در سال ۲۰۰۲ شرکت تارگت، آمار شناسی به نام اندرو پل را استخدام کرد. کار او استفاده از تجزیه‌و‌تحلیل پیشبینی کننده بود. (نوعی از آمار که با مشاهده‌ی اطلاعات، پیشبینی انجام میشود.) این روش نوعی بازاریابی برای خرده فروشی محصولات خاص، برای گروه خاصی از مشتریان است. در همین راستا، اولین وظیفه پل شناسایی زنان باردار بود. به ویژه زنان در سه ماهه دوم بارداری.
همانطور که تیم بازاریابی تارگت به پل توضیح داد والدین جدید، مشتریان بسیار ارزشمندی هستند که وفاداری به محصولات در آن‌ها، زمانی که بچه‌‌دار می‌‌شوند، قطعا تغییر میکند؛ زیرا آن‌ها اکنون محصولاتی را خریداری میکنند که قبلا نمی‌‌خریدند مانند پوشک، شیر خشک، لباس کودک و غیره. والدین جدید از نظر جسمی خسته هستند و در نتیجه بیشتر مستعد انجام همه‌ی خریدهای خود در یک مکان هستند و Target می‌‌خواست که آن مقصد باشد.
پل به نیویورک تایمز گفت: «ما می‌‌دانستیم که اگر بتوانیم مادران را در سه ماهه دوم بارداری شناسایی کنیم، شانس خوبی برای تبدیل‌شان به مشتری داریم. به محض اینکه آن‌ها را مجبور به خرید پوشک کنیم، خودشان شروع به خرید هر محصول دیگری خواهند کرد. برای مثال اگر با عجله در قفسه‌های فروشگاه می‌‌گردید و به دنبال آب‌میوه باشید، شاید با حواس‌پرتی از کنار آب پرتقال عبور می‌کنید و ناگهان چشم‌تان به محصولات دیگر می‌خورد. اوه، آن دی وی دی جدیدی هست که می‌خواهم. سپس غلات و حوله کاغذی را از ما می‌‌خرید و بازگشت به فروشگاه ما را ادامه می‌‌دهید!»
ماشین لرنینگ در خردهفروشی
ماشین لرنینگ به خردهفروشان برای بهینهسازی قیمت‌ها، جمعآوری اطلاعات مشتریان و کارآمد کردن فرآیند حمل و نقل کمک میکند. همچنین این روش برای ساده‌‌سازی صنعت خردهفروشی، هزینه ها را کاهش میدهد و روابط قوی‌‌تری با مشتریان ایجاد خواهد کرد.
در حالی که دیگر شرکت‌‌ها از سوابق تولد نوزادان برای شناسایی مشتریان بالقوه استفاده میکنند، تارگت می‌‌خواهد با شناسایی زنان در دوران بارداری‌شان، در رسیدن به اهدافش نسبت به رقبا برتر و پیش‌گام باشد. پل و همکارانش به عنوان بخشی از فرآیند خود، اطلاعات خرید مشتریان را مطالعه کردند و ۲۵ محصول مورد علاقه‌ی زنان باردار شناسایی شد؛ محصولاتی مانند لباس بارداری، لوسیون بدون عطر و ویتامین‌‌های دوران بارداری.
پس از مشخص شدن دقیق اطلاعات، Target طرحی را پیاده‌سازی کرد تا به طور دقیق باردار بودن یک خانم را تشخیص دهد و تاریخ زایمان را تخمین بزند. (فروشگاه از شماره شناسه‌ی مهمان، برای ردیابی خرید‌ها استفاده میکند.) این نتیجه زمانی رخ میدهد که تلاش‌های بازاریابی مناسب افزایش پیدا میکند. اما همیشه در مورد انسان‌ها و فناوری، مشکلاتی هم پیش می‌آید!
به گزارش تایمز، مردی از مینه سوتا وارد تارگت محلی خود شد و خواستار دیدن مدیر شد. مرد با نمایش یک دفترچه تبلیغاتی به تارگت گفت: «دخترم این را از طریق پست دریافت کرد. او هنوز دبیرستانی است و شما کوپن‌‌هایی برای لباس و تخت نوزاد برای او می‌‌فرستید؟ آیا می‌‌خواهید او را تشویق کنید که باردار شود؟» آدرس گیرنده‌ی کوپن‌‌ها، دقیقا آدرس همان دختر نوجوان بود. مدیر نمی‌دانست که باید چه کاری انجام بدهد. تنها کاری که می‌توانست بکند، عذرخواهی بود. پس از گذشت چند روز مدیر با آن مرد تماس گرفت تا دوباره عذرخواهی کند؛ اما این مرتبه آن مرد عذرخواهی کرد؛ او با دخترش صحبت کرده بود و متوجه شد که او قرار است در ماه اوت، فرزندی به دنیا بیاورد و این یعنی اطلاعات تارگت صحیح بود؛
با این حال، روش جمعآوری اطلاعات احتمالا آسیبی به حریم خصوصی افراد وارد می‌کرد. از آنجایی که بارداری یک مسئله‌ی شخصی است و مشتریان دخالت دیگران در این مورد را دوست ندارند، خرده فروش تصمیم گرفت هدف خود را محتاطانه‌‌تر دنبال کند. بنابراین Target به جای توصیهی محصولات کودک به مادران باردار که باعث ایجاد تردید و شک در آن‌ها می‌شد، تصمیم گرفت محصولات کودک را در کنار سایر محصولات تصادفی مانند انواع نوشیدنی و ماشین‌‌های چمن‌‌زنی قرار دهد.
