Parlare di intelligenza artificiale negli e-commerce è relativamente semplice.

Questa volta, però, ho deciso di puntare la lente d’ingrandimento sui negozi fisici cercando di capire come usare al meglio AI e analytics nel retail per creare valore di business.

Ho diviso questo approfondimento in due sezioni:

Indice:

  1. Digitalizzazione ed esperienza offline
  2. Product recommendation nella rivendita offline
  3. Computer vision e intelligenza artificiale nel retail
  4. Social media, trend e analyitics nel retail
  5. Case study di utilizzo di dati e analytics nel retail
  6. E un piccolo retailer? Ha senso usare i big data?
  7. Pensieri finali su analytics e retail

Digitalizzazione ed esperienza offline

I vantaggi degli e-commerce sono tanti e tutti legati alla natura digitale del loro business che, crea forti vantaggi strategici, ma che presenta pure le sue debolezze rispetto ai negozi classici.

I rivenditori offline, per differenziarsi, cercano di puntare sull’esperienza di acquisto e sul customer care per cercare di fidelizzare i propri clienti ed evitare il classico free-riding dei prodotti.

È proprio l’intersezione tra queste due caratteristiche (digitalizzazione ed esperienza acquisto) che trasforma un classico store del XXI secolo in un negozio hi-tech che può reggere il confronto con i giganti del digitale.

D’altronde, se non sono le grandi catene a digitalizzare i propri store e a creare un’esperienza d’acquisto unica, allora saranno i giganti tecnologici a iniziare a vendere offline con i propri store.

Amazon lo sta già facendo con i famosi Amazon GO, negozi completamente cashless (senza personale alla cassa) di cui parleremo dopo.

Di seguito, ecco tre applicazioni di dati e analytics nel retail che stanno davvero cambiando il settore aumentandone controllo ed efficienza.

Product recommendation nella rivendita offline

Secondo una studio, quasi il 35% del fatturato di Amazon viene prodotto dal solo product recommendation.

In particolare, l’azienda di Jeff Bezos adotta ben quattro diversi tipi di raccomandazione prodotto:

Il problema è che la raccomandazione di prodotti richiede molte informazioni: dalla profilazione del cliente alla completa digitalizzazione di ogni prodotto dello store.

Possiamo procedere per gradi:

1 . Grandi e piccoli supermercati hanno le loro fidelity card per le promozioni ai clienti storici. Un primo passo potrebbe essere arricchirle con i dati di vendita che generano ogni settimana.

Anziché inviare i classici e noiosi volantini “generici”, è possibile avvertire il cliente su una nuova promozione del vino che compra ogni sabato sera. In altre parole, si possono mandare “volantini indirizzati” e targetizzati in base alle preferenze del cliente. Molte catene adottano giù soluzioni di questo tipo.

Senza contare che i dati delle transazioni di vendita sono ottimi strumenti per monitorare i trend di mercato e la domanda dei prodotti. In questo modo, si può capire quali e quanti prodotti inserire in magazzino.

2 . Il passaggio successivo è la raccomandazione di prodotti in-store durante il processo di acquisto. Esistono già carrelli intelligenti che rilevano i prodotti non appena vengono inseriti al suo interno, e ne consigliano di nuovi tramite l’apposito monitor. Ad esempio:

Mi fermo qui, ma gli esempi potrebbero essere davvero infiniti.

Intelligenza artificiale nel retail

3 . Ancora più sofisticata sarebbe la creazione di un’app che tenga traccia di ogni movimento del cliente. Questa app sostituirebbe la fidelity card integrandola direttamente nel monitor sul carrello. In questo modo, sarebbe possibile avere accesso in tempo reale a:

Computer vision e intelligenza artificiale nel retail

Passando dal punto di vista di costi e operatività, la computer vision rappresenta forse la più grande opportunità per gli store fisici di tagliare le spese di gestione.

1 . Magazzino e prodotti in esaurimento

Sopratutto nei magazzini dei grandi store, è complesso monitorare quali prodotti siano in esaurimento, quali da sostituire e quale sia la domanda in arrivo.

