Oavsett om du handlar online eller i butik, din detaljhandelsupplevelse är den senaste slagfältet för artificiell intelligens (AI) och maskininlärningsrevolutionen.

Stora australiensiska återförsäljare har börjat inse att de har mycket att vinna på att få sin AI -strategi rätt, med en som för närvarande rekryterar till ett chef för AI och maskininlärning som stöds av ett team av datavetenskapare.

Den nyutvecklade Woolworths -divisionen WooliesX syftar till att sammanföra en mångsidig grupp lag, inklusive teknik, kundens digitala upplevelse, e-handel, finansiella tjänster och digital kundupplevelse.

Allt om att krossa data

För att förstå möjligheterna och hoten för alla större återförsäljare, Det är användbart att förstå varför artificiell intelligens är tillbaka på agendan. Två viktiga saker har förändrats sedan de första strejkarna mot AI för decennier sedan:data och datorkraft.

Datorkraft är lätt att se. Smarttelefonen i din hand har miljontals gånger mer beräkningskraft än de skrymmande datorerna för decennier sedan. Företag har tillgång till nästan obegränsad datorkraft för att träna sina AI -algoritmer.

Den andra kritiska ingrediensen är omfattningen och omfattningen av tillgänglig data, särskilt i detaljhandeln.

System för artificiell intelligens - särskilt inlärningstekniker som maskininlärning - trivs på stora, rika datamängder. När den matas på rätt sätt med dessa data, dessa system upptäcker trender, mönster, och samband som ingen mänsklig analytiker någonsin kunde hoppas kunna upptäcka manuellt.

Dessa metoder för maskininlärning automatiserar dataanalys, gör det möjligt för användare att skapa en modell som sedan kan göra användbara förutsägelser om andra liknande data.

Varför detaljhandel är lämpad för AI

Hur snabbt AI -distributionen sker på olika områden beror på några kritiska faktorer:detaljhandeln är särskilt lämplig av några skäl.

Den första är förmågan att testa och mäta. Med lämpliga skyddsåtgärder, detaljhandelsjättar kan distribuera AI och testa och mäta konsumenternas svar. De kan också mäta effekten direkt på deras resultat ganska snabbt.

Det andra är de relativt små konsekvenserna av ett misstag. En AI -agent som landar ett passagerarflygplan har inte råd att göra ett misstag eftersom det kan döda människor. En AI -agent distribuerad i detaljhandeln som fattar miljontals beslut varje dag har råd att fatta vissa misstag, så länge den totala effekten är positiv.

Vissa smarta robottekniker sker redan i detaljhandeln med Nuro.AI och samarbetar med livsmedelsbutiken Kroger för att leverera matvaror till kundernas tröskel i USA.

Men många av de mest betydande förändringarna kommer från implementering av AI snarare än fysiska robotar eller autonoma fordon. Låt oss gå igenom några AI-baserade scenarier som kommer att förändra din detaljhandelsupplevelse.

Dina shoppingvanor

AI kan upptäcka underliggande mönster i ditt shoppingbeteende från de produkter du köper och hur du köper dem.

Detta kan vara dina vanliga inköp av ris från snabbköpet, sporadiska inköp av vin från spritbutiken, och fredag ​​kväll binges på glass på den lokala närbutiken.

Medan lager- och försäljningsdatabassystem helt enkelt spårar inköp av enskilda produkter, med tillräcklig data, maskininlärningssystem kan förutsäga dina vanliga vanor. Det vet att du gillar att laga risotto varje måndagskväll, men också ditt mer komplexa beteende som en och annan glassbinge.

I större skala, analys av beteendet hos miljontals konsumenter skulle göra det möjligt för stormarknader att förutsäga hur många australiensiska familjer som lagar risotto varje vecka. Detta skulle informera lagerhanteringssystem, automatiskt optimera lager av Arborio -ris, till exempel, för butiker med massor av risottokonsumenter.

Denna information skulle sedan delas med vänliga leverantörer, möjliggör mer effektiv lagerhantering och smal logistik.

Effektiv marknadsföring

Traditionella lojalitetsdatabaser som FlyBuys gjorde det möjligt för stormarknader att identifiera din köpfrekvens för en viss produkt - som att du köper Arborio -ris en gång i veckan - och sedan skickar ett erbjudande till en grupp konsumenter som identifierades som "på väg att köpa Arborio -ris" .

