Reagerer på det, du køber, og forudsiger derefter, hvad du vil købe. Shutterstock / nmedia

Uanset om du handler online eller i butikken, er din detailoplevelse den seneste slagmark for kunstig intelligens (AI) og maskinindlæringsrevolutionen.

Store australske detailhandlere er begyndt at indse, at de har meget at vinde ved at få deres AI-strategi rigtig, hvor en i øjeblikket rekrutterer til en Leder af AI og maskinlæring understøttet af en team af dataforskere.

Den nyudviklede Woolworths-division WooliesX sigter mod at bringe sammen en forskellig gruppe af teams, herunder teknologi, kunders digitale oplevelse, e-handel, finansielle tjenester og digital kundeoplevelse.

Alt om at knuse dataene

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

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

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

Systemer med kunstig intelligens - især læringsteknikker som maskinindlæring - trives med store, rige datasæt. Hvornår fodres korrekt med disse data opdager disse systemer tendenser, mønstre og korrelationer, som ingen menneskelig analytiker nogensinde kunne håbe at opdage manuelt.

Disse maskinindlæringsmetoder automatiserer dataanalyse, hvilket gør det muligt for brugerne at oprette en model, der derefter kan komme med nyttige forudsigelser om andre lignende data.

Hvorfor detailhandel er velegnet til AI

Hurtigheden af ​​AI-implementering på forskellige områder afhænger af nogle få kritiske faktorer: detailhandel er særligt velegnet af nogle få grunde.

Den første er evnen til at teste og måle. Med passende beskyttelsesforanstaltninger kan detailgiganter implementere AI og teste og måle forbrugernes respons. De kan også måle effekten direkte på deres bundlinje direkte ret hurtigt.

Det andet er de relativt små konsekvenser af en fejltagelse. En AI-agent, der lander et passagerfly, har ikke råd til at begå en fejl, fordi det kan dræbe mennesker. En AI-agent, der er distribueret i detailleddet, der træffer millioner af beslutninger hver dag, har råd til at tage nogle fejl, så længe den samlede effekt er positiv.

Noget smart robotteknologi sker allerede i detailhandlen med Nuro.AI samarbejder med dagligvarer Kroem at levere dagligvarer til kundernes dørtrin i USA.

{vembed Y=0xZsvs8iG0Q}

Men mange af de mest betydningsfulde ændringer kommer fra implementering af AI snarere end fysiske robotter eller autonome køretøjer. Lad os gennemgå et par AI-baserede scenarier, der vil transformere din detailoplevelse.

Dine shoppingvaner

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

Dette kan være dine regelmæssige køb af ris fra supermarkedet, sporadiske køb af vin fra spiritusbutikken og fredag ​​aften binges på is i den lokale dagligvarebutik.

Mens lagerdatabase- og salgsdatabasesystemer ganske enkelt sporer køb af individuelle produkter med tilstrækkelige data, kan maskinlæringssystemer forudsige dine regelmæssige vaner. Det ved, at du kan lide at lave mad risotto hver mandag aften, men også din mere komplekse opførsel som lejlighedsvis isbinge.

I større skala ville en analyse af millioner af forbrugers adfærd gøre det muligt for supermarkeder at forudsige, hvor mange australske familier der laver risotto hver uge. Dette vil informere lagerstyringssystemer, automatisk optimering af aktier af Arborio-ris, for eksempel til butikker med masser af risottoforbrugere.

Disse oplysninger ville så være deles med venlige leverandørermuliggør mere effektiv lagerstyring og lean logistik.

Effektiv markedsføring

Traditionelle databaser med loyalitetsordninger som FlyBuys aktiverede supermarkeder til at identificere din hyppighed af køb af et bestemt produkt - som f.eks. 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 marketingteknikker vil bevæge sig ud over at promovere salg til kunder, der alligevel sandsynligvis vil købe det produkt alligevel. I stedet, maskinlæringsanbefalere vil fremme hvidløgsbrød, tiramisu eller andre personaliserede produktanbefalinger, som data fra tusinder af andre forbrugere har foreslået, ofte går sammen.

