img

هوش مصنوعی و یادگیری عمیق در خرده‌فروشی‌ها…

/
/
/

تغییر در صنعت خرده فروشی با رقبای جدید و دگرگونی عظیم دنیای دیجیتال در سراسر دنیا در دو سال گذشته تسریع شده است. دو روند در فناوری دلیل این تغییرات هستند.
اولی، استفاده از فناوری برای درک نگرش‌ها و احساسات در حال تغییر خریدار‌های بسیار مطلع است. علایق آن‌ها در زمینه وب و موبایل در صنعت تشدید شده است. موفق استارت آپ‌های متفکر در فناوری و “think big” (تفکر بزرگ) (در کنار آمازون) نیز به خرده فروشی‌های سنتی فشار می‌آورد تا به یک پاسخ دقیق دست پیدا کنند.
بسیاری از افراد نمی دانند که نصف بیش تر سود آمازون از قبل پیش بینی نمی شود، بلکه از توصیه‌های موتورهای جستجو گر نشات می‌گیرد که براساس سبد ، تاریخچه جستجو و فعالیت‌های دیگران مجموعه از فرصت‌ها را ارائه می‌دهد.
حقیقت: حجم داده‌ها در دو سال دو برابر می‌شود و در ۲۰۲۰ به ۴۴ZG می‌رسد.
خرده فروش‌ها باید از داده‌های خود برای افزایش نرخ تبدیل و درآمد استفاده کنند ، برای این منظور آن‌ها باید رفتار‌ها را بررسی کرده و روش هایی را برای یافتن رفت و آمد یا شناسایی کانال‌های خلاق جدید از طریق موبایل، وب و رسانه‌های اجتماعی و استفاده از فناوری پیدا کنند. تحلیل‌های داده‌های بزرگ و به طور روز افزون یادگیری عمیق و ماشینی برای درک رفتار مشتری و افزایش خرید و دسترسی سریع به مصرف کننده استفاده می‌شوند.
شرکت هایی که حضور فیزیکی بالایی دارند، این یعنی تحلیل همه چیز از آب و هوا گرفته تا ترافیکی تا زمان و مکان خرید مشریان در فروشگاه‌ها یا خرید‌های کوچک تر مشتریان در شبکه‌های اجتماعی و سپس تصمیم یگری درباره موقعیت‌های مناسب خرید.
ثانیا خرده فروش‌ها به دنبال یک الگوی کارآمد برای کار در دنیای دیجیتال هستند.
برای مثال Zara یکی از خرده فروش‌های معروف برای ساخت و آماده سازی محصولات برای مغازه‌ها به ده تا پونزده روز زمان نیاز دارد و این زمان به طور میانگین شش ماه هست.
این شرکت در هر سال ۱۲۰۰ طراحی جدید را آماده می‌کند و هر هفته دو بار آن‌ها را برای مغازه‌ها می‌فرستد.Inditex مالک Zara به این سرعت بالای خود در پاسخ دهی به بازار از طریق یکپارچه سازی سریه و اعمال کنترل بر تمام فرایند‌های از طریق داده و فناوری افتخار می‌کند.
حقیقت: شرکت هایی با مدیریت قوی کانال مشتری در هر سال ۹٫۵ درصد درآمد خود را افزایش می‌دهند (Abderdeen Green)
تنها ۱۵ درصد از مدیریان CPG معتقد هستند که آن‌ها از تونایی عملیاتی برای پاسخ به شرایط در حال تغییر استفاده می‌کنند(منبع Accenture)

