Потребительские бренды и розничные продавцы часто изо всех сил пытаются полностью понять постоянно меняющиеся потребности клиентов. Вот почему вы в основном найдете размеры XL в вашем любимом магазине модной одежды, а не M-размеров. Вот почему вам приходится часами искать стиль, который вы видели в Instagram, и все же не найти его. Вот почему стоимость мертвых запасов для модных ритейлеров только в США оценивается в 50 миллиардов долларов . И это одна из причин, по которой США произвели 16 миллионов тонн текстильных отходов в 2014 году .

Это не из-за отсутствия намерения или усилий в отрасли; скорее, это чрезвычайно трудно понять потребителей в масштабе. Охарактеризовать потребителей с широкими точными определениями возраста, пола и дохода неэффективно, учитывая разнообразные и постоянно меняющиеся потребительские предпочтения , и теперь ритейлеры должны смотреть на гораздо более мелкие сегменты рынка — даже до отдельных лиц. Потребители все чаще определяют тенденции, а не определяют их торговцы, и это идет рука об руку с гораздо большим количеством экспериментов и разрушений на рынке.

Чтобы создать и продать «следующую большую вещь» в такой динамичной среде, дизайнеры, покупатели и мерчендайзеры должны использовать свои собственные творческие способности, а также с беспрецедентной степенью детализации учитывать, как меняются предпочтения потребителей и как будут действовать различные варианты дизайна, мерчендайзинга и маркетинга. , Это где ИИ и автоматизация вступают.

Например, рассмотрим модного розничного покупателя. Она несет ответственность за финансовый успех товаров, которые она выбирает в любом конкретном сезоне, но для нее невозможно предсказать эффективность любого дизайна за 12 месяцев до целевого сезона или определить лучшие рекламные мероприятия для применения в сезон. Это потому, что у нее очень мало информации о том, как потребительские предпочтения меняются в ее магазинах с течением времени, и как конкурирующие продукты работают на рынке.

Представьте себе систему, управляемую искусственным интеллектом, которая может анализировать текст на естественном языке, содержащий миллионы онлайн-отзывов клиентов, и изображения всех продуктов на рынке, чтобы обобщить ключевые взаимосвязи между настроением клиента в зависимости от местоположения и характеристиками продукта. Например, как клиенты реагируют на пуловеры цветовых блоков в Канзас-Сити по сравнению с Буффало, и какой признак является вероятной причиной более низкого настроения клиентов по отношению к ее пуловерам цветовых блоков по сравнению с конкурирующими пуловерами цветовых блоков. Такая информация для ее продуктов на рынке и новых запланированных продуктов поможет ей значительно улучшить свой ассортимент, цены и уценки, а также маркетинговые планы.

Рыночные настроения рассчитаны на визуально похожие цветочные топы трех разных брендов. На панели инструментов показаны предпочтения потребителей для данного типа продукта в разных частях страны, а также рекомендуемые интервенции на складе в разных магазинах.

Точно так же рассмотрим менеджера по продажам йогуртового бренда. С помощью системы, которая могла бы анализировать кроссбрендовые продажи продуктов питания по всей стране, чтобы производить высококачественные прогнозы спроса на йогурт со вкусом шпината со вкусом артишока, производимый компанией, менеджер по продажам мог бы вести переговоры о представлении продуктов и планограммах с розничными продавцами. Большинство таких переговоров сегодня терпят неудачу из-за отсутствия такой возможности.

Фактически, недавнее исследование IBM, в котором приняли участие более 1900 лидеров розничной торговли и потребительских товаров, показывает, что внедрение интеллектуальной автоматизации в розничной торговле и сфере потребительских товаров, по прогнозам, увеличится с 40 процентов компаний сегодня до более чем 80 процентов за три года.

Наша команда в IBM Research — India сотрудничала с командой IBM MetroPulse, чтобы предоставить такие уникальные возможности, управляемые искусственным интеллектом, в MetroPulse, отраслевой платформе, которая объединяет объемные рыночные, внешние и клиентские наборы данных. Новые возможности используют ИИ и автоматизацию для объединения этих структурированных и неструктурированных наборов данных с семантическим, визуальным контекстом и контекстом местоположения, а также позволяют получить детальное представление о предпочтениях клиентов, скрытых в этих объединенных данных. Эти выводы помогут потребительским брендам и ритейлерам сделать более разумный выбор в отношении дизайна продукта, планирования запасов, прогнозирования спроса и ассортимента продукции, которые соответствуют динамическим потребительским предпочтениям.

