O ile dotychczas cyfrowe przeobrażanie się handlu odbywało się w sposób ewolucyjny, o tyle rewolucja AI wywraca stolik. Wprowadza nowe zasady gry. Retail chce i już czerpie pełnymi garściami z szerokich możliwości, które niesie ze sobą AI. Karuzela kręci się tak szybko, że lata stają się miesiącami, miesiące dniami, a dni minutami. Nie warto czekać. Jesteśmy na początku nowej, niezwykłej przygody. Zapnijcie pasy. Pokierujemy Was.
Sztuczna inteligencja odmieniana jest przez wszystkie przypadki od co najmniej pół roku, kiedy pod naszymi strzechami zagościł skomercjalizowany ChatGPT 3.5. Unity Group od 1997 działa jako End-To-End Commerce Transformation Partner (E2E CTP) i ostatnie, tak szybkie oraz rewolucyjne zmiany, miały miejsce – jak pamiętamy – wraz z rozwojem Internetu w Polsce.
Teraz sprawy przybrały jeszcze szybszy obrót. Tylko w ostatnim miesiącu pojawiło się kolejnych 1000 (sic!) narzędzi AI – często open source. Co to oznacza w praktyce? Że firmy handlowe mają do dyspozycji nieograniczone możliwości optymalizacji działalności przy wykorzystaniu algorytmów sztucznej inteligencji i własnych danych. To może z jednej strony wywoływać ekscytację, z drugiej przyprawiać o ból głowy. Jak w tej dynamice odnajduje się nasz rodzimy retail?
AI to nie wróżka (jest lepsza)
Analizy predykcyjne to crème de la crème AI. Zróżnicowane modele uczenia maszynowego ML (Machine Learning) pomagają przewidywać przyszłe zdarzenia na podstawie gromadzonych danych. Mają szeroki wachlarz zastosowań. W retailu realizują pełnię swojego potencjału. Nasi klienci dzięki tym zaawansowanym algorytmom i mnogości danych (Big Data) już teraz np. prognozują sprzedaż i popyt na swoje towary.
Uczenie maszynowe pomaga nam w predykcjach sprzedaży dla salonów i kanału e-commerce, składaniu zamówień u naszych dostawców, w procesie zaopatrzenia salonów oraz magazynów do obsługi sprzedaży internetowej. ML wydaje się tu kluczowy, zwłaszcza jeśli wziąć pod uwagę skalę działalności. Przy wolumenach, z jakimi mamy do czynienia, człowiek nie jest w stanie przetworzyć prawidłowo tak dużej liczby procesów.
Arkadiusz Wróbel, wiceprezes Silky Coders, części Grupy Kapitałowej LPP, właściciela marek: Cropp, Sinsay, House, Mohito, Reserved
To niejedyne zastosowanie modeli predykcyjnych w handlu. AI pomaga branży również w:
- zarządzaniu czasem pracowników w oddziałach stacjonarnych, tworząc możliwie optymalne grafiki pracy;
- kreowaniu strategii dynamicznych cen, tj. dopasowaniu ceny towaru bądź usługi w czasie rzeczywistym w oparciu o różnorodne dane (popyt, dostępność rynkowa, a nawet poziom naładowania baterii w telefonie!);
- uniknięciu tzw. customer churn – przewidywaniu, kiedy konsument może odejść do konkurencji (dane, które bierzemy pod uwagę, to częstotliwość wizyt w sklepie, wartość zakupów, tendencje do kupowania niestandardowych dla danego klienta towarów itd.);
- zarządzaniu łańcuchem dostaw jako tzw. replenishment – przewidywanie stanu magazynowego, analiza czasu dostawy do poszczególnych sklepów i zamawianie optymalnej ilości towaru do sklepu.
Szacuje się, że dzięki skutecznie wdrożonemu modelowi replenishment retailerzy mogą zredukować nadwyżki towarów nawet o 30%. Innym argumentem przemawiającym za zbudowaniem takiego modelu predykcyjnego są też wymogi środowiskowe stawiane handlowi przez Unię Europejską.
Widzimy tendencję poszukiwania sposobów na zmniejszenie emisji CO2 w całym procesie – od produkcji do ponownego wykorzystania. Inny trend, którego intensyfikacji spodziewam się, to zaawansowane prognozowanie popytu i zapewnienie dostaw tuż przed pojawieniem się braków powodujących przestoje na inwestycji.
Bartosz Pilch, Group Director of Omnichannel, SIG, międzynarodowego dystrybutora materiałów i systemów budowlanych
O ile wróżki mają rację bądź nie, o tyle modele predykcyjne mogą zwracać prognozy z nawet 90 proc. skutecznością!
Rekomendacje to nowy search
Internet dąży do głębokiej personalizacji. Konsumenci coraz śmielej przekazują dane w zamian za otrzymywanie zindywidualizowanych propozycji handlowych, co jest konsekwencją oddziaływania na nich dzień w dzień setek generycznych reklam. W sukurs oczekiwaniom klientów e-commerce przychodzi AI.
Silniki rekomendacji to technologia, która pomaga budować najlepsze doświadczenia klienta. Różne jej warianty pozwalają konsumentowi otrzymać ofertę szytą na miarę, a w konsekwencji budują lojalność wobec marki i zwiększają zyski przedsiębiorstwa. Algorytmy AI analizują ogromne ilości danych dostarczanych przez użytkowników (np. wskaźnik AOV, sentyment wypowiedzi bazujący na NLP, najczęściej kupowany produkt) i na tej podstawie klasyfikują ich do odpowiedniej grupy.
Taka segmentacja ze względu na zachowanie zakupowe i preferencje umożliwia wybór najlepszych możliwych sposobów dotarcia do klienta oraz przygotowanie dedykowanej oferty. Nasi klienci podkreślają, że personalizacja oferty pozytywnie wpływa na konwersje sprzedażowe oraz na optymalizację działań marketingu.
