Bereaksi terhadap apa yang Anda beli, lalu memprediksi apa yang ingin Anda beli. Shutterstock / nmedia

Apakah Anda berbelanja online atau di toko, pengalaman ritel Anda adalah medan pertempuran terbaru untuk kecerdasan buatan (AI) dan revolusi pembelajaran mesin.

Pengecer utama Australia telah mulai menyadari bahwa mereka memiliki banyak keuntungan dari mendapatkan strategi AI mereka dengan benar, dengan satu merekrut untuk Kepala AI dan Pembelajaran Mesin didukung oleh a tim ilmuwan data.

Divisi Woolworths yang baru dikembangkan WoliesX bertujuan untuk mempertemukan kelompok tim yang beragam, termasuk teknologi, pengalaman digital pelanggan, e-commerce, layanan keuangan dan pengalaman pelanggan digital.

Semua tentang mengolah data

Untuk memahami peluang dan ancaman bagi semua pengecer besar, penting untuk memahami mengapa kecerdasan buatan kembali menjadi agenda. Dua hal penting telah berubah sejak awal peralihan ke AI beberapa dekade lalu: kekuatan data dan komputasi.

Kekuatan komputasi mudah dilihat. Smartphone di tangan Anda miliki jutaan kali lebih banyak daya komputasi dari komputer besar dekade lalu. Perusahaan memiliki akses ke daya komputasi yang hampir tidak terbatas untuk melatih algoritma AI mereka.

Bahan penting lainnya adalah skala dan kekayaan data yang tersedia, terutama di ritel.

Sistem kecerdasan buatan - terutama teknik pembelajaran seperti pembelajaran mesin - berkembang pesat di set data yang besar dan kaya. Kapan diberi makan dengan tepat dengan data ini, sistem ini menemukan tren, pola, dan korelasi yang tidak bisa diharapkan oleh analis manusia secara manual.

Pendekatan pembelajaran mesin ini mengotomatisasi analisis data, memungkinkan pengguna untuk membuat model yang kemudian dapat membuat prediksi yang berguna tentang data serupa lainnya.

Mengapa ritel cocok untuk AI

Kecepatan penyebaran AI di berbagai bidang tergantung pada beberapa faktor penting: ritel sangat cocok karena beberapa alasan.

Yang pertama adalah kemampuan untuk menguji dan mengukur. Dengan perlindungan yang tepat, raksasa ritel dapat menggunakan AI dan menguji dan mengukur respons konsumen. Mereka juga dapat secara langsung mengukur efek pada laba mereka dengan cukup cepat.

Yang kedua adalah konsekuensi kesalahan yang relatif kecil. Seorang agen AI yang mendaratkan pesawat penumpang tidak mampu melakukan kesalahan karena itu dapat membunuh orang. Agen AI yang dikerahkan dalam ritel yang membuat jutaan keputusan setiap hari mampu untuk membuat beberapa kesalahan, selama efek keseluruhannya positif.

Beberapa teknologi robot pintar sudah terjadi di ritel dengan Nuro.AI bermitra dengan raksasa grosir Kroger untuk mengirimkan bahan makanan ke depan pintu pelanggan di Amerika Serikat.

{disematkan Y=0xZsvs8iG0Q}

Tetapi banyak perubahan paling signifikan akan datang dari penyebaran AI daripada robot fisik atau kendaraan otonom. Mari kita pergi melalui beberapa skenario berbasis AI yang akan mengubah pengalaman ritel Anda.

Kebiasaan belanja Anda

AI bisa mendeteksi pola yang mendasarinya dalam perilaku belanja Anda dari produk yang Anda beli dan cara Anda membelinya.

Ini bisa berupa pembelian beras rutin Anda dari supermarket, pembelian anggur secara sporadis dari toko minuman keras, dan Jumat malam menggunakan es krim di toko swalayan setempat.

Sedangkan sistem basis data persediaan dan penjualan hanya melacak pembelian produk individu, dengan data yang cukup, sistem pembelajaran mesin dapat meramalkan kebiasaan rutin Anda. Ia tahu Anda suka memasak risotto setiap Senin malam, tetapi juga perilaku Anda yang lebih kompleks seperti pesta es krim sesekali.

Pada skala yang lebih besar, analisis perilaku jutaan konsumen akan memungkinkan supermarket memprediksi berapa banyak keluarga Australia yang memasak risotto setiap minggu. Ini akan menginformasikan sistem manajemen inventaris, secara otomatis mengoptimalkan stok beras Arborio, misalnya, untuk toko-toko dengan banyak konsumen risotto.

Informasi ini akan menjadi dibagikan dengan pemasok yang ramah, memungkinkan manajemen inventaris yang lebih efisien dan logistik yang ramping.

Pemasaran yang efisien

Database skema loyalitas tradisional seperti FlyBuys memungkinkan supermarket mengidentifikasi Anda frekuensi pembelian dari produk tertentu - seperti Anda membeli beras Arborio sekali seminggu - dan kemudian mengirim penawaran ke sekelompok konsumen yang diidentifikasi sebagai "akan membeli beras Arborio".

