Le innovazioni che utilizzano intelligenza artificiale (AI) e Machine Learning (ML) sono tra le principali tendenze tecnologiche nel mondo del retail. Stanno avendo un grande impatto sul settore, in particolare nelle aziende di e-commerce che si affidano alle vendite online, dove l’uso di una qualche forma di Machine Learning nel retail è oggi molto comune.
Grandi retailer online come eBay, Amazon o Alibaba hanno integrato con successo le tecnologie AI nell’intero ciclo di vendita, dalla logistica di stoccaggio al servizio clienti post vendita.
Tuttavia, non devi essere una grande azienda o vendere esclusivamente online per trarre vantaggio dall’enorme potenza del Machine Learning.
In questa guida all’utilizzo del Machine Learning nel retail vedremo come sia i rivenditori online che gli stabilimenti di qualsiasi dimensione possono integrare la tecnologia del Machine Learning per stare al passo con i loro concorrenti, aumentando le vendite e riducendo i costi.
Dai vestiti ai generi alimentari agli articoli per la casa, le possibilità di integrare queste tecnologie non mancano. Le innovazioni presentate in questa guida servono come esempi di ciò che può essere fatto oggi nel settore Retail.
Abbiamo deciso di dividere la guida in 3 parti che verranno pubblicate a cadenza settimanale. La prima parte della guida all’utilizzo del Machine Learning nel retail si occuperà dell’ambito online.
Utilizzo del Machine Learning nel retail: ONLINE
Navigazione attraverso un catalogo digitale
I clienti amano sfogliare i cataloghi online perché presentano i prodotti in modo attraente e forniscono molte informazioni. Sebbene i creatori di cataloghi digitali automatici di solito forniscano soluzioni decenti, l’uso di tecnologie di Machine Learning personalizzate può migliorare significativamente l’esperienza dei clienti per aumentare il coinvolgimento e incidere sui tassi di conversione.
Il sistema delle raccomandazioni
Molte società di e-commerce e retail stanno sfruttando la potenza dei dati per incrementare le vendite implementando il sistema di raccomandazione sui loro siti web.
Le aziende che utilizzano i sistemi di raccomandazione ottengono aumenti delle vendite a seguito di offerte personalizzate e di una migliore esperienza del cliente. Le raccomandazioni in genere accelerano le ricerche e rendono più facile per gli utenti accedere ai contenuti a cui sono interessati e sorprenderli con offerte che non avrebbero mai cercato.
Inoltre, le aziende sono in grado di acquisire e fidelizzare i clienti inviando e-mail con collegamenti a nuove offerte che soddisfano gli interessi dei destinatari e si adattano ai loro profili.
L’utente inizia a sentirsi conosciuto e compreso ed è più propenso ad acquistare prodotti aggiuntivi. Conoscendo ciò che un utente vuole e mostrandoglielo subito, è meno probabile che egli lasci la piattaforma. Ciò si traduce in una maggiore possibilità di acquisto e in una diminuzione della minaccia di perdere un cliente a favore di un concorrente.
Fornire un valore aggiunto agli utenti includendo raccomandazioni è allettante. Inoltre, consente alle aziende di posizionarsi davanti ai loro concorrenti e aumentare i loro guadagni.
Strategia di prezzo
Il prezzo è un fattore predittivo critico di redditività. Basato su scienza econometrica, un algoritmo di Machine Learning può considerare le variabili di prezzo chiave in considerazione, per definire una strategia di pricing automatica con prezzi dinamici in tempo reale. La disponibilità a compiere un acquisto può essere stimata dal comportamento dei clienti, ad esempio considerando gli articoli che guardano e acquistano o il tempo che spendono su ciascuna pagina web.
L’algoritmo può eseguire costantemente la scansione del Web, cercando informazioni sui prezzi dei concorrenti per prodotti uguali o simili, considerando le offerte speciali e raccogliendo informazioni sufficienti sulla cronologia dei prezzi negli ultimi giorni o nelle ultime settimane.
Includendo l’offerta, la stagionalità, gli eventi esterni relativi alla tua attività (ad esempio un concerto, una partita, un festival) e la domanda e l’offerta del mercato, un sistema automatico di prezzi può adeguare in modo efficiente i prezzi.
Un sistema in grado di apprendere la maggior parte di ciò che accade nel mercato consente di avere informazioni migliori rispetto ai concorrenti per prendere decisioni corrette in breve tempo.
Ricerca visiva
I clienti tendono a cercare contenuti visivi prima di effettuare un acquisto. Tuttavia, in alcuni casi non riescono a trovare facilmente parole chiave valide per descrivere ciò che vogliono. L’obiettivo della ricerca visiva è rendere molto più facile per i consumatori trovare esattamente quello che stanno cercando.
Invece di digitare una query come “kit combo cordless con custodia morbida”, che probabilmente restituirà molti risultati generali, i clienti possono caricare un’immagine per restringere la ricerca a elementi più specifici. Con l’enorme e crescente quantità di snap e condivisione di immagini, gli algoritmi di Machine Learning possono attualmente ottenere risultati sorprendenti.
Questo è uno dei casi d’uso più di tendenza nei contenuti online. Aziende leader come Microsoft, Google o eBay hanno presentato nel 2017 Bing Visual Search, Google Lens e Image Search. Per quanto riguarda il mercato dell’e-commerce, Pinterest ha introdotto Lens Your Look, un motore di ricerca visuale che ti consente di trovare idee di abbigliamento ispirate al tuo guardaroba. Quindi, se stai cercando nuovi modi per indossare il tuo jeans o blazer preferito, puoi aggiungerne una alla tua ricerca per trovare idee per gli abiti che puoi eventualmente acquistare.
Dove devo iniziare?
Le soluzioni descritte formano modelli generati da database contenenti informazioni su prodotti, clienti e acquisti. Ulteriori informazioni come recensioni o feedback possono essere utili.
Se non si dispone ancora di alcuni di questi dati, è necessario considerare la possibilità di ottenere informazioni eseguendo la scansione del Web o utilizzando servizi specifici. Inoltre, il Deloitte Millennial Survey 2016 afferma che metà degli acquirenti e il 58% dei millennial sarebbero d’accordo a condividere i dati se in cambio i rivenditori offrissero servizi e offerte personalizzate.
Pertanto, dovrebbe essere possibile sviluppare le soluzioni citate se si dispone già di un sito o di un’app online. Per quanto riguarda il volume di dati necessari, anche se più dati tendono a dare risultati migliori, in alcuni casi piccoli set di dati consentono di ottenere risultati perfettamente sfruttabili.
