Większość detalistów przegra z COVID-19. Dlaczego? Nie potrafią skorzystać ze sztucznej inteligencji.
Branża detaliczna zarobiła w zeszłym roku prawie 4 biliony dolarów, zatrudniając około 52 miliony Amerykanów. National Retail Federation szacuje, że w wyniku pandemii siedem milionów Amerykanów może stracić miejsca pracy w handlu detalicznym.
Krótko mówiąc, COVID-19 powoduje, że konsumenci radykalnie zmieniają ich niegdyś przewidywalne zachowania zakupowe, a czyniąc to, automatycznie podważane jest tradycyjne modelowanie statystyczne stosowane przez detalistów do zarządzania zapasami, towarami i do prowadzenia działań marketingowych.
Uczenie maszynowe może pomóc skutecznie
Zrozumienie, prognozowanie i przewidywanie niepewnych przyszłych warunków pozostaje kluczowym elementem biznesu detalicznego. Obecne narzędzia analityczne będą jednak w niewielkim stopniu pomocne w zarządzaniu łańcuchem wartości w branży detalicznej.
Powód?
Bez porównywalnych wydarzeń w erze cyfrowej modele prognostyczne oparte na danych historycznych są ograniczone w tłumaczeniu zjawisk. Nie dają one możliwości rzetelnego przewidywania przychodów, wydatków a tym samym nie potrafią pomóc w projektowaniu zwrotów z inwestycji (ROI). Na pewno nie w taki sposób jak pomagały przed COVID-19.
Z kolei uczenie maszynowe łatwo dostosowuje się do stopniowych, ewolucyjnych zmian. Nikt dzisiaj nie posiada obszernych danych historycznych za których powstanie odpowiada COVID-19. Dlatego tradycyjne modele nie mogą zostać zastosowane. Uczenie maszynowe pozwala szybciej dostosowywać biznes gdyż daje możliwość szybszego analizowania, większej ilości danych. Wnioski powstają w krótszym, nawet o 70% czasie. Nie wszystko od razu jest bardzo precyzyjne. Tutaj z pomocą przychodzą możliwości samodzielnego uczenia się modeli sztucznej inteligencji. Modele statystyczne potrzebują wzorców nadanych przez człowieka, aby proponować wnioski. Modele uczenia maszynowego potrafią same szukać wzorców i proponować je człowiekowi. To znaczna różnica w sytuacji kiedy danych jest niewiele, ich przyrost jest znaczny i czas na analizy i podejmowanie decyzji znacznie ograniczony,
Kto będzie zwycięzcą?
Najlepsi w swojej klasie detaliści będą musieli wykorzystać uczenie maszynowe i wielowariantowe modele prognozowania, które wykorzystują zewnętrzne źródła danych, takie jak infekcje COVID w regionie, lokalne restrykcje COVID i warunki ekonomiczne regionów i mikroregionów. Manhatan w Nowym Jorku może znacznie różnić się restrykcjami, ilością infekcji i ekonomicznymi parametrami aniżeli oddalone o 30 minut Long Island.
Aby opracować skuteczne prognozy biznesowe, detaliści muszą opracować szczegółowe, jakościowe analizy, które biorą pod uwagę mniejsze obszary geograficzne, dzielnicę, zamiast dystryktu, czy ulicę zamiast dzielnicy. Dane takie można pozyskać, ale trzeba móc z nich skorzystać, aby przeprowadzić adaptację operacji i planów biznesowych do tych nowych warunków ekonomicznych i społecznych po wystąpieniu COVID.
Tradycyjne modele już się nie sprawdzają
Handel detaliczny tradycyjnie opiera się na modelach predykcyjnych wykorzystujących informacje historyczne i dane behawioralne do analizy i identyfikacji trendów zakupowych. Te informacje pomagają detalistom przygotować się na to, czego szukają kupujący, co przejawia się w dobrym zarządzaniu zapasami, trafniejszym marketingu i bardziej spersonalizowanych promocjach.
Problem polega na tym, że COVID-19 zmienił niektóre podstawowe obszary handlu detalicznego, które korzystają z tradycyjnego modelowania statystycznego:
- Łańcuchy dostaw w handlu detalicznym zrywają się. Zamykanie i otwieranie sklepów, zmiana godzin otwarcia, konieczność noszenia masek i zachowania dystansu podczas zakupów wpływają na łańcuch logistyczny. Mniej ludzi w jednostce czasu dokonuje zakupów offline. W ten sposób prognozowanie stanów magazynowych, które są istotnym elementem kosztowym, stało się bardzo trudne.