Nya marknadsföringstekniker kommer att gå längre än att marknadsföra försäljning till kunder som redan troligtvis kommer att köpa den produkten. Istället, rekommendationer för maskininlärning kommer att främja vitlöksbröd, tiramisu eller andra personliga produktrekommendationer som data från tusentals andra konsumenter har föreslagit ofta går ihop.

Effektiv marknadsföring innebär mindre rabatter, och mer vinst.

Prissättningsdynamik

Prisutmaningen för stormarknader innebär att man tillämpar rätt pris och rätt marknadsföring på rätt produkt.

Optimering av detaljhandelspriser är ett komplext företag, kräver dataanalys på detaljerad nivå för varje kund, produkt och transaktion.

Att vara effektiv, oändliga faktorer måste undersökas, som hur försäljningen påverkas av förändrade prispunkter över tid, säsongsmässighet, väder och konkurrenters kampanjer.

Ett väl utformat maskininlärningsprogram kan vara med i alla dessa variationer, kombinera dem med ytterligare detaljer som köphistorik, produktpreferenser och mer för att utveckla djupa insikter och prissättning skräddarsydda för att maximera intäkter och vinst.

Kundåterkoppling

Historiskt sett kundfeedback uppnåddes via feedbackkort, fyllt i och placerat i en förslagslåda. Denna feedback måste läsas och ageras.

När sociala medier ökade, det blev en plattform för att uttrycka feedback offentligt. Följaktligen, återförsäljare vände sig till skrapprogram för sociala medier för att svara, lösa och engagera kunder i samtal.

Går vidare, maskininlärning kommer att spela en roll i detta sammanhang. Maskininlärning och AI -system möjliggör för första gången massanalys av flera källor till stökiga, ostrukturerad data, t.ex. kundinspelade verbala kommentarer eller videodata.

Minskning av stöld

Australiska återförsäljare förlorar uppskattningsvis 4,5 miljarder dollar per år i lagerförluster. Tillväxten i självbetjäningsregister bidrar till dessa förluster.

Maskininlärningssystem har möjlighet att enkelt skanna miljontals bilder, möjliggör smart, kamerautrustade försäljningsställen (POS) för att upptäcka de olika sorterna av frukt och grönsaker som köpare placerar på registervågar.

Över tid, system blir också bättre på att upptäcka alla produkter som säljs i en butik, inklusive en uppgift som kallas finkornig klassificering, gör det möjligt att se skillnaden mellan en Valencia och Navel apelsin. Därför skulle det inte finnas fler "misstag" när du skriver in potatis när du faktiskt köper persikor.

På längre sikt, Kassasystem kan försvinna helt, som i Amazon Go -butiken.

Datorer som beställer åt dig

Maskininlärningssystem blir snabbt bättre på att översätta din naturliga röst till matlistor.

Digitala assistenter som Google Duplex kan snart skapa inköpslistor och lägga beställningar åt dig, med den franska återförsäljaren Carrefour och den amerikanska jätten Walmart som redan samarbetar med Google.

En utvecklande AI -detaljhandelsupplevelse

När du går igenom livsfaserna blir du äldre, ibland mår dåligt, du kan gifta dig, kanske skaffa barn, eller byta karriär. I takt med att kundens livsvillkor och utgiftsvanor förändras, modellerna justeras automatiskt, som de redan gör inom områden som bedrägeri.

Nuvarande reaktiv systemet innebär att man väntar på att en kund ska börja köpa blöjor, till exempel, att sedan identifiera den kunden som just har bildat en familj, innan du följer upp lämpliga produktrekommendationer.

Istället, maskininlärningsalgoritmer kan modellera beteende, såsom inköp av folatvitaminer och biooljor, sedan förutspå när erbjudanden ska skickas.

Detta skift från reaktiv till prediktiv marknadsföring kan förändra hur du handlar, ger dig förslag som du kanske inte ens övervägt, allt möjligt på grund av AI-relaterade möjligheter för både återförsäljare och deras kunder.

Denna artikel publicerades ursprungligen på The Conversation. Läs originalartikeln.