Crea un use case per l'IA per guidare l'automazione intelligente nella produzione di Beni di Consumo B2C
Nell'ultimo blog di questa serie di due parti, ho sottolineato la necessità di scrivere un use case per determinare se l'IA può essere applicata ai vostri processi aziendali B2B. Ho anche spiegato che l'automazione intelligente può eliminare le attività B2B manuali ridondanti e ridurre drasticamente gli errori.
Dopo aver letto molti articoli, partecipato a molti webinar e osservato molte conversazioni, è evidente che ci sono poche informazioni su "COME" l'IA può essere impiegata con i clienti. Oggi vorrei fornire informazioni su "COME" l'IA può essere utilizzata nel percorso di mercato B2C.
Saltare gli ostacoli
Tutto è interconnesso, e l'Internet delle Cose (IoT) ha reso i consumatori più consapevoli e informati, spesso guidati da influencer, e non più solo dalle condizioni merceologiche tradizionali dei negozi fisici. Sconti temporanei, caratteristiche e display dei prodotti nuovi ed esistenti non bastano più a convincere l'acquirente a finalizzare un acquisto. Oggi, i consumatori sono influenzati da molteplici fonti mediatiche e da una quantità infinita di annunci che rimandano a siti di e-commerce, dove possono navigare, aggiungere articoli al carrello e, altrettanto facilmente, abbandonarli. Oltre a catturare l'attenzione di questi acquirenti esperti, c’è molto da comprendere sui nuovi prodotti che si affacciano sul mercato.
Il lancio di nuovi prodotti può rappresentare un rischio enorme per i produttori CP come te, in termini di costi e di possibilità di insuccesso. Dove acquisterà il prodotto l'acquirente, online o in un negozio fisico? Per rispondere a queste domande, è necessario acquisire, pulire, archiviare e analizzare i dati. Questo ci porta al prossimo grande ostacolo.
Il termine "big data" è stato utilizzato a partire dagli anni '90, quando il boom delle dot-com nella Silicon Valley lo ha reso popolare. I big data comprendono solitamente insiemi di dati molto più grandi di quelli che i comuni strumenti software sono in grado di catturare, pulire, gestire ed elaborare in tempi ragionevoli. I big data si concentrano su insiemi di dati non strutturati, semi-strutturati e strutturati. Tuttavia, l'attenzione principale è rivolta ai dati non strutturati. La dimensione dei big data è un obiettivo in continuo movimento: si va da poche decine di terabyte a molti zettabyte di dati. Le tipologie di big data comprendono i dati di fidelizzazione dei rivenditori, i dati dei punti vendita, i dati consortili e i dati dei panel, e continuano a moltiplicarsi.
Oltre ai big data sull'acquirente, devi gestire una grande quantità di fonti di dati esterne. Ad esempio, i dati della catena di approvvigionamento interna possono essere isolati in diverse applicazioni software e quindi difficili da estrarre. Esistono diversi fornitori di dati che tracciano e forniscono i volumi di vendita e di ritiro per i grossisti e i dettaglianti indiretti. L'elenco è quasi infinito in termini di punti di dati e richiede la creazione di un'integrazione con la fonte, la pulizia e infine la centralizzazione di tutti i dati in un data lake. Una volta centralizzati tutti i dati, qual è il prossimo passo?
La data science è il motore dietro l'attuale capacità di ottimizzazione del Trade Promotion (TPO). I data scientist creano e addestrano algoritmi per modellare i dati storici e prevedere i volumi di acquisto in base a 5 specifiche condizioni di mercato. Un'applicazione TPO calcola questi volumi e permette di identificare la promozione migliore, ottimizzando la spesa commerciale con un investimento minore e un profitto maggiore. Tuttavia, quando si aggiunge l'acquirente esperto, alla ricerca di qualcosa che superi le tradizionali condizioni di mercato, queste promozioni rischiano di non essere più efficaci.
