Siamo arrivati alla terza ed ultima parte della nostra guida sull’utilizzo del Machine Learning nel retail. Oggi parleremo dell’utilità di questa tecnologia per gli store tradizionali.
Store fisici
Stock e inventario
Ottimizzare la pianificazione dell’inventario e la manutenzione predittiva è un problema chiave e una preoccupazione logistica molto importante per i rivenditori.
Previsione delle esigenze di inventario.
Gli algoritmi di Machine Learning possono sfruttare i dati di acquisto per prevedere le esigenze di inventario in tempo reale. In base al giorno della settimana, alla stagione, agli eventi vicini, ai dati sui social media e al comportamento passato dei clienti, questi algoritmi possono fornire una dashboard giornaliera degli ordini suggeriti a un responsabile degli acquisti.
La potenza della visione artificiale
I retailer con un negozio fisico possono trarre vantaggio dagli impressionanti risultati recenti sulla visione artificiale. I nuovi approcci nel campo potrebbero essere utilizzati per generare stime accurate e in tempo reale dei prodotti in un determinato negozio.
Con queste informazioni, un algoritmo di Machine Learning potrebbe informare i gestori del negozio circa dati imprevisti di inventario che potrebbero essere dovuti a furti o a un insolito aumento della domanda di un prodotto.
Un’altra applicazione consiste nell’utilizzare le immagini per analizzare l’utilizzo dello spazio sugli scaffali e identificare le configurazioni non ottimali. Un ottimo esempio di questa tecnologia è LoweBot, il robot di servizi di vendita al dettaglio autonomo di Lowe, che oltre ad aiutare i clienti a fare acquisti, controlla costantemente l’inventario e fornisce feedback in tempo reale ai dipendenti del negozio.
Da devo iniziare?
I modelli di pianificazione dell’inventario richiedono dati sul comportamento dei consumatori. Ad esempio, cronologia degli acquisti o tendenze di acquisto, ma potrebbe anche includere attività sui social media.
Gli algoritmi di visione artificiale necessitano di immagini da elaborare. Possono venire dalle telecamere di sicurezza installate nel negozio o essere prese dai dipendenti.
Monitoraggio comportamentale tramite analisi video
Una cosa positiva dei negozi fisici è che il comportamento e l’interazione degli esseri umani con i prodotti possono generare informazioni preziose in modi in cui la vendita al dettaglio online non può fare. Gli algoritmi di visione artificiale sono in grado di riconoscere i volti e le caratteristiche delle persone come il sesso o la fascia di età, generando preziosi dati.
Analizzare i percorsi all’interno dello store
Dove posizionare i diversi articoli è una questione cruciale per i rivenditori fisici, che cercano sempre modi per comprendere il percorso dell’acquirente all’interno del suo store.
Gli algoritmi di visione artificiale possono tracciare il percorso dei clienti nel negozi per capire come stanno interagendo con esso. Questi algoritmi sono in grado di rilevare i modelli di camminata e la direzione dello sguardo dei clienti. I retailer possono utilizzare queste informazioni per ristrutturare i layout del negozio o per misurare l’interesse nei loro prodotti.
Possono anche scoprire luoghi molto trafficati e che ricevono molta attenzione visiva. Gli anziani fanno più acquisti nei giorni feriali? Gli adolescenti tendono a coprire solo una parte del negozio, ad esempio la parte anteriore? Il negozio è più visitato in inverno? Variabili come età, giorno della settimana o stagione potrebbero essere utilizzate per generare approfondimenti che aiutano a modificare in modo dinamico il posizionamento dei prodotti e creare promozioni efficienti.
Prevenzione dei furti
La prevenzione dei furti è un problema comune nella vendita al dettaglio con un forte ROI, in cui le tecnologie di Machine Learning possono andare oltre l’uso tipico delle videocamere per rilevare i taccheggiatori.
Gli algoritmi di riconoscimento facciale possono essere addestrati per individuare i taccheggiatori conosciuti quando entrano nel negozio. Walmart ha testato questa tecnologia nel 2015 come meccanismo antifurto. Allo stesso modo di come la visione del computer può rilevare se qualcuno sceglie un oggetto, potrebbe rilevare anche se qualcuno nasconde un oggetto nello zaino o nella giacca.