نتایج عملی
اینترنت اشیاء به انفجار داده‌ها کمک کرده است
با توجه به داده‌ها در سنسور‌ها ، مغازه‌ها ، لباس هایی مانند تگ‌های سامانه بازشناسایی امواج رادیویی ، قانوس‌های دریایی تزیینی ، آویز‌های هوشمند، وای فای موقعیت و سنسور هوشمند و اپلیکشین‌های هوشمند موبایل آگاه از محیط ، مقدار داده‌ها در هر سال دو برابر می‌شود و در سال ۲۰۲۰ به ۴۴ZB می‌رسد و عمر ۹۰درصد از داده هایی که امروز استفاده می‌شود کم تر از دو سال است. ( منبع : مطالعه دنیای دیچیتال ICD و ScienceDaily).
اجرای مداوم فناوری‌های موبایل جدید مانند دستیار‌های دیجیتال فردی (من کجا می‌توانم یک … پیدا کنم) گرفته تا جستجوی بصری(چیزی شبیه این را پیدا کن) تا تناسب واقعیت مجازی (این کالا برای من مناسب است یا نه) نیاز به تحلیل سریع و عمیق داده‌ها را افزایش داد هاست.
حقیقت: مشتریان حدود ۲۳ درصد از خریدها خود مغازه و آنلاین خود را بر می‌گردانند که سالانه ۶۴۳ میلیارد دلار برای خرده فروش‌ها هزینه دارد.

سیستم‌های خرده فروشی میراث برای مدیریت این حجم و پیچیدگی داده‌های همزمان طراحی شدند و تا چند میلیون درخواست زمان واقعی از سیلو‌های داده ای و استریم زمان واقعی و پاسخ Sub-second پیش بینی می‌شود. معماری‌های داده‌های کنونی نیز بسیار پیچیده و یکپارچه سازی‌های داده‌های و فرایند‌ها شکننده هستند.
مالک‌های اجرایی و تجازی و معمار‌های مرکز داده ای ،از فناوری اطلاعات برای ارائه منابع رایانش کافی استفاده می‌کنند. فناوری اطلاعات نشان می‌دهد که سرور‌های رایانش GPU بلوک‌های ساختمانی مراکز داده‌های مدرن برای تحلیل‌های سریع و یادگیری ماشینی و عمیق هستند.

حقیقت: ۵ میلیارد مصرف کننده هوشمند وجود دارد که۱۷ تریلیون هزینه می‌کنند (Upstreamcommrece)

فرصت‌های هوش مصنوعی و یادگیری عمیق کدام اند؟
سهم موبایل و بازار به تنهایی ۳۰۰ میلیارد دلار است. برخی از گزارش‌ها ، سرمایه گذاری انباشته و واقعیت مجازی در سال ۲۰۲۰ را ۹۰۰ میلیارد دلار پیش بینی کرده اند (منبعWSJ ، Harward Business Review )
خرده فروش‌ها معمولا تلاش می‌کنند تا چشم انداز ۳۶۰ درجه ای را برای هر مشتری ایجاد کنند و از طریق موتورهای پیش بینی، تجارت جدیدی را برای آن‌ها بسازند و براساس این دانش با مصرف کننده‌ها ارتباط داشته باشند. هدف ، ساخت محصولات و خدمات مخرب و فرایند‌ها از طریق الگو ازی پیش بین و هدف گیری میکرو و قیمت گذاری است.
خرده فروش‌ها برای در تمایل‌ها تلاش می‌کنند و این یعنی زمان مورد علاقه برای خرید ، دلیل خرید از یک مغازه ، خرید آنلاین یا خرید موبایلی و توصیه محصولات جدید در محیط از طریق جیره بندی زمان واقعی یا متن موبایل یا از طریق ایمیل به عنوان بخشی از برنامه‌های وفاداری یا اسفتاده از فناوری‌های تبلیغ هوشمند. استفاده ترکیبی از دانش مشتری (علایق، سلایق، قدرت خرید، هزینه و الگوها) و کنار عوامل خارجی ( آب و هوا، ورزش و تقویم) در یاگیری عمیق به ارائه پیش نهاد مربوط کمک می‌کند و این پیش نها‌ها نسبت تبدیل در مغازه یا خرید آنلاین را افزایش می‌دهد. ارتباط هوشمند و خاص براساس علایق و سلایق منحصر به فرد مشتری برای وفاداری و حفط مشتری مهم است.
خرده فروش‌ها نیز برای بهینه سازی زنجیره تامین و انتقال کالاها از انبار به مغازه‌ها و رساندن سریع تر و کارآمد تر آن‌ها به مشتریان ، ازموضوعاتی مانند تحلیل سریع ، رباتیک و یاگیری عمیق بهره می‌برند. هدف ، کاهش تاخیر‌ها در قفسه‌ها و دریافت مبلغ کالا‌ها است.
یادگیری عمیق عمدتا موضوعات مختلف کاربرد دارد، اما سه مثال مناسب از این کاربرد‌ها عبارتند از تشخیص عکس شی، پرداش زبان طبیعی و رباتیک‌های مستقل.
* در تشخیص عکس شیء ، می‌توان از یادگیری عمیق برای تشخیص و ردیابی افراد و محصولاتی استفاده کرد که به وسیله دوربین‌ها شناسایی شدند و برای فروش در سبد قرار گرفته اند.
* در پردازش زبان طبیعی، محصولاتی مانند Amazon Alexa و Google Home مثال‌های اولیه از صحبت کردن در برابر تایپ کردن در خانه هستنتد. اما ، به زود می‌توانید در خانه سئوال هایی را از ربات‌ها بپرسید: “ برای مثال کالاهای فروشی مردانه کجا هستند؟”
* دستگاه‌های رباتیک مستقل به طور روز افزون در مراکز توزیع یا شبکه‌های انتقال کالا و برای تسریع توزیع‌های مجدد در مغازه‌ها یا به طور مستقیم در خانه‌ها استفاده می‌شوند.