AI już dzisiaj umożliwia naszym sklepom – internetowym i stacjonarnym – lepsze dopasowanie oferty do indywidualnych potrzeb klientów oraz udoskonala kampanie marketingowe. Dzięki analizie danych demograficznych, historii zakupów i preferencji, algorytm AI dostarcza spersonalizowane rekomendacje produktowe oraz pozwala tworzyć dopasowane treści reklamowe. Przekłada się to na większą skuteczność reklam i wzrost świadomości marki.
Grzegorz Romaniuk, dyrektor ds. rozwoju systemów omnichannel w Neonet, jednego z liderów branży RTV-AGD
Sztuczna inteligencja już teraz pozwala na tworzenie indywidualnych rekomendacji stylu użytkownika lub dopasowanie najlepszego wina do podniebienia konkretnego konsumenta. Odpowiada za rekomendacje kolejnego produktu do zakupu (w B2C), przygotowania gotowych koszyków i ofert (B2B), a także za rekomendacje dla handlowców.
Boty i ChatGPT
Najlepsze doświadczenie zakupowe zapewniają konsumentom także różnego rodzaju boty. Niektórzy z naszych klientów z branży retail wykorzystują narzędzie chatbota, które obsługuje już ok. 90% wszystkich zapytań! Sztuczna inteligencja pomaga też w kategoryzowaniu maili czy wyodrębnianiu podstawowych danych.
W ostatnich miesiącach obserwujemy, że nasi klienci z dużą dozą entuzjazmu rozmawiają z nami na temat wspólnego Proof of Concept z wykorzystaniem ChatGPT. Sami też adaptują to narzędzie do tworzenia treści marketingowych, opisu produktów czy przygotowywaniu ofert dla klientów.
NLP (Natural Language Processing) rozwija się od 4 lat zdecydowanie szybciej niż inne technologie AI. Dzięki niemu zadawanie komputerom poleceń nie musi odbywać się poprzez skrypt, wskutek czego dostęp do narzędzi AI jest dużo wygodniejszy, szybszy i pluralistyczny.
Fundamenty projektu AI
Zrozumienie wagi dobrych jakościowo danych w biznesie stale wzrasta, choć w Polsce wciąż jeszcze nie jest tak wysokie, jak np. w Ameryce Północnej czy w Europie Zachodniej. Niektóre rodzime firmy już wcześniej inwestowały w analizę danych czy zaplecze techniczne (np. hurtownie danych), więc mają rozwinięte zasoby, które mogą służyć za podstawę projektu AI. Inne wymagają większego nakładu pracy w celu dostosowania swojej infrastruktury, procesów i kultury organizacyjnej do wykorzystania tych technologii. Te pierwsze już teraz z sukcesem wykorzystują potencjał tkwiący w Big Data, te drugie są na dobrej drodze do wymiernych oszczędności czy zwiększenia przychodu w organizacji. Ważne, by zrozumieć, że dane są kluczem do sukcesu w przypadku projektu AI.
Odwrotnie proporcjonalnie do tempa pojawiania się nowych narzędzi AI należy podejść do procesu Data Science, który potrzebuje czasu, aby wybrzmieć. Samo czyszczenie danych, trenowanie modelu, a później uprodukcyjnienie może trwać nawet kilka miesięcy. Polscy retailerzy rozumieją coraz lepiej, że proces Data Science to nie to samo, co standardowe wdrożenie systemu IT.
Projekty AI mają przynosić korzyści biznesowe, optymalizacje prowadzące np. do redukcji kosztów. Osadzanie ich w chmurze publicznej również służy ograniczaniu wydatków. Co do zasady klient płaci tylko za tyle miejsca, ile w danej chwili wykorzystuje. Chmura dostarcza zarówno nieograniczonej mocy obliczeniowej, niezbędnej do skrócenia czasu uzyskania wyników, jak i kompletne platformy przyspieszające procesy budowania i trenowania modeli, co skraca wykorzystanie czasu zespołów analitycznych i inżynierów.
W największych chmurach dostępne są również już wstępnie wytrenowane pod kątem rozwiązywania konkretnych problemów modele (tzw. pre-trained models). Wykorzystanie ich pozwala jeszcze bardziej oszczędzić czas i koszty, ponieważ nie wymagają już najbardziej złożonego obliczeniowo procesu – uczenia.
Podsumowanie
Kto w retailu może zatem zostać beneficjentem rewolucji przemysłowej, na czele której stoi AI i uczenie maszynowe? Wygrają ci, którzy rozumieją, że choć narzędzia AI pojawiają się jak grzyby po deszczu, to sam proces Data Science wymaga świadomości celu biznesowego, czasu i cierpliwości. To maraton, a nie bieg na 100 metrów. Nagroda bywa odroczona. Jednocześnie warto poświęcać czas na odpowiednie przygotowanie danych, bo to zaprocentuje i przyniesie wymierne korzyści.
Wygrają te organizacje, które już teraz pieczołowicie zbierają dane i chcą przygotowywać dla nich odpowiednią infrastrukturę. Również takie, które taką infrastrukturę już posiadają, i chcą wykorzystać dane, aby zasilać nimi algorytmy przynoszące wartość biznesowi. W końcu te, które nie boją się zaryzykować i wprowadzać AI w każdej wolnej przestrzeni biznesu – wcale niekoniecznie tylko tej, która stoi frontem do konsumenta – optymalizować wewnętrzne procesy lub części składowe procesów. Te, które chcą wprowadzać innowacje mimo ryzyka porażki.
Sebastian Błaszkiewicz, Head of Sales Excellence, Unity Group
