Reagerar på vad du köper och förutspår sedan vad du vill köpa. Shutterstock / Nmedia

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

Stora australiska återförsäljare har börjat inse att de har mycket att vinna på att få sin AI-strategi rätt, med en som för närvarande rekryterar för en Chef för AI och maskininlärning stöds av a team av datavetare.

Den nyutvecklade divisionen Woolworths WooliesX syftar till att föra samman en mångfald grupp av team, inklusive teknik, kundupplevelse, e-handel, finansiella tjänster och digital kundupplevelse.

Allt om att krossa data

För att förstå möjligheterna och hoten för alla större detaljhandlare är det användbart att förstå varför konstgjord intelligens är tillbaka på dagordningen. Två avgörande saker har förändrats sedan de första inledningarna till AI för decennier sedan: data och datorkraft.

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

Den andra kritiska ingrediensen är omfattningen och rikedomen på tillgängliga data, särskilt i detaljhandeln.

Konstgjorda intelligenssystem - särskilt lärande tekniker som maskininlärning - trivs med stora, rika datamängder. När matas på lämpligt sätt med dessa data upptäcker dessa system trender, mönster och korrelationer som ingen mänsklig analytiker någonsin kunde hoppas upptäcka manuellt.

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

Varför detaljhandeln är lämplig för AI

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

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

Den 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 tar miljoner beslut varje dag har råd att fatta några misstag, så länge den totala effekten är positiv.

Viss smart robotteknologi händer redan i detaljhandeln med Nuro.AI samarbetar med livsmedelsbutik Kroger att leverera livsmedel till kundens dörrsteg i USA.

{vembed Y=0xZsvs8iG0Q}

Men många av de viktigaste förändringarna kommer från distribution 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 regelbundna köp av ris från stormarknaden, sporadiska inköp av vin från spritbutiken och fredagskväll på glass i den lokala närbutiken.

Medan lager- och försäljningsdatabassystem helt enkelt spårar köp av enskilda produkter, med tillräckligt med data, kan maskininlärningssystem förutse dina vanliga vanor. Den vet att du gillar att laga mat risotto varje måndag kväll, men också ditt mer komplexa beteende som enstaka glassglass.

I större skala skulle analys av miljontals konsumenters beteende göra det möjligt för stormarknader att förutsäga hur många australiska familjer som lagar risotto varje vecka. Detta skulle informera lagerstyrningssystem, automatiskt optimera lager av Arborio ris, till exempel för butiker med massor av risottokonsumenter.

Denna information skulle då vara delas med vänliga leverantörer, vilket möjliggör effektivare lagerhantering och smal logistik.

Effektiv marknadsföring

Traditionella databaser för lojalitetssystem som FlyBuys gjorde det möjligt för stormarknader att identifiera din frekvens av köp av en viss produkt - till exempel 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 utöver att marknadsföra försäljning till kunder som redan troligen kommer att köpa den produkten ändå. Istället, rekommendationer för maskininlärning kommer att främja vitlöksbröd, tiramisu eller andra personliga produktrekommendationer som data från tusentals andra konsumenter har föreslagit ofta gå tillsammans.

Effektiv marknadsföring innebär mindre diskontering och mer vinst.

Prissättningsdynamik

Prisutmaningen för stormarknader innebär tillämpa rätt pris och rätt marknadsföring på rätt produkt.

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

För att vara effektiva måste oändliga faktorer granskas, som hur försäljningen påverkas av att ändra prispunkter över tid, säsongsbetonade, väder och konkurrenter.

Ett välutformat maskininlärningsprogram kan faktorera i alla dessa variationer och kombinera dem med ytterligare detaljer som köpshistorik, produktpreferenser och mer för att utveckla djupa insikter och prissättning som är skräddarsydd för att maximera intäkter och vinst.

Feedback från kunder

Historiskt sett uppnåddes kundåterkoppling via feedbackkort, fylldes ut och placerades i en förslagslåda. Denna feedback måste läsas och följas.

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

När vi går framåt kommer maskininlärning att spela en roll i detta sammanhang. Maskininlärning och AI-system möjliggör för första gången bulkanalys av flera källor till smutsiga, ostrukturerade data, t.ex. kund registrerade muntliga kommentarer eller videodata.

Minskning av stöld

Australiska detaljhandlare förlora uppskattningsvis 4.5 miljarder dollar årligen i lagerförluster. Tillväxten i självbetjäningsregister bidrar till dessa förluster.

Maskininlärningssystem har förmågan att skanna enkelt miljoner bilder, vilket möjliggör smarta, kamerautrustade försäljningssystem (POS) för att upptäcka olika sorter av frukt- och grönsakshoppare på registervåg.

Med tiden kommer systemen att bli bättre på att upptäcka alla produkter som säljs i en butik, inklusive en uppgift som heter finkornig klassificering, vilket gör det möjligt att berätta skillnaden mellan en Valencia- och Navel-orange. Därför skulle det inte finnas fler "misstag" när du skriver potatis när du faktiskt köper persikor.

På längre sikt kan POS-system försvinna helt, som i fallet med Amazon Go-butik.

Datorer som beställer åt dig

Maskininlärningssystem är snabbt blir bättre genom att översätta din naturliga röst till livsmedelslistor.

{vembed Y=rgksCRiRlsI}

Digitala assistenter som Google Duplex kan snart skapa inköpslistor och göra beställningar för dig, med Den franska återförsäljaren Carrefour och Den amerikanska jätten Walmart samarbetar redan med Google.

En utvecklande AI detaljhandelsupplevelse

När du går genom livsfasen blir du äldre, ibland blir sjuk, du kan gifta dig, kanske få barn eller byta karriär. När kundernas livsförhållanden och utgiftsvanor förändras kommer modeller automatiskt att anpassas, som de redan gör i områden som bedrägeri upptäckt.

Den nuvarande reaktiva systemet innebär att vänta på att en kund ska börja köpa blöjor, till exempel för att sedan identifiera den kunden som just har startat en familj, innan han följer upp lämpliga produktrekommendationer.

Istället kan maskininlärningsalgoritmer modellbeteende, som köp av folatvitaminer och biooljor, då förutse när erbjudanden ska skickas.

Denna övergång från reaktiv till prediktiv marknadsföring kan förändra ditt sätt att handla och ge dig förslag som du kanske aldrig ens har tänkt på, allt möjligt på grund av AI-relaterade möjligheter för både detaljister och deras kunder.

Om Författarna

Michael Milford, professor, Queensland University of Technology och Gary Mortimer, docent i marknadsföring och internationell affärsverksamhet, Queensland University of Technology

Denna artikel publiceras från Avlyssningen under en Creative Commons licens. Läs ursprungliga artikeln.