14 июня 2019

Искусственный интеллект в ритейле: онлайн-персонификация, самообучение, пополнение запасов

Часть II. Примеры внедрения искусственного интеллекта в других отраслях (продолжение)

Автор: Дмитрий Слиньков
СОДЕРЖАНИЕ

Часть I. Общие знания об искусственном интеллекте
Вступление
Бéлки. Китайцы. Химчистки. Базы данных...
1.1 Что же такое искусственный интеллект?
Предок Колумба. Каспаров. Машинное и глубокое обучение. Роль котиков...
1.2 Как же машины обучаются?
Сенсоры, IoT, модули обработки, обучающие системы…
1.3 Тенденции ускоряющие ИИ
Почему сегодня? Таланты. Инвестиции…
1.4 Вызовы и риски
Супер-интеллект. Общий интеллект. Узкий интеллект…
1.5 Почему логистика? Почему сейчас?
Сетевой характер. Ну очень большие данные. Феномен накопления.

Часть II. Примеры внедрения искусственного интеллекта в других отраслях
2.1 Потребительский ИИ: помощь на любой случай
Восстание умных колонок. ИИ в каждом чайнике
2.2 Корпоративный ИИ: работать больше или умнее?
2.3 Искусственный Интеллект в ритейле: онлайн-персонификация, самообучение, пополнение запасов
2.4 Автономный транспорт. Инжиниринг и производство.

Часть III. Опыт применения искусственного интеллекта в логистике. Кейсы.

2.3. Искусственный Интеллект в ритейле: онлайн-персонификация, самообучение, пополнение запасов

В электронной торговле всегда найдется место Искусственному Интеллекту. Сегодня только 2% онлайн покупателей осуществляют покупку в ходе первого же визита на сайт магазина. Поначалу, с помощью технологии ретаргетинга удавалось до 98% потенциальных клиентов «добивать» до покупки. Но с ростом популярности ретаргетинга этот инструмент становился всё более докучливым. Поэтому на сегодняшний день уже 40% онлайн-покупателей не реагируют на ретаргетинговые рекламные сообщения (источник 1). Они это делают подсознательно, быстро и «на автомате», раскусывая «коварные» планы рекламодателя. Частично это происходит потому, что равно как и многие другие средства автоматизации в интернете, ретаргетинг работает по достаточно простым прямым скриптам и не может быть по-настоящему персонифицированным.

Имея доступ к миллиардам точек контакта покупателей с магазином, ритейлеры могут на весь этот массив данных напустить нейросеть. Чтобы динамически идентифицировать специфические клиентские сегменты и рекомендовать каждому из нас наиболее релевантные продукты и сервисы. Для ритейлеров (в том числе и-тейлеров, от англ. e-tailers), которые смогут преуспеть в этом начинании, рекомендационный механизм, основанный на ИИ, может стать мощнейшим бизнес-инструментом.

Например, сегодня видеостриминговый сервис Netflix до 80% просмотров получает по рекомендательной системе, основанной на ИИ (источник 2). Аналогично онлайн-ритейлер Амазон с помощью ИИ организовывает рекомендации продуктов. Покупки по интеллектуальным рекомендациям в Амазоне составляют уже 30 и более процентов.
Рекомендательный движок Netflix использует машинное обучение, чтобы понимать, как наилучшим образом представить заголовки, картинки, процесс просмотра заказа для каждого своего пользователя.
Источник: Business Insider.
Но не только онлайн-магазины используют Искусственный Интеллект в качестве своего «инновационного оружия». Традиционный ритейл активно экспериментирует с этими технологиями для того, чтобы улучшить свой опыт взаимодействия с покупателями в физических магазинах, в торговых залах.
OSHbot помогает клиентам найти товар, который их интересует, тем самым освобождая время для традиционных консультантов в зале. Источник: Lowe's Innovation Labs.
Американская сеть магазинов товаров для дома Lowe's использует робота OSHbot разработанного совместно с компанией Fellow Robots для того, чтобы помогать найти клиентам интересующие их товары. OSHbot-ы даже идут вместе с клиентом к конкретным полкам и показывают, где лежит конкретный товар. В этом внедрении используются технологии глубокого обучения, обработки естественного языка и компьютерное зрение. Последнее необходимо для того, чтобы распознавать товары от больших коробок до мелких болтиков.
И самое главное, глубокое обучение позволяет научиться понимать клиентские запросы. Если робот оказывается не в состоянии обработать запрос самостоятельно, у него есть возможность привлечь к запросу живого консультанта. OSHbot также, в свободное от запросов время, производит скользящую инвентаризацию наличия товаров на полках, в том числе в режиме терминала мобильного теле-присутствия. То есть, он может соединять сотрудников магазина с конкретными витринами и полками. Все это позволяет персоналу уделять больше времени тем клиентам, у которых возникают наиболее сложные, комплексные, а значит и потенциально более прибыльные, запросы. Одновременно повышается эффективность каждого магазина за счет постоянного ведения скользящей инвентаризации (источник 3).

Walmart — один из крупнейших розничных магазинов в мире, тестирует роботов, которые сканируют полки на предмет отсутствия товаров, или ценники, которые необходимо изменить, в десятках своих магазинов (источник 4).
Потенциальные выгоды от внедрения автоматизированного контроля за наличием товаров на полке могут составить от 2 до 5% в товарообороте за счет повышения показателя наличия товаров на полке, что говорит о высокой ценности использования подобных решений в рознице (источник 5).
Читайте в следующих статьях цикла "Искусственный интеллект в логистике":

Продолжение Части II: 2.4 Автономный транспорт. Инжиниринг и производство.
Часть III. Опыт применения искусственного интеллекта в логистике. Кейсы.
Источники:
1. Abhishek, A. (2017). Machine learning and retargeting. In: Medium.
2. McAlone, N. (2016). Why Netflix thinks its personalized recommendation engine is worth $1 billion per year. In: Business Insider.
3. Singularity University (2017). The future of shopping has arrived and its name is OSHbot.
4. The 20 Best Examples Of Using Artificial Intelligence For Retail Experiences (www.forbes.com)
4. RUSBASE.
Заявка на демо-доступ Click Service Retail
Читайте в нашем блоге:
Подписаться на новости
Мы обещаем отправлять вам на почту тщательно подобранные материалы и никакого спама!
Photo credits: robotmesse.dk