Reageren op wat u koopt en vervolgens voorspellen wat u wilt kopen. Shutterstock / Nmedia

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

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

De nieuw ontwikkelde divisie Woolworths WooliesX wil samenbrengen een diverse groep teams, waaronder technologie, digitale klantervaring, e-commerce, financiële diensten en digitale klantervaring.

Alles over het kraken van de gegevens

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

Rekenkracht is gemakkelijk te zien. De smartphone in je hand heeft miljoenen keren meer rekenkracht dan de omvangrijke computers van tientallen jaren geleden. Bedrijven hebben toegang tot vrijwel onbeperkte rekenkracht waarmee ze hun AI-algoritmen kunnen trainen.

Het andere kritieke ingrediënt is de schaal en rijkdom van beschikbare gegevens, vooral in de detailhandel.

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

Deze machine learning benaderingen automatiseren data-analyse, 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 paar kritische factoren: retail is met name om een ​​aantal redenen geschikt.

De eerste is het vermogen om te testen en te meten. Met passende waarborgen kunnen retailreuzen AI inzetten en de respons van consumenten testen en meten. Ze kunnen ook het effect op hun bottom line redelijk snel meten.

De tweede zijn de relatief kleine gevolgen van een fout. Een AI-agent die een passagiersvliegtuig landt, kan het zich niet veroorloven om een ​​fout te maken, omdat het mensen kan doden. Een AI-agent in de detailhandel die dagelijks miljoenen beslissingen neemt die het zich kan veroorloven sommige fouten, zolang het algehele effect positief is.

Sommige slimme robottechnologie gebeurt al in de detailhandel met Nuro.AI werkt samen met supermarkt kolos Kroger boodschappen afleveren bij de deur van de klant in de Verenigde Staten.

{besloten Y=0xZsvs8iG0Q}

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 detecteer onderliggende patronen in uw winkelgedrag van de producten die u koopt en de manier waarop u ze koopt.

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

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

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

Deze informatie zou dan zijn gedeeld met vriendelijke leveranciers, waardoor efficiënter voorraadbeheer en lean logistiek mogelijk zijn.

Efficiënte marketing

Dankzij traditionele loyaliteitsprogramma-databases zoals FlyBuys kunnen supermarkten uw identificeren frequentie van aankoop van een bepaald product - zoals wanneer u eenmaal per week Arborio-rijst koopt - en vervolgens een aanbod stuurt naar een groep consumenten die geïdentificeerd zijn als "op het punt Arborio-rijst te kopen".

Nieuwe marketingtechnieken zullen verder gaan dan het promoten van verkoop aan klanten die dat product waarschijnlijk al zullen kopen. In plaats daarvan, aanbevelingen voor machinaal leren zal knoflookbrood, tiramisu of andere gepersonaliseerde productaanbevelingen promoten waarvan de gegevens van duizenden andere consumenten suggereren dat ze vaak samengaan.

Efficiënte marketing betekent minder korting en meer winst.

Prijsdynamiek

De prijsvraag voor supermarkten houdt in de juiste prijs en de juiste promotie toepassen op het juiste product.

Optimalisatie van retailprijzen is een complexe onderneming, die voor elke klant, elk product en elke transactie op granulair niveau gegevensanalyse vereist.

Om effectief te zijn, moeten eindeloze factoren worden onderzocht, zoals hoe de verkoop wordt beïnvloed door prijspunten in de loop van de tijd, seizoensinvloeden, weersomstandigheden en promoties van concurrenten.

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

Klanten feedback

Historisch gezien werd klantfeedback verkregen via feedbackkaarten, ingevuld en in een suggestievak geplaatst. Deze feedback moest gelezen en opgevolgd worden.

As sociale media namen toewerd het een platform om publiekelijk feedback te geven. Overeenkomstig, retailers wenden zich tot software voor het schrapen van sociale media om te reageren, problemen op te lossen en klanten in gesprek te brengen.

In de toekomst zal machine learning een rol spelen in deze context. Machine learning en AI-systemen maken voor het eerst bulkanalyse van meerdere bronnen van rommelige, ongestructureerde gegevens mogelijk, zoals klant opgenomen mondelinge opmerkingen of videogegevens.

Vermindering van diefstal

Australische retailers verlies jaarlijks naar schatting A $ 4.5 miljard aan voorraadverliezen. De groei in zelfbedieningsregisters dragen bij tot die verliezen.

Machine learning-systemen hebben de mogelijkheid om scan moeiteloos miljoenen afbeeldingen, waarmee slimme, met camera's uitgeruste kassasystemen (POS) de verschillende soorten groenten en fruit kunnen vinden die shoppers op registerweegschalen plaatsen.

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

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

Computers die voor u bestellen

Machine learning systemen zijn snel beter worden bij het vertalen van je natuurlijke stem in boodschappenlijstjes.

{vermeld Y=rgksCRiRlsI}

Digitale assistenten zoals Google Duplex kan binnenkort boodschappenlijsten maken en bestellingen voor u plaatsen, met Franse winkel Carrefour en Amerikaanse gigant Walmart werkt al samen met Google.

Een zich ontwikkelende AI-winkelervaring

Naarmate je door levensfasen gaat, word je ouder, word je soms onwel, kun je trouwen, misschien kinderen krijgen of van carrière veranderen. Naarmate de levensomstandigheden en bestedingsgewoonten van een klant veranderen, passen modellen zich automatisch aan, zoals ze dat al doen in gebieden zoals fraude detectie.

De huidige reagerend systeem omvat wachten op een klant om luiers te gaan kopen, bijvoorbeeld om vervolgens te identificeren dat die klant net een gezin is begonnen, alvorens passende productaanbevelingen op te volgen.

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

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

Over de Auteurs

Michael Milford, professor, Queensland University of Technology en Gary Mortimer, universitair hoofddocent marketing en internationaal zakendoen, Queensland University of Technology

Dit artikel is opnieuw gepubliceerd vanaf The Conversation onder een Creative Commons-licentie. Lees de originele artikel.