Uczenie maszynowe w handlu detalicznym: Panaceum czy placebo?

Źródło: https://www.forbes.com/councils/forbestechcouncil/2024/07/05/machine-learning-in-retail-a-panacea-or-a-placebo/

Wraz z rozwojem ery cyfrowej, sprzedawcy detaliczni coraz częściej wdrażają technologie uczenia maszynowego, aby uzyskać tak potrzebną przewagę konkurencyjną. Od prognozowania popytu i zarządzania łańcuchem dostaw po dynamiczne ustalanie cen, analizę zachowań klientów, wykrywanie oszustw i szacowanie wartości klienta, algorytmy ML są wykorzystywane do różnych zadań w firmach detalicznych.

Obietnice są jasne: zyskowne, ukierunkowane kampanie marketingowe, zwiększona satysfakcja klientów, zoptymalizowane strategie cenowe, wydajne łańcuchy dostaw i ostatecznie maksymalne zyski. Dlaczego jednak czasami słyszymy sceptycyzm ze strony sprzedawców detalicznych wobec tej przełomowej technologii?

W tym miejscu chciałbym zagłębić się w fascynujący świat technologii uczenia maszynowego. Pomoże to Państwu lepiej zrozumieć, jak to działa, a co ważniejsze, dlaczego czasami nie działa tak, jak tego oczekujemy i jakie kroki należy podjąć, aby zmaksymalizować korzyści płynące z rozwiązań opartych na ML.

Kiedy firmy zaczynają wdrażać oprogramowanie oparte na sztucznej inteligencji, często oczekują natychmiastowych ogromnych zysków, w pełni zautomatyzowanych procesów i algorytmów, które generują wyniki znacznie dokładniejsze niż wyniki doświadczonych planistów i modeli statystycznych.

Jednak artykuł Harvard Business Review na temat pułapek algorytmów cenowych przynosi nam kilka ciekawych przykładów modeli ML przynoszących nieoczekiwane rezultaty, takie jak szafa o wartości 14 000 USD na Wayfair lub ceny Ubera rosnące o 400% w okresach zbiorowych niepokojów. Jest mało prawdopodobne, że firmy przewidziały takie wyniki, kiedy wdrażały systemy uczenia maszynowego. Co więcej, rozczarowanie jest niemal nieuniknione, jeśli zwrot z inwestycji zajmuje dużo czasu. O co więc tak naprawdę chodzi?

Ludzka intuicja wciąż odgrywa kluczową rolę w branży detalicznej. Doświadczeni menedżerowie potrafią rozpoznać wzorce i czynniki kontekstowe, które ML może przeoczyć. Na przykład, nagły wzrost sprzedaży może natychmiast zasugerować człowiekowi pewne zdarzenie, podczas gdy maszyna może mieć trudności ze zrozumieniem przyczyny.

Co więcej, algorytmy uczenia maszynowego zazwyczaj nie uwzględniają planowanych przyszłych działań. Strategie handlu detalicznego często obejmują zmiany, takie jak wdrażanie standardów obsługi, szkolenia personelu, remonty sklepów (poprawa projektu i układu lub rozszerzenie parkingu) lub strategie marketingowe, które nie są odzwierciedlone w danych historycznych. W rezultacie modele ML, które z natury rzeczy patrzą wstecz, mogą nie przewidzieć wpływu tych przyszłych inicjatyw.

Szybko zmieniający się świat stanowi kolejne istotne wyzwanie dla uczenia maszynowego w branży detalicznej. Dane historyczne, na których opierają się modele ML, mogą szybko stać się nieaktualne. Na przykład pandemia COVID-19 radykalnie zmieniła zachowania zakupowe, sprawiając, że dane z poprzednich lat stały się nieistotne. Podobnie dane z lat pandemii stały się nieistotne w zmienionym świecie po kwarantannie. Zmiany klimatyczne, lokalne konflikty i trendy gospodarcze również wprowadzają nowe zmienne, których wcześniejsze dane nie odzwierciedlają.

Zbieranie, czyszczenie i aktualizowanie tego zróżnicowanego i ciągle zmieniającego się zestawu danych jest monumentalnym zadaniem. Zanim dane zostaną przetworzone, mogą już wymagać aktualizacji, zmniejszając skuteczność modeli uczenia maszynowego.