Inoltre, lo stesso approccio può essere utilizzato per rilevare quando i cassieri non passano alcuni prodotti, inavvertitamente o di proposito. Un sistema basato su Machine Learning può avvisare in tempo reale il personale o il manager della sicurezza e inviare loro estratti video in modo che possano giudicare da soli prima di affrontare l’individuo nel negozio.
Monitoraggio del prodotto e riconoscimento dei gesti
I rivenditori con negozi fisici di solito non hanno informazioni sugli articoli che i clienti prendono, guardano e rimettono sullo scaffale. Un algoritmo di visione del computer può monitorare i gesti del viso e delle mani degli acquirenti per stimare quanto successo ha un determinato prodotto.
Questo tipo di applicazione genera dati preziosi su quante volte un articolo viene prelevato dallo scaffale, riposto o acquistato.
Da cosa devo iniziare?
Se il tuo negozio è dotato di telecamere di sicurezza con una certa qualità dell’immagine, hai già tutto ciò che è necessario per iniziare a implementare le soluzioni citate in precedenza.
Specchi virtuali
Gli specchi virtuali o interattivi offrono agli acquirenti un’esperienza mista tra negozi fisici e interazioni digitali. Questa è una tecnologia particolarmente preziosa per i retailer del settore moda e le boutique di make-up. Invece di provare i vestiti, gli specchi virtuali consentono ai clienti di navigare attraverso modelli di abiti virtuali per trovare e scegliere quello che più gli piace.
Accoppiato con un sistema di raccomandazione, i mirror virtuali potrebbero suggerire accessori e vestiti correlati. Inoltre, un “look book” potrebbe essere creato combinando gli outfit, in modo che gli acquirenti possano decidere quali vestiti si addicono meglio.
Le boutique cosmetiche possono anche migliorare l’esperienza dei clienti consentendo loro di provare virtualmente i prodotti. Uno specchio virtuale specializzato può anche fungere da consulente di bellezza, analizzare la pelle di qualcuno, cercare rughe, punti scuri e pori ostruiti e generare un rapporto con azioni concrete da eseguire.
Da cosa devo iniziare?
Questo è un mercato molto attivo e sul mercato ci sono diverse soluzioni chiavi in mano, come HiMirror, un consulente di bellezza e salute, o SenseMi, uno specchio per i negozi di moda. Oltre alle soluzioni esistenti, un rivenditore potrebbe aver bisogno di uno sviluppo personalizzato in base alle esigenze della sua azienda e alle caratteristiche dei suoi prodotti.
Assistenti in negozio
Alcune delle soluzioni proposte per la vendita al dettaglio online possono essere integrate in applicazioni mobili per ottenere assistenti intelligenti in negozio.
Questi sono tra i casi di utilizzo dell’IA più popolari nel commercio al dettaglio. Un tale assistente potrebbe dire ai clienti il luogo in cui un prodotto o una famiglia di prodotti si trovano nel negozio o aiutarli a trovare in modo interattivo ciò che è meglio per le loro esigenze.
Conoscendo la loro lista della spesa, l’applicazione mobile potrebbe suggerire articoli che probabilmente mancano dall’elenco. In questo scenario, un tablet o un telefono potrebbero essere utilizzati come dispositivi di puntamento per consentire al cliente di ottenere informazioni istantanee sugli articoli.
Grazie al riconoscimento vocale poi, l’interazione con l’assistente diventa più naturale. Un esempio di questo tipo di tecnologia è Macy’s On Call, un’applicazione che aiuta gli acquirenti a ottenere informazioni mentre navigano nei negozi dell’azienda.
Un altro caso d’uso interessante è l’app web in-store Digital Tire Journey proposta da Sears Automotive, che aiuta gli acquirenti a trovare ciò di cui hanno bisogno tra il vasto assortimento di pneumatici.
Gli assistenti in negozio generano un doppio vantaggio. Da un lato, forniscono un valore reale ai clienti, il che aumenta la lealtà e la fidelizzazione. D’altra parte, consentono ai rivenditori di raccogliere una grande quantità di dati che possono essere utilizzati come input da altre soluzioni di Machine Learning.
Da cosa devo iniziare?
Per sviluppare un assistente in negozio, di solito sono necessarie informazioni su prodotti, inventario e clienti. Inoltre, è necessario uno schema delle possibili interazioni per iniziare lo sviluppo. Tieni presente che un assistente può essere sviluppato in modo incrementale.
