I marchi di consumo e i rivenditori spesso faticano a comprendere appieno le esigenze dei clienti in continua evoluzione. Ecco perché trovi principalmente taglie XL nel tuo negozio di moda preferito e nessuna taglia M. Ecco perché devi passare ore a cercare lo stile che hai visto su Instagram e ancora non trovarlo. Questo è il motivo per cui il costo dell'inventario morto per i rivenditori di moda nei soli Stati Uniti è stimato in circa 50 miliardi di dollari. E questo è uno dei motivi per cui gli Stati Uniti hanno generato 16 milioni di tonnellate di rifiuti tessili nel 2014.

Ciò non è dovuto a una mancanza di intenzione o sforzo nell'industria; piuttosto, è estremamente difficile comprendere i consumatori su larga scala. Caratterizzare i consumatori con definizioni di età a pennello ampio, genere e reddito non sono efficaci date le preferenze dei consumatori diverse e in continua evoluzione, e i rivenditori ora devono guardare a segmenti di mercato molto più fini, anche fino ai singoli individui. Sempre più, i consumatori stanno guidando le tendenze piuttosto che i commercianti che le definiscono, e questo va di pari passo con molta più sperimentazione e perturbazione nel mercato.

Per creare e vendere la "prossima grande novità" in un ambiente così dinamico, designer, acquirenti e merchandiser devono usare la propria creatività ma anche considerare, con una granularità senza precedenti, come stanno cambiando le preferenze dei consumatori e quanto diverso design, verranno eseguite le scelte di merchandising e marketing. È qui che entrano in gioco l'intelligenza artificiale e l'automazione.

Per esempio, considera un acquirente al dettaglio di moda. È responsabile del successo finanziario della merce che seleziona in una determinata stagione, ma è impossibile per lei prevedere le prestazioni di qualsiasi progetto 12 mesi prima della stagione target, o per individuare i migliori interventi promozionali da applicare in stagione. Questo perché ha pochissima visibilità su come le preferenze dei consumatori cambiano nel tempo nei suoi negozi, e come i prodotti concorrenti si stanno comportando sul mercato.

Immagina un sistema guidato dall'intelligenza artificiale in grado di analizzare il testo in linguaggio naturale di milioni di recensioni dei clienti online e le immagini di tutti i prodotti sul mercato per riassumere le relazioni chiave tra il sentimento del cliente specifico della posizione e le caratteristiche del prodotto. Ad esempio, come i clienti stanno rispondendo ai pullover color block a Kansas City rispetto a Buffalo, e quale attributo è la probabile causa del sentimento più basso dei clienti per i suoi pullover color block rispetto ai pullover color block della concorrenza. Tali informazioni per i suoi prodotti in-market e per i nuovi prodotti pianificati l'avrebbero aiutata a migliorare notevolmente il suo assortimento, prezzo e sconto, e piani di marketing.

Sentimento del mercato calcolato per top floreali visivamente simili in tre diversi marchi. La dashboard mostra la preferenza del consumatore per questo tipo di prodotto in diverse parti del paese, e consigliati interventi di stock in diversi punti vendita.

Allo stesso modo, considera un responsabile delle vendite per una marca di yogurt. Con un sistema in grado di analizzare le vendite cross-brand di alimenti in tutto il paese per produrre previsioni di alta qualità della domanda di yogurt al gusto di spinaci e carciofi prodotto dall'azienda, il responsabile delle vendite potrebbe quindi negoziare le presentazioni dei prodotti e i planogrammi con i rivenditori. La maggior parte di tali negoziati fallisce oggi in assenza di tale capacità.

Infatti, Il recente studio di IBM su più di 1, 900 leader di prodotti al dettaglio e di consumo mostrano che l'adozione dell'automazione intelligente nei settori della vendita al dettaglio e dei prodotti di consumo dovrebbe aumentare dal 40% delle aziende di oggi a oltre l'80% in tre anni.

Il nostro team di IBM Research – India ha collaborato con il team IBM MetroPulse per portare un prodotto così unico, Funzionalità basate sull'intelligenza artificiale per MetroPulse, una piattaforma di settore che riunisce mercato voluminoso, set di dati esterni e client. Le nuove funzionalità utilizzano l'intelligenza artificiale e l'automazione per fondere questi set di dati strutturati e non strutturati intorno a semantica, contesti visivi e di posizione e scopre informazioni dettagliate sulle preferenze dei clienti nascoste in questi dati fusi. Queste informazioni aiuteranno i marchi di consumo e i rivenditori a fare scelte più intelligenti sulla progettazione del prodotto, pianificazione dell'inventario, previsione della domanda e assortimento di prodotti in sintonia con le preferenze dinamiche dei consumatori.