Teknik pemasaran baru akan bergerak melampaui mempromosikan penjualan ke pelanggan yang sudah cenderung membeli produk itu. Sebagai gantinya, rekomendasi pembelajaran mesin akan mempromosikan roti bawang putih, tiramisu, atau rekomendasi produk yang dipersonalisasi lainnya yang disarankan oleh data dari ribuan konsumen lain.

Pemasaran yang efisien berarti lebih sedikit diskon, dan lebih banyak keuntungan.

Dinamika harga

Tantangan penetapan harga untuk supermarket melibatkan menerapkan harga yang tepat dan promosi yang tepat untuk produk yang tepat.

Optimalisasi harga eceran adalah tugas yang kompleks, membutuhkan analisis data pada tingkat granular untuk setiap pelanggan, produk dan transaksi.

Agar efektif, faktor tak berujung harus diperiksa, seperti bagaimana penjualan dipengaruhi oleh perubahan titik harga dari waktu ke waktu, musim, cuaca dan promosi pesaing.

Program pembelajaran mesin yang dikerjakan dengan baik dapat memperhitungkan semua variasi ini, menggabungkannya dengan detail tambahan seperti riwayat pembelian, preferensi produk, dan lainnya untuk mengembangkan wawasan dan harga yang mendalam yang dirancang untuk memaksimalkan pendapatan dan laba.

Timbal balik pelanggan

Secara historis, umpan balik pelanggan diperoleh melalui kartu umpan balik, diisi dan ditempatkan di kotak saran. Umpan balik ini harus dibaca dan ditindaklanjuti.

As media sosial meningkat, itu menjadi platform untuk mengekspresikan umpan balik kepada publik. Demikian, pengecer beralih ke perangkat lunak pengikisan media sosial untuk menanggapi, menyelesaikan, dan melibatkan pelanggan dalam percakapan.

Ke depan, pembelajaran mesin akan memainkan peran dalam konteks ini. Pembelajaran mesin dan sistem AI akan memungkinkan untuk analisis massal pertama kali dari berbagai sumber data yang berantakan dan tidak terstruktur, seperti pelanggan merekam komentar verbal atau data video.

Pengurangan pencurian

Pengecer Australia kehilangan sekitar A $ 4.5 miliar setiap tahun dalam kerugian stok. Pertumbuhan di register swalayan berkontribusi atas kerugian itu.

Sistem pembelajaran mesin memiliki kemampuan untuk mudah memindai jutaan gambar, memungkinkan sistem POS (titik penjualan) yang pintar dan dilengkapi kamera untuk mendeteksi berbagai jenis pembeli buah dan sayuran di skala register.

Seiring waktu, sistem juga akan lebih baik dalam mendeteksi semua produk yang dijual di toko, termasuk tugas yang disebut klasifikasi halus, memungkinkannya membedakan antara Valencia dan jeruk Navel. Karenanya tidak akan ada lagi "kesalahan" dalam memasukkan kentang ketika Anda benar-benar membeli buah persik.

Dalam jangka panjang, sistem POS dapat hilang sepenuhnya, seperti dalam kasus Toko Amazon Go.

Komputer yang memesan untuk Anda

Sistem pembelajaran mesin adalah dengan cepat menjadi lebih baik dalam menerjemahkan suara alami Anda ke daftar belanjaan.

{vembed Y = rgksCRiRlsI}

Asisten digital seperti Google Duplex dapat segera membuat daftar belanja dan memesan untuk Anda, dengan Pengecer Perancis Carrefour dan Walmart raksasa AS sudah bermitra dengan Google.

Pengalaman ritel AI yang berkembang

Ketika Anda melewati tahap-tahap kehidupan Anda bertambah tua, kadang-kadang tidak sehat, Anda mungkin menikah, mungkin punya anak, atau berganti karier. Ketika keadaan kehidupan dan kebiasaan belanja pelanggan berubah, model akan secara otomatis menyesuaikan, seperti yang sudah mereka lakukan di daerah seperti deteksi penipuan.

Arus reaktif sistem melibatkan menunggu pelanggan untuk mulai membeli popok, misalnya, untuk kemudian mengidentifikasi pelanggan yang baru saja memulai sebuah keluarga, sebelum menindaklanjuti dengan rekomendasi produk yang sesuai.

Alih-alih, algoritma pembelajaran mesin mungkin perilaku model, seperti pembelian vitamin folat dan minyak bio, lalu meramalkan kapan penawaran harus dikirim.

Pergeseran dari pemasaran reaktif ke prediktif ini dapat mengubah cara Anda berbelanja, memberi Anda saran yang bahkan mungkin tidak pernah Anda pertimbangkan, semuanya mungkin karena peluang terkait AI untuk pengecer dan pelanggan mereka.

Tentang Penulis

Michael Milford, Profesor, Queensland University of Technology dan Gary Mortimer, Associate Professor di bidang Pemasaran dan Bisnis Internasional, Queensland University of Technology

Artikel ini diterbitkan kembali dari Percakapan di bawah lisensi Creative Commons. Membaca Artikel asli.