AI'nın perakende alanında uygulanması | "AI + geleneksel endüstriler" tam envanter
Lei Feng'in web sitesine göre: Büyük miktarda veri üretebilen herhangi bir sektörde, yapay zeka ona nüfuz edebilir ve bu verileri değere ve ekonomik faydalara dönüştürebilir.
Geleneksel perakende, şüphesiz, büyük miktarlarda müşteri verileri, alışveriş verileri, ürün popülerlik verileri, alışveriş merkezi ortam verileri vb. Dahil olmak üzere büyük miktarda veri biriktirmiş bir sektördür. Yapay zekanın rolü, veri adalarını ortadan kaldırmak, bunları aktif olarak emmek ve yapılandırılmış verilere dönüştürmek, böylece işletim verimliliğini artırmaktır.
Teknolojinin yaygınlaşması ve program maliyetlerinin düşmesi ile yapay zekanın perakendeye tanıtılması giderek gerçek oldu.
Bu makale yapay zekayı üç kategoriye ayırmaktadır: makine öğrenimi, bilgisayarla görme ve robotik. Her kategoride perakende alanında daha derinlemesine uygulama senaryoları vardır.
1. Perakendede makine öğreniminin uygulanması
Makine öğrenimi, perakendecinin üyelik sistemiyle yakından bütünleştirilmiştir ve perakendecilerin, üyelerin satın alma kayıtları ve kimlik bilgilerine kapsamlı bir şekilde sahip olması gerekir. Bu bilgileri inceleyerek, kişiselleştirilmiş perakende hizmetleri ve satın alma talep tahminleri tamamlanabilir. Perakende uygulamalarında aşağıdaki görevleri gerçekleştirmek için makine öğrenimi kullanılabilir:
1. Üyelik sistemi yönetimi
Üyelik sistemi yönetiminin önemli bir yönü, esasen bir kullanıcı portresi olan üyeliği tasvir etmektir. Üye kayıt bilgileri ve satın alma kayıtlarına göre satın alma alışkanlıklarını, alışveriş kurallarını, alışveriş tercihlerini ve diğer bilgileri değerlendirebilir.Veri sistemi müşterilerden ne kadar çok veri toplarsa, kullanıcı portresi o kadar eksiksiz olur.
Veri yönetim sistemi, bu bilgilere göre birçok müşteriyi etiketleyecektir, örneğin: 70'lerde doğmuş, çocuk sahibi, kadın, yaklaşık gelir seviyeleri vb. Bu veriler ve etiketler, müşteri gruplarını segmentlere ayırabilir ve hedefli pazarlama ve hizmetler için belirli grupların hedeflenmesine yardımcı olabilir.
2. Ürün önerisi
Yukarıda bahsettiğimiz gibi, veri yönetim sisteminde her üye birçok etiketten oluşur.Veri madenciliği yapıldıktan sonra bu etiketler eşleştirilebilir: Üye A ve üye B'nin etiketlerinin bir kısmının örtüştüğü tespit edilirse, A bazı indirimli ürünler satın aldığında Daha sonra, sistem bir karar verecek ve bu mallar için tercihli bilgileri B'ye doğrudan posta veya SMS şeklinde göndermeyi değerlendirecektir.
3. Müşteri satın alma davranışı tahmini
Üyenin kimlik bilgilerini ve satın alma geçmişini öğrendikten sonra, satın alma davranışını tahmin etmek gerekir.
Örneğin Target'ı ele alalım. Amerika Birleşik Devletleri'ndeki en büyük ikinci süpermarket olan Target, bir keresinde bir dizi müşteri analiz aracı başlattı. Hedef, bir "gebelik tahmin endeksi" oluşturmak için 25 tipik ürünün tüketim verilerini seçti. Target, bu endeks sayesinde müşterinin hamilelik koşullarını küçük bir hata payı içinde tahmin ediyor ve müşterilere ürün öneriyor. Tipik bir durum, Target zincir mağazalarından el kremleri ve sağlık ürünleri gibi tipik ürünler satın alan reşit olmayan bir kızın alışveriş kayıtlarına dayanarak kızın hamile olduğunu doğru bir şekilde çıkarmalarıdır.
Hamilelik tahmin modelinin başarısı göz önüne alındığında, Target daha sonra benzer modelleri diğer çeşitli müşteri segmentlerine uyguladı ve sonraki yıllarda Target'ın satışları 44 milyar dolardan 67 milyar dolara çıktı.
