Marcas de consumo e varejistas muitas vezes lutam para compreender totalmente as necessidades em constante mudança dos clientes. É por isso que você encontra principalmente tamanhos XL em sua loja de moda favorita e nenhum tamanho M. É por isso que você tem que passar horas procurando o estilo que viu no Instagram e ainda não encontrar. É por isso que o custo do estoque morto para varejistas de moda apenas nos Estados Unidos é estimado em US $ 50 bilhões. E isso é parte da razão pela qual os EUA geraram 16 milhões de toneladas de resíduos têxteis em 2014.

Isso não é por falta de intenção ou esforço da indústria; em vez, é extremamente difícil entender os consumidores em grande escala. Caracterizar os consumidores com definições gerais de idade, gênero e renda não são eficazes, dadas as preferências dos consumidores diversas e em constante mudança, e os varejistas agora precisam olhar para segmentos de mercado muito mais refinados - até mesmo indivíduos solteiros. Cada vez mais, os consumidores estão impulsionando as tendências, em vez de os comerciantes as definirem, e isso vai de mãos dadas com muito mais experimentação e disrupção no mercado.

Para criar e vender a "próxima grande novidade" em um ambiente tão dinâmico, designers, compradores e comerciantes devem usar sua própria criatividade, mas também considerar, com granularidade sem precedentes, como as preferências do consumidor estão mudando e como o design diferente, as escolhas de merchandising e marketing funcionarão. É aqui que entram a IA e a automação.

Por exemplo, considere um comprador de varejo de moda. Ela é responsável pelo sucesso financeiro da mercadoria que seleciona em qualquer estação, mas é impossível para ela prever o desempenho de qualquer projeto 12 meses antes da temporada desejada, ou para identificar as melhores intervenções promocionais para aplicar na temporada. Isso ocorre porque ela tem muito pouca visibilidade de como as preferências do consumidor estão mudando em suas lojas ao longo do tempo, e como os produtos concorrentes estão se saindo no mercado.

Imagine um sistema conduzido por IA que pudesse analisar o texto em linguagem natural de milhões de avaliações de clientes online e as imagens de todos os produtos no mercado para resumir as relações principais entre o sentimento do cliente específico do local e as características do produto. Por exemplo, como os clientes estão respondendo aos pulôveres de blocos coloridos em Kansas City versus Buffalo, e qual atributo é a causa provável da opinião mais baixa do cliente por seus pulôveres com bloco de cores em comparação com os pulôveres com bloco de cores concorrentes. Essas informações para seus produtos no mercado e novos produtos planejados a ajudariam a melhorar drasticamente sua variedade, preços e descontos, e planos de marketing.

Sentimento do mercado calculado para tops florais visualmente semelhantes em três marcas diferentes. O painel mostra a preferência do consumidor por este tipo de produto em diferentes partes do país, e recomendou intervenções de estoque em diferentes lojas.

De forma similar, considere um gerente de vendas de uma marca de iogurte. Com um sistema que poderia analisar as vendas cruzadas de alimentos em todo o país para produzir previsões de alta qualidade da demanda pelo iogurte com sabor de alcachofra de espinafre produzido pela empresa, o gerente de vendas poderia então negociar a introdução do produto e os planogramas com os varejistas. A maioria dessas negociações fracassa hoje, na ausência dessa capacidade.

Na verdade, O estudo recente da IBM de mais de 1, 900 líderes de varejo e produtos de consumo mostram que a adoção da automação inteligente nas indústrias de varejo e produtos de consumo deve aumentar de 40% das empresas hoje para mais de 80% em três anos.

Nossa equipe na IBM Research - Índia colaborou com a equipe IBM MetroPulse para trazer o primeiro de um tipo, Recursos baseados em IA para MetroPulse, uma plataforma da indústria que reúne um mercado volumoso, conjuntos de dados externos e do cliente. Os novos recursos usam IA e automação para fundir esses conjuntos de dados estruturados e não estruturados em torno da semântica, contextos visuais e de localização e revela percepções refinadas sobre as preferências do cliente ocultas nesses dados combinados. Esses insights ajudarão as marcas de consumo e varejistas a fazerem escolhas mais inteligentes sobre o design do produto, planejamento de estoque, previsão de demanda e variedade de produtos que estão em sintonia com as preferências dinâmicas do consumidor.