La piattaforma ha tre livelli, ciascuno con un profondo contenuto del settore:

Il livello dei dati, Che consiste di

• Dati di mercato contenenti dati aggiornati, segnali specifici della posizione delle preferenze dei consumatori, panorama del prodotto e comportamento del marchio/rivenditore. Alcuni esempi di set di dati che curiamo includono recensioni e commenti dei clienti online, dati dei punti vendita e immagini dei prodotti. L'analisi di questi grandi set di dati può fornire alle aziende indizi su come le preferenze dei consumatori stanno cambiando tra i marchi, rivenditori, culture e regioni – a livello di città o di quartiere.
• Dati iperlocali di terze parti continuamente aggiornati, segnali a livello di quartiere di fattori esterni che influenzano il comportamento dei consumatori come dati demografici, previsioni del tempo e storia, eventi locali e visitatori.
• Dati aziendali privati ​​contenenti informazioni sui negozi del rivenditore, prodotti, merchandising, promozioni e cronologia delle vendite. Tali dati sono trattati con elevate garanzie di sicurezza e riservatezza.

L'integrazione di tali set di dati multipli è fondamentale per ottenere il rilevamento e la previsione della domanda corretti, come notato anche in Supply Chain Management 2018:Al servizio del cliente, Ricerca sui sistemi di vendita al dettaglio, dicembre 2018, dove il 60-70 percento degli intervistati vede "molto valore" considerando nuovi dati come il sentimento, dati dell'area commerciale e promozioni passate nella previsione della domanda.

Lo strato di conoscenza, Che consiste di

• Un vocabolario digitale specifico per il settore della vendita al dettaglio:grafici della conoscenza che catturano le informazioni del settore sotto forma di entità, proprietà e relazioni. Questo livello consente ai dati nel livello dati di essere interpretati e analizzati in modo standard e significativo dai sistemi di intelligenza artificiale che alla fine generano approfondimenti per gli utenti finali. Per esempio, considera una tassonomia della moda che catturi vari termini di moda e le relazioni tra di loro (ad esempio "peplum" è il tipo di "top"), o un'ontologia della drogheria che cattura vari tipi di cibo, ingredienti, sapori e gerarchia dei tipi.

Il livello di intelligence del settore, Che consiste di

• Una varietà di algoritmi e modelli di intelligenza artificiale in grado di identificare e comprendere i segnali sepolti nei dati, trasformandoli in approfondimenti e consigli esposti in modo significativo e standardizzato tramite dashboard e API. Queste informazioni e raccomandazioni aiutano i leader aziendali, progettisti di prodotti, merchandiser e altri utenti aziendali per comprendere e ottimizzare i comportamenti e le preferenze della loro base di consumatori target. Anche le soluzioni rivolte agli acquirenti per la personalizzazione e l'assistenza cognitiva possono utilizzare queste API per un maggiore coinvolgimento dei consumatori nel punto vendita. Questi algoritmi sfruttano le più recenti tecniche di intelligenza artificiale nell'intelligenza artificiale multimodale, AI e previsioni spiegabili, e sintonizzarli per comprendere conoscenze e concetti specifici del settore.
• L'intelligenza artificiale multimodale unisce la percezione visiva e l'elaborazione del linguaggio naturale per estrarre informazioni da più modalità di dati. Ad esempio, può identificare oggetti di moda in un'immagine e metterli in relazione con le espressioni dell'opinione del cliente nelle recensioni di accompagnamento; o un modello di somiglianza semantica che comprenda che il succo di mela è più simile alla limonata che alla mela per un consumatore, ma vicino al succo di mela in termini di sapore e ingredienti.
• L'IA spiegabile spiega perché un modello genera un particolare output per un determinato input. Poiché i modelli di intelligenza artificiale sono diventati più complessi, è diventato quasi impossibile per gli scienziati non esperti di dati comprendere il loro comportamento, rendendo loro difficile fare affidamento sulle previsioni dei modelli. le tecniche di tour offrono questa spiegazione e aiutano gli utenti finali a capire il "perché". Per esempio, comprendere il sentimento per i diversi aspetti del design degli abiti estivi nel mercato e spiegare il contributo dei fattori locali (dati demografici, meteo) e fattori di merchandising (prezzo, scorta, promozione) sulla variazione del sentimento tra le contee degli Stati Uniti.

Puoi provare queste nuove funzionalità MetroPulse con dati del mondo reale all'evento National Retail Federation (NRF) a New York City a gennaio, 2019, o vedere qui per ulteriori dettagli.

Questa storia è stata ripubblicata per gentile concessione di IBM Research. Leggi la storia originale qui.