Le telecamere intelligenti rappresentano un notevole passo avanti per individuare gli scaffali vuoti o in esaurimento. In questo modo, si capiscono quali prodotti stanno terminando e si può rifornire il magazzino.

Intelligenza artificiale nel retail: le telecamere intelligenti

In particolare, algoritmi chiamati CNN (Convolutional Neural Network), grazie alla loro capacità di segmentare un’immagine, applicare diversi filtri e individuarne caratteristiche uniche, possono distinguere un prodotto da un altro altissima accuratezza.

2 . Antitaccheggio

Il problema dei furti nei grandi magazzini è un altro dei problemi che la computer vision può risolvere.

A differenza di quanto si possa pensare, il taccheggio è un problema che costa all’Italia quasi 3 miliardi di euro all’anno (0,2% del PIL), almeno secondo lo studio di Repubblica del 2015.

Le telecamere possono osservare ogni punto del negozio, e usando le registrazioni dei casi di taccheggio avvenuti in precedenza l’algoritmo può essere addestrato a prevederli. In questo modo, si possono rivelare comportamenti sospetti che l’81% delle volte si traducono nella prevenzione di un furto.

3 . Cashless exit

Lo stadio finale per quanto riguarda la computer vision è senza dubbio rappresentato da Amazon GO: negozi in cui le casse per il pagamento non esistono, e le telecamere sono le uniche “guardie di sorveglianza”.

Amazon GO è ancora in fase di test, e si possono trovare alcuni dei loro negozi in città come New York, San Francisco o Londra. Il concetto fondamentale dietro a questi store è eliminare le casse per eliminare i costi di gestione (i cassieri) e i tempi di attesa, aumentando così il customer care.

Ad oggi, le telecamere funzionano con un numero limitato di clienti, e consentono un monitoraggio costante del percorso del cliente; dall’entrata nel negozio fino al pagamento finale.

Le telecamere hanno il compito di capire quali prodotti vengono inseriti nella borsa del cliente e quali ri-depositati; in questo modo, si tiene traccia del “carrello” del cliente.

E per quanto riguarda i pagamenti? Basta semplicemente uscire dal negozio. Il pagamento avviene in modo automatico tramite il proprio account Amazon Prime. Incredibile, vero?

Social media, trend e analytics nel retail

Ultimo, ma non per importanza, dati interni ed esterni possono essere utilizzati per aumentare in maniera significativa il decision making delle grandi catene. Questo può accadere in svariate situazioni, come:

1 . Previsione delle tendenze

Oggi, i rivenditori hanno a disposizione un’ampia gamma di strumenti per capire quali saranno i ‘best seller’ di questa o della prossima stagione; sia che si tratti di giocattoli per bambini o abiti firmati. Gli algoritmi di previsione delle tendenze analizzano i post sui social media e le abitudini di navigazione sul Web per capire cosa sta causando ‘rumore’, e quali saranno le prossime mode.

Sempre in ambito social media, il sentiment analysis è un altro strumento con un grande potenziale. Utilizzando sofisticati algoritmi di apprendimento automatico è possibile determinare il contesto in cui un prodotto viene descritto, e utilizzarlo per prevedere con precisione quali saranno i prodotti più venduti in una determinata categoria.

2 . Previsione della domanda

Una volta capito quali prodotti le persone acquisteranno, i rivenditori lavorano per capire dove sarà la domanda. Ciò comporta la raccolta di dati demografici e indicatori economici per costruire un quadro delle abitudini di spesa nel mercato di destinazione.

Senza dubbio i dati raccolti quando parlavamo di product recommendation sono un’ottima fonte di informazione interna. Se questi dati interni vengono integrati con quelli esterni l’accuratezza delle nostre previsioni viene massimizzata.