استراتژی‌های تحلیلی تسریع شده توسط هوش مصنوعی و رایانه GPU کدام اند؟
استفاده از داده‌ها و تحلیل‌ها در تمام صنعت خرده فروشی مقبول و شناخته شده است .
تمام خرده فروش‌ها از داده‌های جمع آوری شده برای رسیدن به نتیجه گیری ، درک فرایند‌ها و افزایش کارآمدی زنجیره تامین استفاده می‌کنند. آن‌ها اخیرا استریمینگ داده‌های زمان واقعی را گسترش داده اند.
انفجار داده‌ها ، در تمام صنعت مشاهده می‌شود و پرونده‌های تحلیل جدیدی را باز می‌کند. مواردی مانند غنی سازی SKU موجود، ردیابی علایق خریدار ، یکپاچه سازی شرکا در زنجیره تامین و حتی ارتباط میان اطلاعات اضافی برای فناوری تبلیغاتی هم ممکن شده اند.
حقیقت: عمر ۹۰درصد از داده هایی که امروز استفاده می‌شود کم تر از دو سال است.
خرده فروش‌ها از رایانشGPU برای کاهش زمان پردازش داده‌ها در فعالیت‌های تحلیل ، نمایش مجموعه‌های داده‌های بزرگ در فناوری تبلیغات همزمان و افشای الگو‌ها برای درک زمان‌های sub-second استفاده می‌کنند.
برای مثال بسیاری از فروشده‌ها قیمت پیش بینی ارائه می‌دهند و شبیه سازی‌ها را پیش بینی می‌کنند، این موارد براساس داده‌های بازار عمومی و رقابتی به مرور زمان تکامل پیدا می‌کنند و هدف، افزایش درصد‌های کوچک است که درصد‌های کمی به درآمد‌ها اضافه کند تا در نهایت درآمد کلی خرده فروشی‌های بزرگ تر چند میلیون بیشتر شود.

