6 ambiti dove adottare il Machine Learning nel mercato del Retail

6 ambiti dove adottare il Machine Learning nel mercato del Retail

6 ambiti dove adottare il Machine Learning nel mercato del Retail

di Cristiano Di Battista

Oggi entro in un supermercato, prendo il carrello, vado errante per le corsie, alcuni prodotti li prendo, altri li osservo, altri ancora lì tocco ma poi li riposo sullo scaffale, infine arrivo in cassa, pago e vado via con la mia spesa.

Questo è quello che accade per ognuno di noi che realizza un’esperienza di acquisto in un punto vendita fisico nelle nostre città e nel 98% dei casi (ma a sensazione la percentuale è anche più alta) nessun retailer ha acquisito le informazioni della mia esperienza, non ha preso dei dati, e ovviamente non ha la possibilità di analizzarli e/o utilizzarli in modo aggregato.

Vediamo ora la mia esperienza in uno store online: entro in un sito ecommerce, lasciando le mie informazioni per l’accesso, visito le pagine, approfondisco alcuni prodotti, alcuni li metto nella wishlist, altri li porto direttamente nel carrello, magari alcuni li condivido sui social, e infine vado al check out confermando l’indirizzo di spedizione e l’orario per la consegna.

Tutta la mia esperienza è tracciata e raccolta insieme ad esperienze di altri clienti con la pseudo-anonimizzazione (di cui realizzeremo un articolo dedicato), tutti i nostri dati sono aggregati e utilizzati per migliorare l’offerta che lo store online ha e conseguentemente tutti i processi logistici alle spalle. Il 55% del fatturato di Amazon deriva proprio da questi processi automatici (da un articolo pubblicato su Martech Advisor: “Recommendation Engines: How Amazon and Netflix Are Winning the Personalization Battle”).

Detta così è davvero troppo facile vincere per il mondo dell’ecommerce, e infatti abbiamo già realizzato un articolo in cui raccontiamo la difficoltà che i retailer stanno vivendo sui punti vendita fisici, dove evidenziamo come uno dei fattori differenzianti è quello della Customer Orientation facendo leva sul contatto umano (vedi qui l’approfondimento).

 

Un’altra soluzione!

Ma c’è una grande opportunità per tutti quei retailer che riescono ad ottimizzare i propri processi interni e i propri alberi decisionali utilizzando un’altra fantastica leva: ovvero convogliare la magnitudo dei loro dati e la relativa analisi verso il Machine Learning.

Abbiamo già raccontato in diversi articoli che cos’è un algoritmo di Machine Learning (una delle nostre aree di eccellenza, per esempio vedi qui) e quali sono le metodologie per la sua applicabilità. Dai dati di input e tutti i flussi informativi che entrano nei modelli statistici e predittivi il Machine Learning elabora output per costruire nuove decisioni e migliorare le performance.

 

Il Machine Learning nel Retail

Evidenziamo ora 6 ambiti in cui nel mercato del Retail è possibile utilizzare i dati per la realizzazione di algoritmi di ML e raggiungere gli obiettivi di cui sopra.

  1. Partiamo proprio dall’area vendita. Con il ML il Retailer ha la possibilità di migliorare l’engagement con i clienti utilizzando come input alcune delle informazioni già presenti nello store e le interazioni con i social, in modo da creare cluster di comportamento e offerte personalizzate
  2. Sempre nell’area vendita si possono arrivare soluzioni di Recommendation System agganciati agli acquisti effettuati. Il Recommendation System è la tipica funzione che si trova negli e-commerce in cui compaiono prodotti complementari a ciò che stai acquistando o che altri hanno acquistato. Per esempio promo personalizzate al check out sullo scontrino o con notifiche sull’app sulla base della spesa effettuata e/o degli acquisti pregressi.
  3. Al fine di utilizzare al meglio la multicanalità, è possibile analizzare le interazioni e i contenuti presenti negli assistenti virtuali, nelle applicazioni digitali usate dai clienti e nei chatbot. Con l’utilizzo di soluzioni di NLP (Natural Language Processing) questa diventa una fonte inesauribile per capire i trend legati al proprio brand e misurare il polso alle attività di customer care. 
  4. In ambito logistico, gli algoritmi predittivi possono aiutare e ottimizzare tutta la supply chain sulla base delle informazioni provenienti dagli assortimenti e dagli scaffali. 
  5. Al fine di capire e interpretare correttamente i dati di performance anno su anno il Machine Learning esamina gli analytics, unitamente ad altre variabili ed estrae informazioni utili per supportare i retailers su decisioni strategiche.
  6. Da ultimo la creazione di modelli matematici per il prezzo dinamico. Il Machine Learning come abbiamo visto, raccoglie dati dai Clienti e li incrocia con i prezzi della concorrenza. In questo modo offre una reazione tempestiva sull’area vendita che può diventare pressoché immediata con le etichette elettroniche presenti sugli scaffali di alcuni Retailers. 

In un prossimo articolo esamineremo alcuni ambiti di applicazione del Machine Learning già utilizzati da alcuni colossi come il riconoscimento delle espressioni facciale dei clienti annoiati in coda alle casse di WalMart (dove intervengono operatrici di queue busting), ma se vuoi analizzarli e soprattutto sperimentare insieme a noi l’utilizzo dei tuoi dati per la creazione di algoritmi di ML dedicati, contattaci compilando il form sottostante.

     Desidero iscrivermi alla newsletter