Effektiv markedsføring betyder mindre rabat og mere overskud.

Prisdynamik

Prisudfordringen for supermarkeder involverer anvende den rigtige pris og den rette forfremmelse på det rigtige produkt.

Optimering af detailpriser er en kompleks virksomhed, der kræver dataanalyse på et granulært niveau for hver kunde, produkt og transaktion.

For at være effektiv skal endeløse faktorer undersøges, som hvordan salg påvirkes af ændrede prispoint over tid, sæsonbestemthed, vejr og konkurrenters kampagner.

Et veludformet maskinindlæringsprogram kan indregne alle disse variationer ved at kombinere dem med yderligere detaljer såsom indkøbshistorier, produktpræferencer og mere for at udvikle dyb indsigt og prisfastsættelse skræddersyet til at maksimere indtægter og fortjeneste.

Kundefeedback

Historisk blev kundefeedback opnået via feedbackkort, udfyldt og placeret i et forslag. Denne feedback måtte læses og handles efter.

As sociale medier stegetblev det en platform til at udtrykke feedback offentligt. Derfor, forhandlere henvendte sig til skrabesoftware på sociale medier for at svare, løse og engagere kunder i samtale.

Fremadrettet vil maskinlæring spille en rolle i denne sammenhæng. Maskinindlæring og AI-systemer vil for første gang muliggøre bulkanalyse af flere kilder til rodet, ustrukturerede data, såsom kundeoptagede mundtlige kommentarer eller videodata.

Reduktion af tyveri

Australske detailhandlere taber anslået 4.5 milliarder dollars om året i tab af aktier. Væksten i selvbetjeningsregistre bidrager til disse tab.

Machine learning-systemer har evnen til at scan let millioner af billeder uden besvær, der muliggør intelligente, kameraudstyrede salgssteder (POS) til at opdage de forskellige sorter af frugt og grøntsager, som shoppere placerer på registervægte.

Over tid vil systemer også blive bedre til at opdage alle de produkter, der sælges i en butik, inklusive en kaldet opgave finkornet klassificering, gør det muligt at fortælle forskellen mellem en Valencia og Navel orange. Derfor ville der ikke være flere "fejl" ved indtastning af kartofler, når du rent faktisk køber ferskner.

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

Computere, der bestiller til dig

Machine learning-systemer er hurtigt bliver bedre ved at oversætte din naturlige stemme til dagligvarelister.

{vembed Y=rgksCRiRlsI}

Digitale assistenter som f.eks Google Duplex kan snart oprette indkøbslister og afgive ordrer til dig med Fransk forhandler Carrefour , Amerikanske kæmpe Walmart samarbejder allerede med Google.

En udviklende AI-detailoplevelse

Når du bevæger dig gennem livsfaser, bliver du ældre, lejlighedsvis bliver du syg, du kan blive gift, måske få børn eller skifte karriere. Efterhånden som en kundes livsforhold og forbrugsvaner ændres, tilpasser modeller sig automatisk, som de allerede gør i områder som afsløring af svig.

Den aktuelle reaktiv Systemet indebærer at vente på, at en kunde begynder at købe bleer, for eksempel for derefter at identificere denne kunde som lige startet en familie, før den følger op med passende produktanbefalinger.

I stedet kan maskinlæringsalgoritmer muligvis model adfærd, såsom køb af folatvitaminer og bioolier, så forudsige når tilbud skal sendes.

Dette skift fra reaktiv til forudsigelig markedsføring kan ændre den måde, du handler på, hvilket giver dig forslag, som du måske ikke engang overvejede, alt sammen muligt på grund af AI-relaterede muligheder for både detailhandlere og deres kunder.

Om forfatterne

Michael Milford, professor, Queensland University of Technology og Gary Mortimer, lektor i marketing og international forretning, Queensland University of Technology

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs oprindelige artikel.