Las marcas de consumo y los minoristas a menudo luchan por comprender completamente las necesidades cambiantes de los clientes. Es por eso que la mayoría de las veces encuentras tallas XL en tu tienda de moda favorita y no tallas M. Por eso tienes que pasar horas buscando el estilo que viste en Instagram y aún no lo encuentras. Es por eso que el costo del inventario muerto para los minoristas de moda solo en los EE. UU. Se estima en la friolera de 50 mil millones de dólares. Y esa es parte de la razón por la que Estados Unidos generó 16 millones de toneladas de desechos textiles en 2014.

Esto no se debe a una falta de intención o esfuerzo en la industria; bastante, es extremadamente difícil entender a los consumidores a gran escala. Caracterizar a los consumidores con definiciones generales de edad, el género y los ingresos no son efectivos dadas las preferencias de los consumidores, siempre cambiantes y diversas, y los minoristas ahora necesitan mirar segmentos de mercado mucho más finos, incluso a individuos individuales. Cada vez más, los consumidores están impulsando las tendencias en lugar de que los comerciantes las definan, y esto va de la mano con mucha más experimentación y disrupción en el mercado.

Para crear y vender la "próxima gran novedad" en un entorno tan dinámico, diseñadores, los compradores y comerciantes deben usar su propia creatividad, pero también considerar, con una granularidad sin precedentes, cómo están cambiando las preferencias de los consumidores y qué tan diferente es el diseño, las opciones de comercialización y marketing funcionarán. Aquí es donde entran la IA y la automatización.

Por ejemplo, considere un comprador minorista de moda. Ella es responsable del éxito financiero de la mercancía que selecciona en una temporada determinada, pero es imposible para ella predecir el rendimiento de cualquier diseño 12 meses antes de la temporada objetivo, o para identificar las mejores intervenciones promocionales para aplicar durante la temporada. Esto se debe a que tiene muy poca visibilidad sobre cómo cambian las preferencias de los consumidores en sus tiendas a lo largo del tiempo. y cómo se están desempeñando los productos de la competencia en el mercado.

Imagine un sistema impulsado por IA que pudiera analizar el texto en lenguaje natural de millones de reseñas de clientes en línea y las imágenes de todos los productos en el mercado para resumir las relaciones clave entre el sentimiento del cliente específico de la ubicación y las características del producto. Por ejemplo, cómo los clientes están respondiendo a los jerseys de bloques de color en Kansas City en comparación con Buffalo, y qué atributo es la causa probable de la menor confianza del cliente por sus jerseys de bloques de color en comparación con los suéteres de bloques de colores de la competencia. Dicha información para sus productos en el mercado y los nuevos productos planificados la ayudaría a mejorar drásticamente su surtido. precios y rebajas, y planes de marketing.

El sentimiento del mercado se calculó para las tapas florales visualmente similares en tres marcas diferentes. El tablero muestra la preferencia del consumidor por este tipo de producto en diferentes partes del país, e intervenciones de stock recomendadas en diferentes tiendas.

Similar, considere un gerente de ventas para una marca de yogur. Con un sistema que podría analizar las ventas cruzadas de alimentos en todo el país para producir predicciones de alta calidad de la demanda del yogur con sabor a alcachofa y espinacas producido por la empresa, luego, el gerente de ventas podría negociar la introducción de productos y los planogramas con los minoristas. La mayoría de esas negociaciones fracasan hoy por falta de esa capacidad.

De hecho, El reciente estudio de IBM de más de 1, 900 líderes de productos de consumo y minoristas muestran que se prevé que la adopción de la automatización inteligente en las industrias de productos de consumo y minoristas aumente del 40 por ciento de las empresas en la actualidad a más del 80 por ciento en tres años.

Nuestro equipo en IBM Research - India colaboró ​​con el equipo de IBM MetroPulse para brindar una Capacidades impulsadas por IA para MetroPulse, una plataforma industrial que reúne un mercado voluminoso, conjuntos de datos externos y de clientes. Las nuevas capacidades utilizan inteligencia artificial y automatización para fusionar estos conjuntos de datos estructurados y no estructurados en torno a la semántica, contextos visuales y de ubicación y descubre información detallada sobre las preferencias del cliente ocultas en estos datos fusionados. Estos conocimientos ayudarán a las marcas de consumo y a los minoristas a tomar decisiones más inteligentes sobre el diseño de productos, planificación de inventario, pronóstico de la demanda y surtido de productos que están en sintonía con las preferencias dinámicas de los consumidores.