I rivenditori russi, ad esempio, hanno scoperto che la domanda di libri aumenta in modo esponenziale man mano che il clima si fa più freddo. Pertanto, i rivenditori come Ozon.ru aumentano la quantità di libri consigliati che appaiono nei feed dei loro clienti quando, nelle loro aree, la temperatura scende.

3 . Ottimizzazione dei prezzi

Nell’analisi economica il price discrimination è quella pratica di ottimizzazione del prezzo sulla base del singolo consumatore, a seconda della sua elasticità di domanda.

Detto in termini più semplici: è possibile che tu e un’altra persona abbiate prezzi leggermente diversi per uno stesso articolo.

Quello che l’algoritmo ha eseguito, è stata un’analisi delle tue abitudini di spesa. A questa analisi viene associato un prezzo che massimizzi il fatturato tenendo conto della tua probabilità di acquisto e della tua disponibilità (e volontà) economica nell’acquistare quel prodotto. A differenti probabilità e disponibilità corrispondono differenti prezzi.

Tutto questo è applicabile negli e-commerce, ma non negli store fisici. Il price discrimination, infatti, è una pratica ritenuta illegale nel mondo offline.

Case study di utilizzo di dati e analytics nel retail

Bene, ora che abbiamo una piccola panoramica delle applicazioni di dati e intelligenza artificiale per migliorare i business dei negozi fisici, possiamo passare ad analizzare i nostri case study. Vediamo insieme come alcune grandi aziende hanno implementato queste tecnologie per generare profitti.

Quello che mi piace di questi case study presi da Maceps è la domanda finale che ci fa riflettere sul nostro business e sulle possibili applicazioni dei big data.

In particolare ci tengo a ricordare le parole di Eric Shmidt (ex CEO di Google):

We run Google by questions, not by answers

In un mondo digitale, colmo di informazioni, vince chi sa fare le domande giuste e chi sa misurare in maniera scientifica i risultati. Le risposte sono lì che ci aspettano, noi dobbiamo solo trovare le domande.

The Home Depot data strategy: analytics e retail

L’intelligenza artificiale sta dando ai manager l’opportunità di monitorare in modo granulare il proprio business senza dover gestire ogni singola situazione:

Una domanda da farsi:

Che cosa cambierebbe al mio business se fosse possibile monitorare ogni singolo processo e liberare i manager dalle attività più tediose, ripetitive e anti produttive?

La strategia di Kroger con gli analytics nel retail

Kroger è una delle numerose società non tecnologiche che hanno stanziato le risorse necessarie per portare in sede un intero team di esperti in AI e machine learning. Questo team è responsabile della progettazione, costruzione e distribuzione di tutti i tipi di soluzioni, in tutte le aree dell’attività dell’azienda.

In questo caso, la domanda da farsi è:

Come cambierebbe la mia attività se potessi raddoppiare la precisione delle mie previsioni?

Costco data strategy

Costco è un buon esempio di come dati interni ed esterni (spesso pubblici) possono essere combinati per aumentare le vendite e la redditività.

La domanda da farsi è:

Come è possibile integrare dati interni e esterni della mia azienda per aumentare le rendite o il decision making ?

E un piccolo retailer? Ha senso usare i big data?

Risposta breve:

SI!

Questo video è la prova che partendo con strategia e avendo SMART questions solide è possibile far esplodere l’efficienza dei propri store fisici come se fossero e-commerce.

Pensieri finali su analytics e retail

È ormai chiaro che non esistono più i business tradizionali.

Per sopravvivere alla concorrenza che le aziende tech stanno facendo a sempre più settori, è necessario migliorare i propri servizi e prodotti utilizzando dati e tecnologie predittive.

Every business today is a data business.

Ogni business, oggi, è un data business. Dobbiamo capire che rimanere immobili e mettere la testa sotto alla sabbia è il primo passo per un’inesorabile perdita di mercato ed efficienza… fino al ritrovarsi inutili.

Ora è il momento di cambiare rotta e trasformare il proprio business con il digitale e la tecnologia.

Se vuoi capire come fare, contattami per organizzare una consulenza.