4. Tedarik zinciri optimizasyonu
Önceki uygulama araçları daha çok mal satışı, müşterileri hedefleme içindir ve tedarik zinciri yönetimi perakendecilerin normal işleyişinin temelini oluşturur.
Hepimizin bildiği gibi, aşırı stok maliyetleri artıracak, öte yandan stokların tükenmesi itibarın zedelenmesine ve müşteri kaybına neden olacaktır. Farklı ürünlerin, olayların, pazarlama davranışlarının ve mevsimsel faktörlerin geçmiş verilerine dayanan normatif model, doğru arz ve talep ilişkisini öngörebilir.Bu verilere dayanarak, perakendeciler envanter sorunlarını etkili bir şekilde önleyebilir, lojistik yönetimini optimize edebilir ve işletme fonlarını daha verimli kullanabilir.
İkincisi, perakendede bilgisayar vizyonunun uygulanması
(Geling Deep Eye'dan Resim)
Leifeng.com, makine öğreniminin perakendede uzun yıllardır kullanıldığını ve nispeten olgunlaştığını öğrendi. Ancak, bilgisayar vizyonu yalnızca son yıllarda perakendeye geçmiştir ve ilgili uygulamalar, etkinlik ve maliyet gibi sorunlar nedeniyle henüz büyük ölçekte ticarileştirilmemiştir.
1. Akıllı kamera kalabalık algılama
E-ticaretin ortaya çıkışı, çevrimdışı fiziksel mağazaların düşük müşteri trafiği, yetersiz veri, izleme ve kasiyer verilerini birbirine bağlayamama ve müşterilere ayrım gözetmeksizin işlenmesi gibi sorunlarla karşılaşmasına neden oldu. Bir ajans tarafından yapılan önceki bir araştırmada, alışveriş merkezleri ve süpermarketlerin, bu üç yönün otomatik olarak tespitini tamamlamak için teknik bir çözüm sunmayı çok umduklarını ortaya çıkardı: kalabalık istatistikleri, kalabalık özellikleri ve kalabalık davranışı.
Şu anda, Megvii Technology, Geling Deep Pupil ve Extreme View gibi yapay zeka şirketleri, perakendecilere yukarıdaki üç sorunu çözmek için tavana monte monoküler, dürbün veya tepegöz kameralar gibi entegre teknik çözümler sağlayabilir.
Ayrıntılar için aşağıdaki şekle bakın:
(Megvii Teknolojisinden resim)
Akıllı kamera, istatistik ve analizler için alışveriş bölgesinin müşteri akışını, yaşını, cinsiyetini ve ısı haritasını gerçek zamanlı olarak tespit edebilir, böylece kalabalığın sayısını ve yoğunluğunu hesaplayabilir, anormal olayları tespit edebilir; promosyon alanlarındaki ve önemli alanlardaki ve satış durumundaki insan akışının istatistiklerini ve kontrolünü gerçekleştirir. .
Kalabalığın durumunu tespit etmenin yanı sıra bazı kişilerin yüz tanımasını da tamamlayabilir. Spesifik uygulama yöntemi şudur: Kullanıcı mağazaya geldiğinde, kamera ilk olarak yüz tanıma yoluyla müşterinin kimliğini belirleyebilir ve ikinci olarak, arka planda müşterinin üye olup olmadığını gösterecektir. Üyenin kişisel bilgilerine ve satın alma verilerine göre, alışveriş rehberi veya müdürünün elde taşınır istihbaratı aracılığıyla Cihazın arka uç uygulaması, üyelere alışveriş yapmalarını hatırlatmanın çözümünü gerçekleştiriyor.
2. Emtia kimlik ödemesi
Otomatik ödeme büyük bir trend haline geldi, ancak otomatik ödeme hala tüketicilerin ürün barkodlarını taramasını gerektiriyor, bu da acemiler için zor.
Şu anda, yabancı şirketler, IBM Watson görüntü tanıma ve PayPal ödemesine dayalı mobil uygulama PepperPay'i piyasaya sürdü ve ürün tanıma ve ödemeye görüntü tanıma teknolojisini uyguladı. Müşteri, satın aldığı ürünleri PepperPay teknolojisine sahip cihazın önüne koyar, cihazın kamerası ürünün bir fotoğrafını çeker, fotoğrafı arka plana gönderir ve ardından satın alınan ürünü tanımlayarak fiyatlandırma ve ödeme için müşterinin PayPal hesabına geçer.