La plataforma tiene tres capas, cada uno con un contenido profundo de la industria:

La capa de datos que consiste en

• Datos de mercado que contienen datos actualizados señales específicas de la ubicación de las preferencias del consumidor, panorama de productos y comportamiento de la marca / minorista. Algunos ejemplos de conjuntos de datos que seleccionamos incluyen reseñas y comentarios de clientes en línea, datos de punto de venta e imágenes de productos. El análisis de estos grandes conjuntos de datos puede dar a las empresas pistas sobre cómo están cambiando las preferencias de los consumidores entre las marcas. minoristas, culturas y regiones, a nivel de ciudad o barrio.
• Datos de terceros hiperlocales que se actualizan continuamente, señales a nivel de vecindario de factores externos que influyen en el comportamiento del consumidor, como la demografía, previsiones meteorológicas e historial, eventos locales y visitantes.
• Datos de empresas privadas que contienen información sobre las propias tiendas del minorista, productos comercialización, promociones e historial de ventas. Estos datos son tratados con altas garantías de seguridad y privacidad.

La incorporación de estos conjuntos de datos múltiples es fundamental para obtener una detección y una previsión adecuadas de la demanda, como también se señaló en Supply Chain Management 2018:Al servicio del cliente, Investigación de sistemas minoristas, Diciembre de 2018, donde entre el 60 y el 70 por ciento de los encuestados ven "mucho valor" al considerar nuevos datos como el sentimiento, datos del área comercial y promociones pasadas en la previsión de la demanda.

La capa de conocimiento que consiste en

• Un vocabulario digital específico de la industria minorista:gráficos de conocimiento que capturan información de la industria en forma de entidades, propiedades y relaciones. Esta capa permite que los datos en la capa de datos sean interpretados y analizados de una manera estándar y significativa por los sistemas de IA que, en última instancia, generan información para los usuarios finales. Por ejemplo, considerar una taxonomía de moda que capture varios términos de moda y las relaciones entre ellos (p. ej., "peplum" es un tipo de "top"), o una ontología de comestibles que captura varios tipos de alimentos, ingredientes sabores y jerarquía de tipos.

La capa de inteligencia de la industria, que consiste en

• Una variedad de algoritmos y modelos de IA que pueden identificar y comprender las señales ocultas en los datos, convirtiéndolos en conocimientos y recomendaciones expuestos de manera significativa y estandarizada a través de un panel y API. Estos conocimientos y recomendaciones ayudan a los líderes empresariales a diseñadores de productos, comerciantes y otros usuarios empresariales para comprender y optimizar los comportamientos y preferencias de su base de consumidores objetivo. Las soluciones orientadas al comprador para la personalización y la asistencia cognitiva también pueden consumir estas API para mejorar la participación del consumidor en el punto de venta. Estos algoritmos aprovechan las últimas técnicas de IA en IA multimodal, IA y pronóstico explicables, y ajústelos para comprender los conocimientos y conceptos específicos de la industria.
• La IA multimodal reúne la percepción visual y el procesamiento del lenguaje natural para extraer conocimientos de múltiples modalidades de datos. Por ejemplo, puede identificar objetos de moda en una imagen y relacionarlos con las expresiones de la opinión de los clientes en las reseñas adjuntas; o un modelo de similitud semántica que entiende que el jugo de manzana es más similar a la limonada que a la manzana para un consumidor, pero cercano al jugo de manzana en términos de sabor e ingredientes.
• La IA explicable explica por qué un modelo genera una salida particular para una entrada determinada. A medida que los modelos de IA se han vuelto más complejos, se ha vuelto casi imposible para los científicos que no son datos comprender su comportamiento, lo que les dificulta confiar en las predicciones de los modelos. Las técnicas de recorrido brindan esa explicabilidad y ayudan a los usuarios finales a comprender el "por qué". Por ejemplo, comprender el sentimiento por los diferentes aspectos de diseño de los vestidos de verano en el mercado y explicar la contribución de los factores locales (demografía, clima) y factores de comercialización (precio, existencias, promoción) sobre la variación del sentimiento en los condados de EE. UU.

Puede probar estas nuevas capacidades de MetroPulse con datos del mundo real en el evento de la Federación Nacional de Minoristas (NRF) en la ciudad de Nueva York en enero. 2019, o consulte aquí para obtener más detalles.

Esta historia se vuelve a publicar por cortesía de IBM Research. Lea la historia original aquí.