Konsumentvarumärken och återförsäljare kämpar ofta för att till fullo förstå ständigt föränderliga kundbehov. Därför hittar du mest XL-storlekar i din favoritmodebutik och inga M-storlekar. Det är därför du måste spendera timmar på att leta efter stilen du såg på Instagram och fortfarande inte hitta den. Det är därför som kostnaden för döda varulager för modeåterförsäljare bara i USA uppskattas till hela 50 miljarder USD. Och det är en del av anledningen till att USA genererade 16 miljoner ton textilavfall 2014.

Detta beror inte på någon brist på avsikt eller ansträngning i branschen; snarare, det är extremt svårt att förstå konsumenter i stor skala. Karaktärisera konsumenter med breda penseldefinitioner av ålder, kön och inkomst är inte effektiv med tanke på olika och ständigt föränderliga konsumentpreferenser, och återförsäljare måste nu titta på mycket finare marknadssegment – ​​även ner till enskilda individer. Alltmer, konsumenter driver trender snarare än handlare definierar dem, och detta går hand i hand med mycket mer experimenterande och störningar på marknaden.

Att skapa och sälja "nästa stora sak" i en sådan dynamisk miljö, designers, köpare och säljare måste använda sin egen kreativitet men också överväga, med oöverträffad granularitet, hur konsumenternas preferenser förändras och hur olika design, merchandising och marknadsföring val kommer att fungera. Det är här AI och automation kommer in.

Till exempel, överväga en modeåterförsäljare. Hon är ansvarig för den ekonomiska framgången för de varor hon väljer under en given säsong, men det är omöjligt för henne att förutsäga prestandan för någon design 12 månader före målsäsongen, eller för att identifiera de bästa marknadsföringsinsatserna att tillämpa under säsongen. Detta beror på att hon har väldigt lite insyn i hur konsumenternas preferenser förändras i hennes butiker över tid, och hur konkurrerande produkter presterar på marknaden.

Föreställ dig ett AI-drivet system som kan analysera texten på naturligt språk från miljontals kundrecensioner online och bilderna av alla produkter på marknaden för att sammanfatta nyckelrelationer mellan platsspecifika kundsentiment och produktegenskaper. Till exempel, hur kunder reagerar på färgblockströjor i Kansas City kontra i Buffalo, och vilket attribut är den troliga orsaken till lägre kundsentiment för hennes färgblockströjor jämfört med konkurrerande färgblockströjor. Sådan information om hennes produkter på marknaden och nya planerade produkter skulle hjälpa henne att dramatiskt förbättra sitt sortiment, prissättning och prisnedsättning, och marknadsföringsplaner.

Marknadsentimentet beräknat för visuellt lika blommiga toppar över tre olika märken. Instrumentpanelen visar konsumenternas preferenser för denna typ av produkt i olika delar av landet, och rekommenderade lageringrepp i olika butiker.

Liknande, överväga en försäljningschef för ett yoghurtmärke. Med ett system som kunde analysera försäljning av livsmedel över hela landet för att producera högkvalitativa förutsägelser om efterfrågan på yoghurten med smak av spenatärtskocka som produceras av företaget, Försäljningschefen kunde sedan förhandla fram produktintroduktioner och planogram med återförsäljare. En majoritet av sådana förhandlingar misslyckas i dag i avsaknad av sådan förmåga.

Faktiskt, IBMs senaste studie av mer än 1, 900 ledare inom detaljhandeln och konsumentprodukter visar att införandet av intelligent automation inom detaljhandeln och konsumentprodukter förväntas öka från 40 procent av företagen idag till mer än 80 procent om tre år.

Vårt team på IBM Research – Indien samarbetade med IBM MetroPulse-teamet för att ta fram sådana första i sitt slag, AI-drivna funktioner till MetroPulse, en branschplattform som sammanför voluminös marknad, externa och klientdatauppsättningar. De nya funktionerna använder AI och automation för att smälta samman dessa strukturerade och ostrukturerade datamängder kring semantiska, visuella och platssammanhang och avslöjar finkorniga insikter om kundpreferenser gömda i denna sammansmälta data. Dessa insikter kommer att hjälpa konsumentvarumärken och återförsäljare att göra smartare val om produktdesign, lagerplanering, efterfrågeprognoser och produktsortiment som är i samklang med dynamiska konsumentpreferenser.

