Аналітика зі штучним інтелектом змінить ритейл назавжди: як підготуватися до революції

Ритейл багато років страждає від низької операційної ефективності. За оцінками IHL Group, глобально цей сектор щорічно втрачає на проблемах ланцюжків постачання та дистрибуції щонайменше 1,1 трильйона доларів. Йдеться про суму, яку можна порівняти з бюджетом Австралії! Проблема посилюється глобальними катаклізмами останніх років: пандемія, дефіцит напівпровідників, війна в центрі Європи – все це б'є по світовій логістиці та дестабілізує попит. 

Сьогодні ритейлери як ніколи гостро потребують нових способів оцінки стану ринків. Чого прагнуть їхні споживачі? Чого вони будуть прагнути завтра? Як зміняться їхні запити у разі прильоту чергового “чорного лебедя”? Чи можна пророкувати модні тренди? Традиційна аналітика не може оперативно надати повноцінних відповідей на ці питання. Але тут на допомогу приходять предиктивні алгоритми штучного інтелекту.

---

Що таке предиктивна аналітика 

Якщо говорити просто, це технологія прогнозування майбутнього з допомогою нейромереж, на основі наявних даних. Методи Machine Learning та Deep Learning на практиці дозволяють з високою ефективністю прогнозувати тренди, події та тенденції – достатньо лише використовувати правильну інформацію.

Предиктивна аналітика може працювати в різній перспективі - хтось використовує її для прогнозу коливань цін на ринку у найближчий тиждень, а хтось створює з її допомогою рамковий прогноз розвитку на рік вперед для прийняття стратегічних рішень. 

Як це працює? 

По-перше, для ефективної аналітики знадобляться релевантні дані у дуже великій кількості. Скажімо, підійде база даних з операцій ритейлера за кілька років.

По-друге, вам знадобиться штучний інтелект. Необхідно побудувати та навчити машинні алгоритми Deep Learning, які шукатимуть повторювані патерни в даних, створюючи аналітичну модель.

Таким чином можна побудувати, наприклад, модель сезонного коливання попиту та пропозиції. Надалі таку модель можна накласти на динаміку макроекономічних показників, прив'язати до соціально-політичної ситуації, або навіть моди.

Одним з ключових аналітичних інструментів предиктивної аналітики є регресійний аналіз, який дозволяє встановлювати взаємозв'язки між двома змінними (одиночна лінійна регресія), або навіть між трьома змінними та більше (множинна регресія). Заглиблюватися у теорію статистики ми тут не будемо. Важливо лише те, що на регресійний аналіз великих масштабів в чисельного штату аналітиків піде близько місяця, тоді як алгоритми штучного інтелекту впораються з ним за кілька годин.

Подібні дослідження дають бізнесу неоціненні відкриття щодо трендів зростання попиту та пропозиції з урахуванням десятків факторів. Це дозволяє створювати прогнози, приймати якісні рішення та підлаштовуватися під динаміку ринку "на льоту". 

Десять років тому повірити у такі можливості було складно, але сьогодні власні бізнес-рішення для предиктивної аналітики штучним інтелектом пропонують такі гіганти як Amazon, ARM, Intel, Hitachi, IBM. 

Предиктивна аналітика у ритейлі

Ритейл на сьогодні виявився одним із головних бенефіціарів стрімкого розвитку штучного інтелекту. Машинні алгоритми спрощують роздрібний продаж у різний спосіб: машинний зір, персоналізація маркетингу, оптимізація управління складськими запасами - це лише деякі можливості штучного інтелекту, які міцно закріпилися в індустрії протягом минулих 5-7 років.

Особливе місце серед цих нових можливостей посідає предиктивна аналітика. Ритейлери масово звертаються до засобів Big Data та Machine Learning, щоб аналізувати та прогнозувати поведінку користувачів, моніторити тренди ринку та підлаштовуватися під раптові стрибки попиту.

IТ-платформи для предиктивної аналітики допомагають маркетологам та менеджерам на всіх етапах роздрібної торгівлі: виробництво та закупівля, організація ланцюжка постачання, формування складських запасів, маркетинг, дистрибуція.

Розглянемо найпопулярніші сценарії використання предиктивної аналітики:

• Предиктивний маркетинг. Машинні алгоритми можна застосувати для аналізу ринкових трендів, звичок споживачів та персональних особливостей мало не кожного окремого покупця. Це дозволяє визначити складні патерни поведінки споживачів та сегментувати їх на небаченому раніше рівні. Відкриваються нові можливості персоналізації рекомендацій, залучення нових клієнтів та утримання старих. 
• Предиктивне керування складськими запасами. Алгоритми дозволяють успішно передбачати попит на продукцію з урахуванням цілої низки змінних - пора року, звички споживачів, ситуація на ринку й навіть статистика пошукових запитів у мережі. Це дає можливість ритейлерам формувати складські запаси продукції заздалегідь, або навпаки, позбуватися надлишків продукції за допомогою знижок. 
• Предиктивні ланцюжки постачання. Засоби штучного інтелекту допомагають роздрібним постачальникам усунути низку слабких місць у своїй логістиці. TMS-система на основі машинних алгоритмів допоможе налагодити ефективну роботу автопарку, заздалегідь визначаючи найефективніші та найекономічніші маршрути в режимі реального часу. 