3. Ürün eksik tarama tespiti
"Büzülme" kelimesi genellikle yurt dışı perakende sektöründe kullanılmaktadır, genel anlamı mağazanın hırsızlık veya insan hatası nedeniyle kaybolması, mağazanın ödeme sırasında taranmadan kaybolmasına neden olur. Bu sorun her yıl 45,2 milyar ABD dolarına varan zarara neden oluyor.
Şu anda, dünyanın en büyük 10 perakendecisinin yarısı, yukarıda bahsedilen sorunu çözmek için Everseen'in AI teknolojisini kullanıyor. Everseen, güvenlik kamerasını kasiyere ve otomatik ödeme makinesine entegre eder, bu da malların eksik olup olmadığını otomatik olarak tespit edebilir. İster çalışan ihmali, ister hırsızlık olsun, ürün taranmadığında, Everesen perakende mağaza ekibine akıllı saat, tablet veya başka bir mobil cihaz aracılığıyla bir uyarı gönderecek ve ürünün taranmamış görüntüsünü gösterecektir.
4. Sanal giyinme aynası
Son yıllarda, daha üst düzey ve doğru 3D sanal uygulama hizmetleri ortaya çıkmaya devam etti.Ürünleri, somatosensoriyel ekipman ve kameralar aracılığıyla insan vücudu verilerini yakalıyor, hızlı bir şekilde insan vücudu modelleri oluşturuyor ve algoritmalar aracılığıyla tüketici tercihlerine dayalı olarak giysi ve insan vücudunun senkronize modellemesini ve hassas eşleştirmesini gerçekleştiriyor. Sıkıştırma aktarım teknolojisi, büyük miktarlarda insan vücudu ve giysi verilerini buluta aktararak tüketicilerin herhangi bir terminal cihazını kullanarak giysinin üst gövdesinin "gerçek" etkisini istedikleri zaman, istedikleri yerde görmelerine olanak tanır.
Sanal giyinme aynası, müşterilerin satın almadan önce çeşitli seçenekleri denemelerine yardımcı olarak, hareketlerin ve dokunmatik arayüzlerin kullanımına bağlı olarak müşterinin giydiği giysi veya aksesuarların sanal bir ayna görüntüsünü gösterebilir.
Ayrıca alışveriş merkezleri de bu şekilde tüketicilerin büyüklükleri ve tercihleri hakkında istatistiksel veriler elde edebiliyor.
Üçüncüsü, perakende satışta robot uygulaması
Robotlar, şüphesiz yapay zekanın en iyi taşıyıcılarından biridir.Robotlar, dinleme, konuşma ve görme yeteneğine sahip olmak için makine öğrenimi, bilgisayarla görme, konuşma tanıma, doğal dil işleme ve diğer teknolojileri eşzamanlı olarak yerleştirebilir ve perakende satışta önemli bir rol oynayabilir.
1. İnsan-bilgisayar etkileşim robotu
Daha önce Leifeng.com tarafından bildirilen SoftBank Pepper, esas olarak perakende mağazalarda ve büyük alışveriş merkezlerinde temsil edilmektedir.
Pepper robotu, müşterilerin içeriğini, tonlamasını ve ifadesini tanıyabilen NLP ve CV gibi yapay zeka teknolojileri ile yerleştirilmiştir.
Aynı zamanda çok kapsamlı bir alışveriş rehberi fonksiyonuna da sahiptir.Müşteriler Pepper'a ihtiyaçlarını sesli olarak anlattıklarında, müşteriyi doğrudan ürünün rafına götürerek ürünün temel bilgilerini bir satış elemanı gibi tanıtabilir.
2. Alışveriş rehberi robotu
Çeşitli şekillerde iletişim kurabilen Pepper'ın aksine, bazı robotlar alışveriş rehberlerine odaklanıyor. Bunların arasında Budgee ve PromoBot tipik temsilcilerdir.Budgee alışveriş sepeti robotu otomatik sürüşü gerçekleştirebilir ve müşteriyi takip edebilir. Kullanıcıların yalnızca alışveriş listesini Budgee'ye göndermesi gerekir ve alışveriş listesini analiz edebilir, ürünleri bulabilir ve alışveriş rotasını planlayabilir. Budgee ayrıca alışveriş sepetindeki ürünleri ve alternatif ürünler için bazı tercihli promosyonları analiz edebilir.
3. Raf devriye robotu
Yukarıdaki iki robot türü müşterilere hizmet ederken, bazı robotlar perakendecilerin yöneticisi olarak hizmet vermektedir.