موارد استفاده و استارت آپ‌های مهم کدام‌اند؟
فناوری تبلیغاتی(ad tech) به طور کلی یعنی انواع مختلف تحلیل‌ها و ابزار‌ها دیجیتال در محیط تبلیغات. بررسی‌های فناوری تبلیغاتی معمولا سیستم‌های گسترده و پیچیده استفاده شده برای هدایت تبلیغات به سمت افراد و مخاطبین خاص را شامل می‌شود.

Revionic
یک شرکت نرم افزار بهینه سازی سود می‌تواند از خرده فروشی‌های عملکرد محور برای پیش بینی تحلیل‌ها و علم تقاضا محور در ساخت استراتژی هایی برای مغازه‌ها و تجارت‌ها استفاده کند.
این استراتژی‌ها ، یک مزیت رقابتی پاسخگو را می‌سازند. برخی از شرکت‌ها از یادگیری تحلیل سریع و عمیق برای کمک به خرده فروش‌ها و کار با استراتژی تعیین قیمت استفاده می‌کنند.

حقیقت: بازار تبلیغات موبایلی در سال بعد بیش از ۳ میلیارد دلار خواهد بود(WSJ)

Kinetico
Kinetico یک پایگاه داده ای توزیع شده و حافظه است داده‌ها را به طور همزمان مصرف و بررسی می‌کند و داده‌های استریمینگ را برای اطلاعات قابل استفاده زمان واقعی حقیقی ترسیم می‌نماید.
Kitetica از قدرت GPU‌های NVIDIA برای ارائه۱۰-۱۰۰ برابر و ۱۰ برابر ارزان تر از پایگاه‌های داده ای سنتی نتایج استفاده می‌کند.
در خرده فروشی‌ها ، این شرکت داده‌های نقطه سیستم‌های (بعد) از فروش ، استریم‌های شبکه‌های اجتماعی، پیش بینی‌های آب هوا و حتی دستگاه‌های پوشیدنی را به هم مرتبط می‌کند.
ردیابی موجودی در زمان واقعی و تولید مجدد را هم انجام می‌دهد و از خالی شدن مغازه‌ها جلوگیری می‌کند.

MAPD
MAPD یک پایگاه داده ای سریع و متناسب با SQL و لایه تحلیل بصری است که قدرت GPU ‌های NVIDIA را برای بررسی مجموعه‌های داده ای ردیف چند میلیونی بررسی می‌کند. MAPD با ترکیب پایگاه داده ای GPU هدفمند و یک لایه ترسیم قوی، می‌تواند تحلیل‌های آنی و گسترده ای درباره مجموعه داده ای بزرگ ارائه دهد که بررسی تعامل آن‌ها به دلیل بزرگی داده‌ها قبلا ممکن نبود.
در خرده فروشی از MAPD برای تحلیل فروش‌های تاریخی به منظور ارزیابی تقاضای محصول جغرافیایی برای موجو و موقعیت‌های مغازه آینده استفاده می‌شود.

BLAZIGDB
BLAZIGDB یک پایگاه داده ای با عملکرد بالای SQL برای نیاز‌های در مقیاس پتا بایت است. BLAZIGDB با استفاده از معماری توزیع شده و GPU یک نسل جدید و انقلابی SQL را ارائه می‌کند.
در BLAZIGDB خرده فروشی از آن برای داده‌های تراکنش‌ها و همچنین ردیابی فروش‌ها و موجود‌ها برای تحلیل آسان پایگاه‌های داده ای SQL استفاده می‌کند. برای مثال ، سازمان‌های خرده فروشی هر روز محاسبات بهینه سازی سود بزرگ را انجام می‌دهند و محصولات مخرب برای هر مغازه مشخص می‌شود. شدن این محاسبات و ماهیت حساسیت به زمان اختلال، SQL‌های مختل شده مخلتف بزرگ را جالب می‌کند.
graphistry یک پلتفرم ترسیم GPU‌های NVIDIA است که از تعامل میان مشتریان برای ترسیم میلیون‌ها نقطه داده ای استفاده می‌کند. مشتریان با مشاهده بیش ۱۰۰X بیش تر در تغییر زیر مجموعه ثانیه ، پویای تعامل را تغییر می‌دهند و داده‌ها را بهتر درک می‌کنند.
در خرده فروشی، GRAPHISTRY برای اتصال و درک سلایق مشتریان، یک فناوری جالب را ساخته است. ارتباط‌های میان مشتریان، محصولات استفاده شده و سلایق آن‌ها را به صورت بصری ترسیم می‌کند.