 

Подібні можливості потрібні як ніколи. Згідно зі звітом Fortune, світовий ринок рішень штучного інтелекту у сфері ритейлу у 2020 році становив 3,75 мільярда доларів, а вже до кінця 2021 року перевищив позначку в 4,8 мільярда. Аналітики прогнозують, що в найближчі 6 років індустрія розвиватиметься з середньорічним темпом зростання в 30%, тож у 2028 році обсяги ринку досягнуть показника у 31 мільярд. Йдеться про такі рішення, як автоматизований менеджмент складських запасів, платформи прогнозування попиту, підтримка користувачів, предиктивна аналітика. 

Водночас недавнє дослідження Capgemini показало, що три чверті ритейлерів (74%) на сьогодні зосереджують свою стратегію впровадження штучного інтелекту на сценаріях взаємодії зі споживачем (продаж, маркетинг, підтримка). Наступним кроком має стати впровадження засобів штучного інтелекту до ланцюжків постачання, планування закупівель та менеджменту дистрибуції. 

Кейси предиктивної аналітики

• Американський ритейл-гігант Walmart використовує свої колосальні бази даних для вивчення поведінки споживачів за різних обставин та прогнозування попиту. Компанія створила найпотужніший аналітичний хаб Data Café, який у режимі реального часу обробляє десятки петабайт даних про транзакції компанії. Алгоритми Walmart також залучають інформацію із сотень джерел: погода, економічні дані, новини, аналітика ринків, соцмережі та навіть ціни на газ. 

• У 2017 році предиктивні алгоритми IBM вчасно передбачили вибухове зростання попиту на спінери - “залипальні” механічні іграшки, за якими п'ять років тому так впадали діти та дорослі. Як повідомлялося в прес-релізі компанії DHL, предиктивний алгоритм спрогнозував попит з огляду на популярність вірусних відео та динаміку пошукових запитів, що надало ритейлерам та постачальникам кілька тижнів фори. Лише протягом першого півріччя 2017 року було продано близько 50 мільйонів спінерів, а в США на них припало 20% від усіх роздрібних продажів іграшок за цей період!

• Компанія Amazon відома, в тому числі як один із головних піонерів та постачальників рішень на основі штучного інтелекту. Її технології дуже стали в пригоді під час розпалу першої хвилі пандемії COVID, коли продаж туалетного паперу через паніку раптово підскочив на 213 відсотків. Amazon використовувала предиктивну аналітику на основі штучного інтелекту, щоб швидко реагувати на сигнали наростання попиту та зміцнювати ланцюжки постачання у “пожежному” порядку. 

• Найбільша американська фармацевтична мережа Walgreen використовує свою базу даних рецептів на ліки та метеорологічні дані, щоб передбачати за допомогою штучного інтелекту спалахи захворюваності на грип. Щовівторка Walgreen оновлює свою інтерактивну онлайн-карту з активністю грипу в США.

 

Проте машинні алгоритми зовсім не обов'язково мають бути інструментом світових гігантів та технокорпорацій. Сьогодні засоби штучного інтелекту доступні буквально будь-якому бізнесу, алгоритми можна застосовувати у будь-якій базі даних, у будь-якій CRM або TMS-системі. Можна елементарно застосувати його до ваших Excel-таблиць й отримати цікаві результати - важлива лише правильна вибірка даних та грамотна технічна робота з Deep Learning. Практика показує, що більшість успішних кейсів застосування ШІ наразі будуються на індивідуальних підходах та кастомній розробці, готових або “пакетних” рішень тут замало.

Майбутнє ритейлу

Говорити про цифрову революцію в ритейлі вже не доводиться, вона відбулася. Будь-який великий постачальник так чи інакше спирається на власну цифрову екосистему, або принаймні має сильні засоби для CRM та цифрової логістики.

Проте найближчі п'ять років несуть індустрії вже нову технологічну революцію: штучний інтелект, віртуальна та доповнена реальність, даркстори, вихід ритейлерів у метаверс та повна омніканальність. Українські ритейлери гостро потребують цих можливостей, щоб зберігати конкурентоспроможність та стійкі ланцюжки постачання навіть за таких критичних умов, як зараз.

Це означає, що кожному роздрібному бізнесу вже зараз потрібно створювати власну стратегію довгострокового розвитку через діджитал, посилювати свої IT-підрозділи, шукати надійних партнерів. Майбутнє не чекає!

 

Автор: Сергій Гузенко, CEO, Owner at WEZOM