Платформа имеет три уровня, каждый с глубоким отраслевым содержанием:

Уровень данных, который состоит из

• Рыночные данные, содержащие актуальную информацию, специфические для местоположения сигналы потребительских предпочтений, ландшафта продукта и поведения бренда / розничного продавца. Некоторые примеры наборов данных, которые мы курируем, включают в себя онлайн отзывы и комментарии клиентов, данные о точках продаж и изображения продуктов. Анализ этих больших наборов данных может дать компаниям представление о том, как потребительские предпочтения меняются в зависимости от бренда, розничной торговли, культуры и региона — на уровне города или района.
• Гиперлокальные сторонние данные, постоянно обновляемые, сигналы уровня соседства о внешних факторах, влияющих на поведение потребителей, таких как демографические данные, прогнозы погоды и история, местные события и посетители.
• Данные частного предприятия, содержащие информацию о собственных магазинах, товарах, товарах, рекламных акциях и истории продаж. Эти данные обрабатываются с высокими гарантиями безопасности и конфиденциальности.

Включение таких множественных наборов данных имеет решающее значение для правильного определения спроса и прогнозирования, как также отмечается в документе «Управление цепочками поставок, 2018 год: на службе потребителя», исследование систем розничной торговли, декабрь 2018 года, где 60–70 процентов респондентов видят «большую ценность» от учета новых данных, таких как настроения, данные о торговых площадях и прошлые рекламные акции, до прогнозирования спроса.

Уровень знаний, который состоит из

• Специфичный для розничной торговли цифровой словарь — графы знаний, которые собирают отраслевую информацию в форме объектов, свойств и отношений. Этот уровень позволяет интерпретировать и анализировать данные на уровне данных стандартным и значимым образом с помощью систем ИИ, которые в конечном итоге генерируют информацию для конечных пользователей. Например, рассмотрим таксономию моды, которая охватывает различные термины моды и взаимосвязи между ними (например, «peplum» — это тип «top»), или онтологию продуктовых магазинов, которая охватывает различные типы продуктов питания, ингредиенты, вкусы и иерархию типов.

Уровень отраслевой разведки, который состоит из

• Разнообразные алгоритмы и модели искусственного интеллекта, которые могут идентифицировать и понимать сигналы, скрытые в данных, превращая их в идеи и рекомендации, представленные в значимом и стандартизированном виде через панель инструментов и API. Эти идеи и рекомендации помогают лидерам бизнеса, дизайнерам продуктов, мерчендайзерам и другим корпоративным пользователям понимать и оптимизировать поведение и предпочтения своей целевой аудитории. Решения для персонализации и когнитивной помощи, ориентированные на покупателя, также могут использовать эти API-интерфейсы для повышения вовлеченности потребителей в точках продаж. Эти алгоритмы используют новейшие методы искусственного интеллекта в мультимодальном искусственном интеллекте, объяснимом искусственном интеллекте и прогнозировании и настраивают их для понимания отраслевых знаний и концепций.
• Мультимодальный ИИ объединяет визуальное восприятие и обработку естественного языка для извлечения идей из различных модальностей данных. Например, он может идентифицировать модные объекты на изображении и связывать их с выражением мнения клиента в сопровождающих обзорах; или модель семантического сходства, которая понимает, что яблочный сок больше похож на лимонад, чем на яблоко для потребителя, но близок к яблочному соку с точки зрения вкуса и ингредиентов.
• Объясняемый ИИ объясняет, почему модель генерирует конкретный вывод для данного ввода. Поскольку модели ИИ стали более сложными, ученым, не относящимся к данным, стало почти невозможно понять их поведение, что затрудняет им возможность полагаться на предсказания моделей. Методы экскурсий привносят эту понятность и помогают конечным пользователям понять «почему». Например, понять отношение к различным аспектам дизайна летних платьев на рынке и объяснить влияние местных факторов (демография, погода) и факторов мерчендайзинга (цена, акции, продвижение) на изменение настроений в разных округах США.

Вы можете опробовать эти новые возможности MetroPulse с реальными данными на мероприятии Национальной федерации розничной торговли (NRF) в Нью-Йорке в январе 2019 года или посмотреть здесь для получения дополнительной информации.