Hepimizin bildiği gibi, süpermarketler genellikle yanlış fiyat etiketleri ve ürün yerleri koyar.Bu sorunları insanlar tarafından çözme görevi çok karmaşıktır. Bu acı noktaya yanıt olarak, bazı şirketler engellerden kaçınabilen ve algılayıp tarayabilen Tally robotunu piyasaya sürdü. Back-end ürün verilerine göre, hangi ürünlerin raflara eklenmesi gerektiğini, hangi ürünlerin yanlış fiyatlandırıldığını veya yanlış yerleştirildiğini anlamak için tüm alışveriş merkezini tarayın ve analiz edin ve son olarak bu sorunları personele geri bildirin. Ek olarak, Tally envanteri hesaplayabilir ve ayrıntılı ikmal tavsiyesi sağlayabilir.
4. Depo robotu
Yukarıda bahsettiğimiz birkaç robot daha çok sahne önünde kullanılıyor, perakendeciler için arkalarındaki depo yönetimi de son derece önemli.
Amazon, ambar sisteminde Kiva Systems robotlarını kullanıyor. İstatistikler, Kiva'nın operasyonlarının verimliliğinin geleneksel lojistik operasyonlardan 2 ila 4 kat daha yüksek olduğunu gösteriyor Robot saatte 30 mil hareket edebiliyor ve pozisyon varış doğruluğu oranı% 99,99 kadar yüksek. Amazon'un robotik departmanı, Amazon'un her yıl yaklaşık 900 milyon dolar işçilik maliyetinden tasarruf etmesine yardımcı olabilir.
Alibaba ve JD.com başta olmak üzere birçok yerli şirket, depo robotlarını yaygın olarak kullanmaya başladı. Bu tür robotlar genellikle aşağıdaki teknolojileri ve işlevleri benimser:
(1) Algılama ve engellerden kaçınma
Örnek olarak JDnin insansız teslimat aracını alın. Birden fazla görüş sensörü ve radarla donatılmıştır. Paralaks haritaları ve engellerin boyutunu ve mesafesini tespit etmek için diğer yöntemleri oluşturarak dış ortamın üç boyutlu bir ortamını oluşturabilir.
(2) Yol Kralı Planlama
Ali Cainiao'nun küçük G'si, sahne tanıma ve harita konumlandırmanın sonucuna göre yerleşik algoritmaya göre mevcut rotayı değiştirebilir. Ek olarak, küçük G, en verimli ve hızlı dağıtımı elde etmek için dağıtım sırasını hedef dağıtım noktalarının dağılımına göre esnek bir şekilde ayarlayabilir.
Amazon'un raf robotları, depo zeminindeki barkod boyunca çarpışma olmadan aynı hizada yürüyebilir.
Yeni nesil akıllı dağıtım yöntemleri olarak, bu robotlar genellikle bazı ek becerilere sahiptir. Bunlardan Yunji Technology ve ABD Savioke servis robotları, kablosuz sinyal bağlantısı ile bina içindeki asansör kontrolörü ile iletişim kurabilir ve akıllı algılama becerileri ile asansörü tamamen otonom olarak hedef kata götürebilirler. Çaylak G, asansördeki tıkanıklığa göre gönüllü olarak sürüşten vazgeçebilir.
Shentong Express'in akıllı ayırma robotu aynı zamanda otomatik hızlı şarj etme özelliğine de sahiptir.Robot, pilin yetersiz olduğunu algıladığında, hızlı şarj için önceden ayarlanmış bir güç kaynağını otomatik olarak bulabilir.Sadece 5 dakika sürer ve 4 saat kesintisiz çalışabilir. Gerçekten 24 saat kesintisiz gerçekleştirildi.
Ek olarak, mallar çalındığında veya kendi arızaları meydana geldiğinde, bu robotlar genellikle gerçek zamanlı olarak bir alarm gönderebilir. Örneğin, JDnin insansız teslimat araçları, ana konsoldan gerçek zamanlı izleme ve konum sorgulamaları yoluyla güvenliği sağlayabilir.
sonuç olarak
Tipik bir ticari kompleks olarak perakende, bağlantıların çoğunda otomasyon ve standardizasyon sağlamak için yapay zekaya güvenebilir ve böylece insan gücü girdisini azaltabilir. Teknolojinin gelişmesiyle birlikte gelecekte perakendede daha fazla AI ürün ve çözüm formunun kullanılacağı öngörülebilir.