A plataforma tem três camadas, cada um com profundo conteúdo da indústria:

A camada de dados, que consiste em

• Dados de mercado atualizados, sinais específicos de localização das preferências do consumidor, paisagem do produto e comportamento da marca / varejista. Alguns exemplos de conjuntos de dados que organizamos incluem avaliações e comentários de clientes online, dados de ponto de vendas e imagens de produtos. A análise desses grandes conjuntos de dados pode dar às empresas pistas sobre como as preferências dos consumidores estão mudando entre as marcas, revendedores, culturas e regiões - no nível da cidade ou bairro.
• Dados hiperlocais de terceiros atualizados continuamente, sinais de nível de bairro de fatores externos que influenciam o comportamento do consumidor, como dados demográficos, previsões do tempo e história, eventos locais e visitantes.
• Dados de empresas privadas contendo informações sobre as lojas próprias do varejista, produtos, merchandising, promoções e histórico de vendas. Esses dados são tratados com altas garantias de segurança e privacidade.

Incorporar tais conjuntos de dados múltiplos é fundamental para obter o sensor de demanda e a previsão correta, como também observado em Supply Chain Management 2018:A serviço do cliente, Retail Systems Research, Dezembro de 2018, onde 60 - 70 por cento dos entrevistados veem "muito valor" ao considerar novos dados, como sentimento, dados da área comercial e promoções anteriores em previsão de demanda.

A camada de conhecimento, que consiste em

• Um vocabulário digital específico da indústria de varejo - gráficos de conhecimento que capturam informações da indústria na forma de entidades, propriedades e relacionamentos. Essa camada permite que os dados na camada de dados sejam interpretados e analisados ​​de uma forma padrão e significativa pelos sistemas de IA que, em última análise, geram percepções para os usuários finais. Por exemplo, considere uma taxonomia da moda que captura vários termos da moda e as relações entre eles (por exemplo, "peplum" é o tipo de "top"), ou uma ontologia de mercearia que captura vários tipos de alimentos, ingredientes, sabores e hierarquia de tipo.

A camada de inteligência do setor, que consiste em

• Uma variedade de algoritmos e modelos de IA que podem identificar e compreender os sinais ocultos nos dados, transformando-os em percepções e recomendações expostas de maneira significativa e padronizada por meio de um painel e APIs. Esses insights e recomendações ajudam os líderes empresariais, designers de produtos, comerciantes e outros usuários corporativos para entender e otimizar os comportamentos e preferências de sua base de consumidores-alvo. As soluções voltadas para o consumidor para personalização e assistência cognitiva também podem consumir essas APIs para aumentar o envolvimento do consumidor no ponto de venda. Esses algoritmos alavancam as mais recentes técnicas de IA em IA multimodal, IA explicável e previsão, e ajustá-los para entender o conhecimento e os conceitos específicos do setor.
• A IA multimodal reúne percepção visual e processamento de linguagem natural para extrair percepções de várias modalidades de dados. Por exemplo, pode identificar objetos de moda em uma imagem e relacioná-los a expressões de opinião de clientes nas avaliações que as acompanham; ou um modelo de semelhança semântica que entende que o suco de maçã é mais semelhante à limonada do que à maçã para o consumidor, mas perto do suco de maçã em termos de sabor e ingredientes.
• AI explicável explica por que um modelo gera uma saída específica para uma determinada entrada. Conforme os modelos de IA ficaram mais complexos, tornou-se quase impossível para os cientistas que não trabalham com dados entender seu comportamento, tornando difícil para eles confiar nas previsões dos modelos. técnicas de tour trazem essa explicabilidade e ajudam os usuários finais a entender o "por quê". Por exemplo, compreender o sentimento dos diferentes aspectos do design de vestidos de verão no mercado e explicar a contribuição de fatores locais (demografia, clima) e fatores de merchandising (preço, estoque, promoção) na variação de sentimento entre os condados dos EUA.

Você pode experimentar esses novos recursos do MetroPulse com dados do mundo real no evento National Retail Federation (NRF) na cidade de Nova York em janeiro, 2019, ou veja aqui para mais detalhes.

Esta história foi republicada por cortesia da IBM Research. Leia a história original aqui.