Les marques grand public et les détaillants ont souvent du mal à comprendre pleinement les besoins en constante évolution des clients. C'est pourquoi vous trouvez principalement des tailles XL dans votre magasin de mode préféré et pas de tailles M. C'est pourquoi vous devez passer des heures à chercher le style que vous avez vu sur Instagram et toujours ne pas le trouver. C'est pourquoi le coût des stocks morts pour les détaillants de mode aux États-Unis seulement est estimé à 50 milliards de dollars. Et c'est en partie la raison pour laquelle les États-Unis ont généré 16 millions de tonnes de déchets textiles en 2014.

Ce n'est pas à cause d'un manque d'intention ou d'effort dans l'industrie; plutôt, il est extrêmement difficile de comprendre les consommateurs à grande échelle. Caractériser les consommateurs avec de larges définitions de l'âge au pinceau, le sexe et le revenu ne sont pas efficaces compte tenu des préférences diverses et en constante évolution des consommateurs, et les détaillants doivent désormais examiner des segments de marché beaucoup plus fins, même jusqu'aux particuliers. De plus en plus, les consommateurs sont les moteurs des tendances plutôt que les commerçants qui les définissent, et cela va de pair avec beaucoup plus d'expérimentation et de perturbation sur le marché.

Créer et vendre le « prochain grand truc » dans un environnement aussi dynamique, concepteurs, les acheteurs et les marchandiseurs doivent utiliser leur propre créativité mais aussi considérer, avec une granularité sans précédent, comment les préférences des consommateurs changent et comment le design différent, les choix de marchandisage et de marketing seront performants. C'est là qu'interviennent l'IA et l'automatisation.

Par exemple, envisager un acheteur de mode au détail. Elle est responsable du succès financier de la marchandise qu'elle sélectionne au cours d'une saison donnée, mais il lui est impossible de prédire les performances d'un design 12 mois avant la saison cible, ou pour identifier les meilleures interventions promotionnelles à appliquer en saison. En effet, elle a très peu de visibilité sur l'évolution des préférences des consommateurs dans ses magasins au fil du temps, et comment les produits concurrents se comportent sur le marché.

Imaginez un système basé sur l'IA capable d'analyser le texte en langage naturel de millions d'avis de clients en ligne et les images de tous les produits du marché pour résumer les relations clés entre le sentiment des clients et les caractéristiques des produits spécifiques à l'emplacement. Par exemple, comment les clients réagissent aux pulls color block à Kansas City par rapport à Buffalo, et quel attribut est la cause probable de la baisse du sentiment des clients pour ses pulls color block par rapport aux pulls color block concurrents. De telles informations pour ses produits sur le marché et les nouveaux produits prévus l'aideraient à améliorer considérablement son assortiment, prix et démarques, et les plans de commercialisation.

Le sentiment du marché a été calculé pour des hauts floraux visuellement similaires sur trois marques différentes. Le tableau de bord montre la préférence des consommateurs pour ce type de produit dans différentes régions du pays, et les interventions de stock recommandées dans les différents magasins.

De la même manière, envisager un directeur des ventes pour une marque de yaourt. Avec un système qui pourrait analyser les ventes intermarques d'aliments à travers le pays pour produire des prévisions de haute qualité de la demande pour le yogourt aromatisé aux épinards et aux artichauts produit par l'entreprise, le directeur des ventes pouvait alors négocier les présentations de produits et les planogrammes avec les détaillants. La majorité de ces négociations échouent aujourd'hui en l'absence d'une telle capacité.

En réalité, L'étude récente d'IBM sur plus de 1, 900 leaders de la vente au détail et des produits de consommation montrent que l'adoption de l'automatisation intelligente dans les secteurs de la vente au détail et des produits de consommation devrait passer de 40 % des entreprises aujourd'hui à plus de 80 % dans trois ans.

Notre équipe d'IBM Research - Inde a collaboré avec l'équipe IBM MetroPulse pour apporter ce premier du genre, Capacités basées sur l'IA pour MetroPulse, une plate-forme industrielle qui rassemble un marché volumineux, ensembles de données externes et clients. Les nouvelles capacités utilisent l'IA et l'automatisation pour fusionner ces ensembles de données structurés et non structurés autour de la sémantique, contextes visuels et de localisation et découvre des informations détaillées sur les préférences des clients cachées dans ces données fusionnées. Ces informations aideront les marques grand public et les détaillants à faire des choix plus intelligents en matière de conception de produits, planification des stocks, prévision de la demande et assortiment de produits en phase avec les préférences dynamiques des consommateurs.