- Zachowania zakupowe stały się nieregularne i prawdopodobnie będą nadal ewoluować, gdy wejdziemy w nowy okres. Przyszła aktywność kupujących będzie znacznie mniej przewidywalna.
- Pojawiło się wiele możliwości dokonywania zakupów. Można przyjść do sklepu, zamówić online i odebrać w sklepie, zamówić online i dostać zamówienie do bagażnika, lub zamówić online i otrzymać przesyłkę pod drzwi. Pojawiły się nowe cenniki takie jak stała opłata miesięczna za określoną ilość dostaw do domu. Wszystko to skomplikowało matryce danych jakie należy analizować, aby móc prognozować.
Wszystko to oznacza, że wiarygodne dane kupujących są niezwykle krytyczne, a ilość zmian sprawia, że ich analiza jest jeszcze trudniejsza.
Wygrani – kto nimi jest
Jednak branża detaliczna nigdy nie odrzucała wyzwań. Przeanalizujmy zbudowane przez COVID-19 przeszkody i zobaczmy, jak sztuczna inteligencja może pomóc w ich usunięciu.
- Przywracanie zaufania kupujących. Jeśli detaliści uzyskają nowe dane, aby zrozumieć zmieniające się trendy konsumenckie, prawdopodobnie mogą złagodzić niepokój klientów i zwiększyć zaufanie do marki. Sieci kosmetyczne Ulta i Sephora, zrozumiały, że jej klienci pozbawieniu zostali możliwości korzystania z testerów produktów w sklepach. Firma zaczęła promować swoje cyfrowe narzędzie GLAMlab, dzięki czemu użytkownicy mogą wirtualnie wypróbować tysiące produktów kosmetycznych. Jest to także strategia zaangażowania klienta, aby pozyskać dane i ocenić jak zmieniają się interakcje konsumentów. Na tej podstawie firmy budują modele sztucznej inteligencji i zmienią w przyszłości całkowicie proces zakupu kosmetyków.
- Szybkość, bezdotykowej transakcji składani do częstszych zakupów. Starbucks odnotował wzrost sprzedaży w tych samych sklepach o 6% w USA i 5% w Chinach, dzięki napędzanemu sztuczną inteligencją, programowi Deep Brew. Po wprowadzeniu programu AI „Deep Brew” w 2019 r., Starbucks wykorzystał swoją analizę predykcyjną, aby zdecydować, które z tysiąca sklepów USA jest bezpiecznie otworzyć wcześniej i tym samym wesprzeć inaczej mobilne zamówienia, płatności bezgotówkowe i wydawanie elektronicznych paragonów. Kategoryzując sklepy na bazie analiz prowadzonych przez uczenie maszynowe, Starbucks wykorzystuje również dane do planowania i inwentaryzacji, które automatyzuje dla każdej restauracji indywidualnie. W ten sposób Starbucks zwiększył w USA o 15% liczbę uczestników programu lojalnościowego, osiągając poziom 18 milionów aktywnych użytkowników.
- Obsługa klienta powinna być automatyczna i 24/7. Jeśli chodzi o obsługę klienta, chatboty AI mają moc umacniania relacji z klientami i budowania lojalności wobec marki dzięki ich dokładności i niezawodności. W rzeczywistości 66% klientów biorących udział w ankiecie firmy Microsoft woli najpierw skorzystać z samoobsługi, zanim skontaktuje się z przedstawicielem „żywej” obsługi. Świetnym przykładem sklepu internetowego wykorzystującego chatboty AI do poprawy jakości obsługi klienta jest H&M. Chatbot H&M reaguje na informacje podawane przez użytkownika, wybierając odpowiedni strój, sumuje cenę przedmiotów i aktywnie prowadzi dialog, aby nawiązać kontakt z pokoleniem młodszych konsumentów – nawet używając emotikonów.
- Siła rekomendacji. Doskonałym przykładem sprzedawcy internetowego, który tak twierdzi i tak czyni, jest Amazon, WalMart czy eBay. Amazon zapewnia spersonalizowane rekomendacje za pomocą metod collaborative filtering. W efekcie, firma tworzy unikalną stronę główną dla każdego ze swoich milionów klientów. Zdumiewające 35% sprzedaży Amazona pochodzi z tych zaleceń.
Niestety nie wszyscy menedżerowie i dyrektorzy wierzą w siłę sztucznej inteligencji. Jeśli chciałbyś poznać taktyki na przekonanie zarządzajacych do projektów sztucznej inteligencji, pobierz eBook.
Nie ma już offline i online. Granica została zatarta przez COVID-19.
