kira untuk membeli beras Arborio".

Teknik pemasaran baru akan bergerak melampaui mempromosikan jualan kepada pelanggan yang sudah pasti akan membeli produk itu. Sebaliknya, pengesyoran pembelajaran mesin akan menggalakkan roti bawang putih, tiramisu atau cadangan produk peribadi lain yang data dari ribuan pengguna lain telah mencadangkan sering pergi bersama-sama.

Pemasaran cekap bermakna kurang diskaun, dan lebih banyak keuntungan.

Dinamik harga

Cabaran harga untuk pasar raya melibatkan menggunakan harga yang betul dan promosi yang tepat kepada produk yang tepat.

Pengoptimuman harga runcit adalah usaha yang kompleks, yang memerlukan analisis data pada tahap butiran untuk setiap pelanggan, produk dan transaksi.

Untuk menjadi berkesan, faktor yang tidak berkesudahan perlu diperiksa, seperti bagaimana jualan terjejas dengan menukar harga mata dari masa ke masa, musim, cuaca dan promosi pesaing.

Program pembelajaran mesin yang direka dengan baik dapat mempengaruhi semua variasi ini, menggabungkannya dengan butiran tambahan seperti sejarah pembelian, keutamaan produk dan banyak lagi untuk mengembangkan pandangan mendalam dan harga yang disesuaikan untuk memaksimumkan pendapatan dan keuntungan.

Maklum balas pelanggan

Dari segi sejarah, maklum balas pelanggan telah dicapai melalui kad maklum balas, diisi dan dimasukkan ke dalam kotak cadangan. Maklum balas ini perlu dibaca dan diambil tindakan.

As media sosial meningkat, ia menjadi platform untuk menyatakan maklum balas secara terbuka. Oleh itu, peruncit beralih kepada perisian mengikis media sosial untuk bertindak balas, menyelesaikan dan melibatkan pelanggan dalam perbualan.

Melangkah ke hadapan, pembelajaran mesin akan memainkan peranan dalam konteks ini. Pembelajaran mesin dan sistem AI akan membolehkan analisa pukal kali pertama pelbagai sumber data tidak kemas, seperti, pelanggan mencatatkan komen lisan atau data video.

Pengurangan kecurian

Peruncit Australia kehilangan kira-kira A $ 4.5 bilion setahun dalam kerugian stok. Pertumbuhan dalam daftar layan diri menyumbang kepada kerugian tersebut.

Sistem pembelajaran mesin mempunyai keupayaan untuk mudah mengimbas berjuta-juta imej, yang membolehkan sistem penjualan titik jualan (POS) pintar dan kamera untuk mengesan pelbagai jenis buah-buahan dan pembeli sayur-sayuran di atas skala pendaftaran.

Dari masa ke masa, sistem juga akan menjadi lebih baik pada mengesan semua produk yang dijual di kedai, termasuk tugas yang dipanggil klasifikasi halus, membolehkan ia memberitahu perbezaan antara jingga dan oren Navel. Oleh itu, tidak ada lagi "kesilapan" dalam memasuki kentang apabila anda sebenarnya membeli pic.

Dalam jangka masa panjang, sistem POS mungkin hilang sepenuhnya, seperti dalam kes Kedai Amazon Go.

Komputer yang memerintahkan untuk anda

Sistem pembelajaran mesin adalah cepat menjadi lebih baik pada menterjemahkan suara semulajadi anda ke dalam senarai runcit.

Pembantu digital seperti Google Duplex mungkin tidak lama lagi boleh membuat senarai membeli-belah dan membuat pesanan untuk anda, dengan Peruncit Perancis Carrefour dan Walmart gergasi AS sudah bermitra dengan Google.

Pengalaman runcit AI yang berkembang

Apabila anda bergerak melalui peringkat kehidupan anda menjadi lebih tua, kadang-kadang tidak sihat, anda mungkin berkahwin, mungkin mempunyai anak, atau menukar karier. Seperti keadaan hidup dan tabiat perbelanjaan perubahan pelanggan, model akan secara automatik menyesuaikan, seperti yang telah dilakukan di kawasan seperti pengesanan penipuan.

Semasa reaktif sistem melibatkan menunggu pelanggan untuk mula membeli nappies, sebagai contoh, untuk mengenal pasti bahawa pelanggan sebagai baru memulakan keluarga, sebelum mengikuti rekomendasi produk yang sesuai.

Sebaliknya, algoritma pembelajaran mesin boleh tingkah laku model, seperti pembelian vitamin folat dan minyak bio, maka meramalkan apabila tawaran harus dihantar.

Peralihan dari reaktif ke pemasaran ramalan boleh mengubah cara anda membeli-belah, membawa anda cadangan yang anda mungkin tidak pernah dipertimbangkan, semuanya mungkin kerana peluang yang berkaitan dengan AI untuk kedua-dua peruncit dan pelanggan mereka.Perbualan

Mengenai Pengarang

Michael Milford, Profesor, Queensland Universiti Teknologi dan Gary Mortimer, Profesor Madya dalam Pemasaran dan Perniagaan Antarabangsa, Queensland Universiti Teknologi

Artikel ini diterbitkan semula daripada Perbualan di bawah lesen Creative Commons. Membaca artikel asal.

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

ikuti InnerSelf pada

icon-facebooktwitter-iconrss-icon

Dapatkan Yang Terbaru Dengan E-mel

{Emailcloak = mati}