La plate-forme a trois couches, chacun avec un contenu approfondi de l'industrie :

La couche de données, Ce qui consiste en

• Des données de marché contenant à jour, des signaux spécifiques à l'emplacement des préférences des consommateurs, paysage des produits et comportement de la marque/du détaillant. Certains exemples d'ensembles de données que nous gérons incluent les avis et commentaires des clients en ligne, données de point de vente et images de produits. L'analyse de ces grands ensembles de données peut donner aux entreprises des indices sur l'évolution des préférences des consommateurs d'une marque à l'autre, détaillants, cultures et régions – au niveau de la ville ou du quartier.
• Des données tierces hyper-locales mises à jour en continu, signaux au niveau du quartier des facteurs externes qui influencent le comportement des consommateurs tels que la démographie, prévisions météo et historique, événements locaux et visiteurs.
• Données d'entreprise privée contenant des informations sur les propres magasins du détaillant, des produits, marchandisage, promotions et historique des ventes. Ces données sont traitées avec des garanties élevées de sécurité et de confidentialité.

L'intégration de ces multiples ensembles de données est essentielle pour obtenir une détection et une prévision de la demande correctes, comme indiqué également dans Supply Chain Management 2018 :Au service du client, Recherche sur les systèmes de vente au détail, Décembre 2018, où 60 à 70 % des personnes interrogées considèrent « beaucoup de valeur » à prendre en compte de nouvelles données telles que le sentiment, les données des zones commerciales et les promotions passées dans les prévisions de la demande.

La couche de connaissances, Ce qui consiste en

• Un vocabulaire numérique spécifique à l'industrie de la vente au détail - des graphiques de connaissances qui capturent des informations sur l'industrie sous la forme d'entités, propriétés et relations. Cette couche permet aux données de la couche de données d'être interprétées et analysées de manière standard et significative par les systèmes d'IA qui génèrent finalement des informations pour les utilisateurs finaux. Par exemple, envisager une taxonomie de la mode qui capture divers termes de la mode et les relations entre eux (par exemple, "peplum" est le type de "top"), ou une ontologie d'épicerie qui capture divers types d'aliments, Ingrédients, saveurs et hiérarchie des types.

La couche intelligence industrielle, Ce qui consiste en

• Une variété d'algorithmes et de modèles d'IA capables d'identifier et de comprendre les signaux enfouis dans les données, les transformer en informations et recommandations exposées de manière significative et standardisée via un tableau de bord et des API. Ces informations et recommandations aident les chefs d'entreprise, concepteurs de produits, marchandiseurs et autres utilisateurs de l'entreprise pour comprendre et optimiser les comportements et les préférences de leur clientèle cible. Les solutions orientées client pour la personnalisation et l'assistance cognitive peuvent également utiliser ces API pour améliorer l'engagement des consommateurs sur le point de vente. Ces algorithmes exploitent les dernières techniques d'IA en IA multimodale, IA explicable et prévision, et ajustez-les pour comprendre les connaissances et les concepts spécifiques à l'industrie.
• L'IA multimodale associe la perception visuelle et le traitement du langage naturel pour extraire des informations à partir de plusieurs modalités de données. Par exemple, il peut identifier des objets de mode dans une image et les associer à l'expression de l'opinion des clients dans les avis d'accompagnement ; ou un modèle de similarité sémantique qui comprend que le jus de pomme est plus proche de la limonade que de la pomme pour un consommateur, mais proche du jus de pomme en termes de saveur et d'ingrédients.
• L'IA explicable explique pourquoi un modèle génère une sortie particulière pour une entrée donnée. Alors que les modèles d'IA sont devenus plus complexes, il est devenu presque impossible pour les non-scientifiques des données de comprendre leur comportement, il leur est donc difficile de se fier aux prédictions des modèles. les techniques de visite apportent cette explicabilité et aident les utilisateurs finaux à comprendre le « pourquoi ». Par exemple, comprendre le sentiment pour les différents aspects de la conception des robes d'été sur le marché et expliquer la contribution des facteurs locaux (démographie, météo) et des facteurs de marchandisage (prix, Stock, promotion) sur la variation du sentiment à travers les comtés des États-Unis.

Vous pouvez essayer ces nouvelles fonctionnalités MetroPulse avec des données du monde réel lors de l'événement National Retail Federation (NRF) à New York en janvier, 2019, ou voir ici pour plus de détails.

Cette histoire est republiée avec l'aimable autorisation d'IBM Research. Lisez l'histoire originale ici.