Un salto in avanti
Sia i produttori CP che i rivenditori hanno bisogno di un piano incentrato sul consumatore, che incorpori i big data dei consumatori raccolti, identificati, archiviati, puliti e centralizzati in un data lake. In questo modo, l'algoritmo di data science non si limita a modellare 5 punti di dati per prevedere il volume incrementale, ma si basa su combinazioni di condizioni merceologiche, frequenza e profondità. Il modello può contenere fino a 25 punti dati per identificare le tendenze dei consumatori e creare la prossima generazione di promozioni specifiche per gli acquirenti. Inoltre, crea esperienze per i clienti e stimola i ricavi aiutando gli acquirenti a trovare i prodotti che meglio corrispondono agli attributi che stanno cercando oggi, invece di concentrarsi solo su ciò che hanno acquistato in passato.
L'integrazione di tutti questi dati fornisce una capacità predittiva. I data scientist devono ora creare un Large Language Model (LLM), ed è qui che entra in gioco l'IA. L'LLM è una rete di intelligenza artificiale che addestra l'input/output dei dati acquisiti, in modo frequente e rapido. Identifica il testo che potrebbe essere non etichettato o non classificato facendolo passare attraverso questo complesso modello. L'LLM utilizza l'intelligenza artificiale per auto-supervisionare o semi-supervisionare la metodologia di apprendimento. Le informazioni e i contenuti vengono inseriti nell'LLM e l'output è l'algoritmo che predice la prossima mossa dell'acquirente esperto.
Shopping iperpersonalizzato: Puoi migliorare l'esperienza di acquisto in modo dinamico per gli acquirenti più accorti e incrementare i profitti aiutandoli a trovare i prodotti che più si avvicinano alle caratteristiche che stanno cercando oggi, anziché basarsi solo sugli acquisti precedenti.
- Crea promozioni specifiche per gli acquirenti con combinazioni incrociate di prodotti tramite sconti per incentivi all'acquisto basati sul volume, in linea con le tendenze d'acquisto previste o storiche. Raccomanda nuovi prodotti in base alle tendenze di acquisto o ai vincoli del prodotto o dell'acquirente. Tra questi potrebbero esserci limitazioni di budget o prodotti complementari ad altri.
Il tuo obiettivo è identificare e avvisare gli acquirenti quando i loro prodotti preferiti saranno in promozione. L'intelligenza artificiale può essere utilizzata per semplificare il processo di identificazione e creazione di nuovi prodotti per i cataloghi di ecommerce. Può anche aiutarti a identificare descrizioni dei prodotti più incisive per migliorare il tuo posizionamento SEO.
L'LLM può esaminare i prezzi dei concorrenti più volte al giorno, analizzare i modelli di domanda e le tendenze del mercato o i costi operativi. Può anche fornire raccomandazioni sui prezzi in tempo reale per evitare di perdere clienti a favore della concorrenza o per apportare modifiche ai prezzi per massimizzare i profitti. Questi esempi sono solo una piccola parte di come si può soddisfare l'acquirente esperto del giorno d'oggi. Qual è il tuo prossimo passo e come puoi raggiungere il successo?
Parti con slancio
Se quello che hai letto finora ti suona bene, ecco da dove dovresti iniziare la tua valutazione con Advanced Analytics e Smart Automation.
L'IA e gli Advanced Analytics si concentrano su queste 3 aree critiche:
- Sviluppare la giusta base di talenti e il giusto modello operativo
- Garantire una strategia e una governance dei dati efficaci
- Costruire e ricostruire le giuste piattaforme digitali e di dati.
L'intelligenza artificiale e la Smart Automation degli Advanced Analytics si concentrano su queste 3 aree:
- Raccolta dei big data
- Gestione dei big data
- Previsione del comportamento dei consumatori
È il momento di valutare se l'IA è adatta alla tua impresa. Valuta se può essere d'aiuto nel tuo percorso di RGM e preparati per il giorno in cui sarà il momento di incorporarla. In altre parole, fai subito i compiti creando un caso d'uso per prepararti al successo in futuro. Puoi davvero permetterti di non farlo?