Home »

Come Machine learning, IoT e Big Data stanno cambiando il settore retail: alcuni esempi

Con l’aumento dei dispositivi digitali stiamo assistendo ad una conseguente crescita del volume di dati generato, rendendo sempre più complicato per gli analisti gestire in maniera strutturata questa mole di informazioni. Ad oggi, la retail Business Intelligence è talmente occupata a raccogliere dati, spesso in reazione ad un’opportunità o sfida percepita dal business, che non ha il tempo di analizzarli e percepirne le utili sfumature.

Come ha spiegato Robert Hetu, retail research director a Gartner, questa situazione ha portato ad uno scollegamento tra l’analisi dei dati e la possibilità di usare tali dati in real time in modo da ottenere rapidi e immediati benefici per il proprio business.

Per non perdere questa occasione bisogna considerare tecnologie in grado di sfruttare e analizzare automaticamente i dati e che riducano sempre più l’intervento umano.

Il settore retail è ben posizionato per beneficiare degli sviluppi del machine learning, dato l’enorme volume di dati strutturati e non strutturati che vengono creati ogni secondo. Bisogna capire con quali modelli questi dati possono essere sfruttati al massimo. Proviamo a darne qualche esempio:

I dati raccolti dallo smartphone del cliente tramite un iBeacon all’interno di in un centro outlet o di un negozio al dettaglio possono essere collegati alle vendite e ai dati di stock per essere poi analizzati da un software di machine learning. Così, analizzando rapidamente tali dati, il sistema può spingere un codice di sconto o inviare avvisi su misura al dispositivo mobile di un cliente in base ai gusti, località o abitudini di acquisto.

Questi modelli sarebbero inoltre in grado di analizzare automaticamente e in tempo reale la situazione di un punto vendita e dare indicazioni immediate ai commessi nello store, permettendo poi di raccogliere dati in tempo reale da tutta la catena di fornitura di un rivenditore: il che significa che si può intervenire per massimizzare le opportunità di vendita ovvero garantire che un prodotto non finisca mai out of stock.

Flat design vector illustration icons set with long shadow effect of electronic commerce and various shopping symbol and elements. Isolated on stylish turquoise background

Inoltre, automatizzando alcune procedure, si ridurrebbe al minimo la possibilità di errore umano per compiti meccanici e aumenterebbe il tempo assegnato alle attività che richiedono l’interazione umana. Il machine learning diventa così un validissimo supporto alla gestione.

Tali sistemi possono, in effetti, prendere decisioni strategiche ben prima di anche il più intelligente degli analisti di Business Intelligence, che a loro volta possono aiutare i rivenditori guadagnare un vantaggio rispetto ai rivali meno tecnologicamente avanzati.

Possiamo portare come esempio concreto Honest Café, un bar senza alcun dipendente di Londra, dove il cibo viene servito da distributori automatici, ma che permette comunque l’accesso a tavoli, divani e bancone per gustarsi un caffè o un brunch con gli amici. Il bar ha utilizzato il machine learning di IBM Watson per analizzare una grande mole di dati e capire i bisogni dei suoi clienti.

Il punto era che Honest cafè non disponeva di personale per raccogliere informazioni sugli acquisti o dei prodotti o sui comportamenti del consumatore, ma aveva dei distributori automatici che avrebbero potuto raccogliere una grande mole di dati.

È qui che entra in gioco Watson Analytics che ha permesso ad esempio di capire quanti clienti si fermavano a bere un drink con gli amici, e quali si precipitavano lì solo per prendere un caffè veloce. Hanno inoltre utilizzato dati transazionali per comprendere le modalità di pagamento, quali bevande venivano consumate e a quali ore del giorno, in modo che il cafè possa essere in grado di creare cluster di clienti e offrire promozioni e prodotti modellate sulle loro abitudini. Inoltre, incrociando tutte queste informazioni con i tweets relativi al set di dati della caffetteria hanno potuto ottenere informazioni migliori su ciò che i clienti avevano intenzione di comprare e hanno quindi agito su dati real time piuttosto che solo su dati di acquisto storici.

Questo è solo uno dei tanti esempi concreti che potremmo proporvi, ma cosa ne pensate dell’idea di costruire un software di machine learning che analizza i dati di vendita online e bilancia dinamicamente i prezzi dei prodotti in modo da poter ottenere il maggior guadagno da essi? Questa forma di analisi automatizzata bypasserebbe la necessità per gli analisti di vagliare i dati e regolare manualmente i prezzi, e consente on-the-fly aggiustamenti che gli esseri umani semplicemente non sono in grado di fornire con la stessa velocità.

Come potete notare la chiave per sfruttare le occasioni offerte da queste nuove tecnologie sta solo nel comprendere a fondo il vostro business, capire quali azioni è possibile automatizzare, in base a quali dati a disposizione e infine elaborare un modello di machine learning su misura per le esigenze specifiche del vostro punto vendita.

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

*