Podczas gdy sprzedaż e-commerce rozkwitła podczas COVID-19, problemy z brakiem zapasów i wyzwaniami związanymi z realizacją zakupów w sklepach internetowych stały się bardziej wyraźne i bardziej widoczne dla klientów. Wiele kategorii produktów zostało wyczerpanych; dostawę premium „następnego dnia” zmieniono na „przyszły tydzień” lub „następny miesiąc”. Według Statista.com, pod koniec lutego 2020 r. ponad 30% leków na kaszel było niedostępnych we wszystkich sklepach internetowych w Chinach. Oznacza to, że wszyscy sprzedawcy, niezależnie od kanału, muszą poprawić poziomy zapasów i usług magazynowych.
Podczas gdy Ty odbierasz offline kiedy kupiłeś online, firmy muszą łączyć gigantyczne bazy danych, niegdyś rozdzielone na samodzielne środowiska. Nawet jeśli bazy te były połączone to np. stany magazynowe aktualizowano raz lub dwa razy na dobę.
Kupując syrop na kaszel na stronie Walmart.com i prosząc o włożenie zakupów do bagażnika, dwa światy łączą się w jeden. Świat offline ze światem online. Nie ma już możliwości aby SKU i stany magazynowe nie były dostępne w jednym z tych światów w czasie rzeczywistym. Do tego dochodzi możliwość reklamacji. W sieci amerykańskiej Best Buy, aby zwrócić produkt, wystarczy w aplikacji mobilnej kliknąć „Oddaję”, aby sprzedawca wyszedł ze sklepu i z bagażnika Twojego samochodu zabrał przedmiot. Wyobraź sobie jak wielka to jest rewolucja w procesach obsługi klienta, aktualizowania stanów magazynowych, sprawdzania wiarygodności transakcji, zwrotu pieniędzy czy zapobiegania oszustwom.
Kto więc przegra?
Przegranych bardzo łatwo zdefiniować. Będą to przede wszystkim firmy zarządzane przez oczekujących, czyli takich menedżerów, którzy wyczekują momentu kiedy COVID-1( zniknie. Oni są w błędzie i polegną, gdyż zanim COVID-19 zniknie ukształtują się nowe nawyki zakupowe w branży detalicznej.
Wojnę przegrają także Ci, którzy nie potrafią zmienić priorytetów z zysku na dane. Co to oznacza? Jeśli detalista przez lata nie zainwestował w unikfikację danych i nie czyni tego teraz stanie się magazynem z półkami. Te firmy, które wciąż będą zamierzały poprawić wyniki finansowe poprzez pracę nad marżą, kosztami i skuteczniejszym marketingiem, przegrają. Nie ma możliwości, aby w nowej rzeczywistości wygrać ceną czy lepszą obsługą klienta. Można wygrać jedynie lepszym wykorzystaniem danych i złapaniem w garść trendów, których inni jeszcze nie widzą. To jest niemożliwe bez sztucznej inteligencji.
Przegra także ta firma, która będzie stosować zamiennik. Co mam na myśli? Na przykład – zamiast bezdotykowej i automatycznej transakcji, przyniesiemy Panu zakupy do domu. Taki model nie działa, jest zbyt drogi, gdyż nie automatyzuje i nie pozyskuje danych do budowy modeli sztucznej inteligencji. Wiele firm próbowało na początku pandemii zachęcać do wejścia do restauracji sugerując, że wszyscy pracownicy noszą maski a bezpieczny kontakt jest utrzymywany. Firmy te przegrały z tymi, którzy zaoferowali drive-through lub odbiór przy tzw. krawężniku (curbside) z automatyczną płatnością i bezdotykowej potwierdzeniem odbioru dokonanym skanowanie kodu na ekranie telefonu.
Autorem artykułu jest Arek Skuza.
Nad produktami i biznesowymi rozwiązaniami pracuję już od 17 lat. Implementuję inteligentne algorytmy SI do firm, przygotowuję, wdrażam i monitoruję strategie, tworzę i kontroluję produktowe roadmapy oraz przygotowuję zespoły do wprowadzania Innowacji. Współpracowałem już z Shell, Discovery Networks, K2, Zenka, Allegro, Modoma, Bayer, Roche, Nova Tracking, InfoPulse USA and Ukraine.
Pasjonuję się edukowaniem innych, dlatego prowadzę bloga o technologii, biznesie i innowacjach (www.arekskuza.com), a mój newsletter czytają menedżerowie, konsultanci i prawnicy z całego świata. Rozwijam także Szkołę Innowacji – platformę wsparcia dla właścicieli małych i średnich firm.