Uczenie maszynowe w handlu detalicznym opiera się na informacjach takich jak generatywna sztuczna inteligencja lub przetwarzanie języka naturalnego. Opiera się na ogromnych ilościach danych zebranych w celu opracowania algorytmów i tworzenia prognoz. Jednak jakość i zakres danych często wymagają poprawy. Większość sprzedawców detalicznych ma dostęp do podstawowych zestawów, takich jak historyczne dane dotyczące sprzedaży, zapasów i cen. Niemniej jednak, wiele innych czynników znacząco wpływających na popyt i sprzedaż, takich jak trendy rynkowe lub rozległe dane klientów, nie są rejestrowane.

Jednym z przykładów jest zarządzanie zapasami. Załóżmy, że sklep ma w magazynie produkt, który się nie sprzedaje. Algorytmy mogą uznać ten produkt za niesprzedawalny i zalecić wykluczenie go z asortymentu. Co jednak, jeśli produkt jest po prostu niedostępny? Większość algorytmów uczenia maszynowego nie jest w stanie uwzględnić takich szczegółów. Kilka lat zajęło nam wytrenowanie naszych modeli, aby wychwytywały takie anomalie i brały je pod uwagę.

Wniosek jest oczywisty. Uczenie maszynowe w handlu detalicznym to coś więcej niż dostęp do dużych zbiorów danych. Jakość i "czystość" tych danych są również kluczowe. Państwa dostawca oprogramowania powinien być w stanie pomóc w czyszczeniu informacji i szkoleniu modeli w celu interpretacji najbardziej prawdopodobnych przyczyn odchyleń.

Sprzedawcy detaliczni stali się biegli w prognozowaniu popytu, biorąc pod uwagę przewidywalne czynniki, takie jak sezonowość i święta. Nowoczesna technologia umożliwia łatwe monitorowanie cen konkurencji za pośrednictwem kanałów online. Na zachowania konsumentów wpływa jednak wiele innych zmiennych.

Oto tylko jeden przykład. Promocje detaliczne są zazwyczaj koordynowane z producentami, którzy zapewniają wsparcie marketingowe. Jeśli producent przeprowadzi znaczącą kampanię reklamową w telewizji, może to zwiększyć skuteczność promocji, ale jeśli w następnej kampanii zabraknie tego bodźca reklamowego, wyniki będą się różnić. Niestety, bazy danych sprzedawców detalicznych często nie zawierają szczegółowych informacji na temat tych zewnętrznych działań marketingowych, co prowadzi do niekompletnych modeli danych.

Na przykład warunki pogodowe również wpływają na popyt na określone produkty. Podobnie ważne wydarzenia, takie jak mecze piłki nożnej, mogą wywołać wzrost sprzedaży w miastach-gospodarzach i w całym kraju dzięki transmisji strumieniowej online.

Ponownie pojawia się znaczenie wysokiej jakości wsparcia i wskazówek od dostawcy oprogramowania. Powinien on odpowiednio skonfigurować system i przeszkolić Państwa pracowników w zakresie efektywnego wykorzystywania dodatkowych danych wejściowych i wskaźników.

Wykorzystanie uczenia maszynowego w sektorze detalicznym otwiera ekscytujące możliwości dla branży. Może dostarczyć cennych informacji i usprawnić większość procesów. Jednak tymczasowe ograniczenia podkreślają, że nie jest to rozwiązanie uniwersalne.

Sukces uczenia maszynowego w handlu detalicznym zależy od jakości i kompleksowości przetwarzanych danych, a także od jego zdolności do dostosowywania się do szybko zmieniających się warunków i niuansów kontekstowych. Najważniejszym czynnikiem jest tutaj wybór systemu i dostawcy, który dokładnie rozumie unikalne niuanse Państwa działalności i produktów.

Zasadniczo, uczenie maszynowe w handlu detalicznym jest narzędziem, które, gdy jest odpowiednio wykorzystywane i w połączeniu z ludzką wiedzą, może poprawić doświadczenia klientów i usprawnić operacje detaliczne. Jednak aby zrewolucjonizować branżę detaliczną, firmy i dostawcy oprogramowania muszą nadal wprowadzać innowacje i integrować różne źródła danych, aby wykorzystać potencjał uczenia maszynowego.