Plattformen har tre lager, var och en med djupt branschinnehåll:

Datalagret, som består av

• Marknadsdata som innehåller aktuella, platsspecifika signaler om konsumenternas preferenser, produktlandskap och varumärke/återförsäljarbeteende. Några exempel på datauppsättningar vi sammanställer inkluderar kundrecensioner och kommentarer online, försäljningsställedata och produktbilder. Analysen av dessa stora datamängder kan ge företag ledtrådar om hur konsumenternas preferenser förändras mellan olika varumärken, återförsäljare, kulturer och regioner – på stads- eller stadsdelsnivå.
• Hyperlokal tredjepartsdata uppdateras kontinuerligt, signaler på grannskapsnivå om externa faktorer som påverkar konsumentbeteende som demografi, väderprognoser och historia, lokala evenemang och besökare.
• Privata företagsuppgifter som innehåller information om återförsäljarens egna butiker, Produkter, merchandising, kampanjer och försäljningshistorik. Dessa uppgifter behandlas med hög säkerhet och integritetsgarantier.

Att införliva sådana flera datamängder är avgörande för att få efterfrågeavkänning och prognoser rätt, som också noterats i Supply Chain Management 2018:In Service of The Customer, Retail Systems Research, Dec 2018 där 60–70 procent av de tillfrågade ser "mycket värde" av att överväga ny data som sentiment, handelsområdesdata och tidigare kampanjer i efterfrågeprognoser.

Kunskapslagret, som består av

• En detaljhandelsindustrispecifik digital vokabulär – kunskapsdiagram som fångar branschinformation i form av enheter, egenskaper och relationer. Detta lager gör att data i datalagret kan tolkas och analyseras på ett standardiserat och meningsfullt sätt av AI-systemen som i slutändan genererar insikter för slutanvändare. Till exempel, överväga en modetaxonomi som fångar olika modetermer och relationerna mellan dem (t.ex. "peplum" är typen av "top"), eller en matvaruontologi som fångar olika mattyper, Ingredienser, smaker och typhierarki.

Branschintelligensskiktet, som består av

• En mängd olika AI-algoritmer och modeller som kan identifiera och förstå signalerna som ligger begravda i data, omvandla dem till insikter och rekommendationer exponerade på ett meningsfullt och standardiserat sätt via en instrumentpanel och API:er. Dessa insikter och rekommendationer hjälper företagsledare, produktdesigners, säljare och andra företagsanvändare för att förstå och optimera för beteenden och preferenser hos deras målkonsumentbas. Kundinriktade lösningar för personalisering och kognitiv assistans kan också använda dessa API:er för ökat konsumentengagemang vid försäljningsstället. Dessa algoritmer utnyttjar de senaste AI-teknikerna inom multimodal AI, förklarabar AI och prognoser, och trimma dem för att förstå branschspecifik kunskap och koncept.
• Multimodal AI kombinerar visuell perception och naturlig språkbehandling för att extrahera insikter från flera datamodaliteter. Till exempel, det kan identifiera modeobjekt i en bild och relatera dem till uttryck för kundernas åsikter i medföljande recensioner; eller en semantisk likhetsmodell som förstår att äppeljuice är mer lik lemonad än äpple för en konsument, men nära äppeljuice vad gäller smak och ingredienser.
• Förklarlig AI förklarar varför en modell genererar en viss utdata för en given ingång. I takt med att AI-modeller har blivit mer komplexa, det har blivit nästan omöjligt för icke-datavetare att förstå deras beteende, vilket gör det svårt för dem att lita på förutsägelserna från modellerna. turnétekniker ger den förklaringen och hjälper slutanvändare att förstå "varför". Till exempel, förstå känslan för olika designaspekter av sommarklänningar på marknaden och förklara bidraget från lokala faktorer (demografi, väder) och marknadsföringsfaktorer (pris, stock, marknadsföring) om variationen i stämningen mellan länen i USA.

Du kan prova dessa nya MetroPulse-funktioner med verklig data vid National Retail Federation (NRF)-evenemanget i New York City i januari, 2019, eller se här för mer information.

Den här historien återpubliceras med tillstånd av IBM Research. Läs originalberättelsen här.