GOFIND
GOFIND.Al. یک استارت آپ مستقر در کالیفرنیا است که برنامه‌های جدیدی را ارائه می‌آورد و خرید لباس را آسان می‌کند. با یک عکس در موتورهای جستجو می‌توانید به ۱۰۰۰ میلیون خرده فروشی و کالاهای مشابه دسترسی داشته باشید. با بهبود هوش اپلیکشین ، می‌توان به تحلیل بهتری نسبت به الگو ها، ساختار‌ها و جزئیات دیگر دسترسی داشت و محصولات مورد علاقه به شما پیش نهاد می‌شود.

THIRDLOVE
خانم‌ها با استفاده از Thirdlove اپلیکیشین می‌توانند لباس مورد علاقه خود را با دستگاه تلفن همراه و یادگیری عمیق پیدا کنند.

VOLUMENTAL
VOLUMENATAL برنامه‌های بصری را برای اندازه گیری کفش‌ها و عینک‌ها ارائه می‌دهد و تجربه شخصی را برای مشتریان ارائه می‌کند.

Dasisy
هوش daisy از هوش مصنوعی برای ارتقاء یک محصول در کمپین تبلیغاتی استفاده می‌کند، برای این منظور از مجموعه‌های داده‌های مشتری بهره می‌برد.
IMAGR نیوزلند و Mashgan دره سیلیکان با استفاده از هوش مصنوعی به سوپر مارکت‌ها برای بررسی خودکار کالا‌های خارج شده از مغازه کمک می‌کند. ویلیام کوملی موسس IMGAR از مشترای می‌خواهد که در هنگام خروج بدون هیچ نگرانی از در خارج شوند. آمازون گو هم ایده مشابهی استفاده می‌کند، این نرم افزار در ماهواره مرکز شهر یک در مغازه نصب شده است که مشتریان می‌توانند بدون بازرسی از در خارج شوند.
* IMAGR ، SmartCart ( چهارچرخ هوشمند) را تولید کرده است که به دوربین فیلم برداری هوش مصنوعی مجهز شده‌است.
این دستگاه،داخل چهارچرخ را بررسی می‌کند و آن را به اطلاعات خرید بر روی گوشی همراه خریدار متصل می‌کند.
* Mashgin یک ایستگاه بازرسی خودکار است با رباط کاربری بسیار ساده است. مشتریان غذا‌های خریداری شده را بر روی دستگاه قرار می‌دهند و دوربین‌های سه بعدی از زوایای مختلف قیمت هر آیتم را بررسی می‌کنند. مشریان برای برای پرداخت، کارت خود را در دستگاه قرار می‌دهند.

STICH FIX
استارت آپ به روز STICH FIX از یادگیری عمیق برای ارائه پیش نهاد‌های خرید به مشتریان استفاده می‌کند. الگوریتم‌های پردازش زبان طبیعی STICH FIX پاسخ‌های کتبی را از فیدبک‌های مشتریان رمز گشایی می‌کنند و سلایق آن‌ها تعیین می‌شود. سپس از این داده‌ها برای بهبود خرید بعدی استفاده می‌شود.

Ebo box
این استارت آپ ، به مشتریان برای خرید هدایا از طریق یادگیری عمیق استفاده می‌کند. اطلاعات دریافت کننده‌ها و خریداران با داده‌های جمع آوری شده از سلایق کلی کاربر در بازار ترکیب می‌شود.

نظر بدهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

It is main inner container footer text