از دیدگاه فناوری، همه چیز به طور قابل توجهی، تکامل یافته است. اطلاعات مشتریان همچنان نقش بزرگی برای فروش ایفا میکند؛ همانطور که با این روش پل در سال ۲۰۰۲ استخدام شد. اما اکنون تارگت علاوه بر تجزیه‌و‌تحلیل پیشبینی کننده، برای شناخت عادات خرید مشتریان، به ماشین لرنینگ متکی است تا زنجیره‌ی تامین را بهینه و پیشنهادات را برای مشتریان شخصیسازی کند.
«در Target هدف ما این است که خرید را با استفاده از اطلاعات، برای مشتریان‌مان سرگرم‌‌کننده و جالب‌تر کنیم و باور کنید که ما اطلاعات بسیار زیادی داریم!» یک خرده‌‌فروش در پست وبلاگش درباره‌ی استفاده از ماشین لرنینگ به خود می‌‌بالید؛ ده‌ها میلیون مشتری و صدها هزار آیتم، منجر به میلیارد‌ها تراکنش و تعامل خواهد شد. در حالی که تجزیه‌و‌تحلیل پیشبینی کننده به انسان نیاز دارد تا آمار و داده‌‌ها را بیابد، ماشین لرنینگ زیر مجموعه‌‌ای از هوش مصنوعی (AI) است که از الگوریتم‌‌های رایانهای برای یافتن داده‌‌ها استفاده میکند. سپس رایانه‌‌ها میتوانند به طور مستقل براساس آن روند و الگوها، پیشبینی را انجام دهند و این یعنی انجام موثر کار بدون اینکه برایش، برنامه‌ریزی واضحی اتفاق افتاده باشد.
دو حوزه‌ی اصلی که در آن ماشین لرنینگ به کار گرفته میشود عبارت است از: ترجمه‌ی متن و تشخیص تصویر. برای مثال می‌‌توان از آن برای شناسایی هات داگ استفاده کرد. اما این فناوری بسیار فراتر از محصولات کودک و سوسیس است. بسیاری از شرکت‌‌ها از آن برای بهینهسازی و خودکار‌سازی روش‌‌های خردهفروشی مانند مجموعه‌ی SKU، توصیهی محصول، تجزیه‌و‌تحلیل احساسات، تشخیص کلاهبرداری، پیشبینی قیمت، پیشنهادات شخصی سازی شده و … استفاده میکنند.
در ادامه بررسی می‌کنیم که چگونه این کسب‌وکارها از ماشین لرنینگ برای ارتقای خردهفروشی استفاده میکنند.
WALMART
مکان: بنتونویل، آرکانزاس
نحوه‌ی استفاده از ماشین لرنینگ: Walmart از ماشین لرنینگ آنلاین برای بهینهسازی مسیر‌های تحویل، ارائه‌ی سریع‌‌تر تسویه حساب، تطبیق و توصیهی محصولات بر اساس مرور سابقه‌ی مشتری استفاده میکند. همراه با تجزیه‌و‌تحلیل اطلاعات، ماشین لرنینگ برای نشان دادن تبلیغات هدفمند به خریداران آنلاین نیز استفاده میشود.
آمازون
مکان: سیاتل، واشنگتن
نحوه‌ی استفاده از ماشین لرنینگ: به عنوان بزرگ‌ترین خرده‌‌فروش آنلاین جهان، Amazon به بسیاری از اطلاعات مشتریان دسترسی دارد. آمازون با استفاده از ماشین لرنینگ می‌تواند تقاضا برای محصولات خاص را پیشبینی و خرید با فاکتور تقلبی را شناسایی کند و همچنین توصیه و تبلیغات سفارشی محصول را ارائه دهد. فراتر از خردهفروشی، ماشین لرنینگ، نیروی محرک دستیار هوشمند هوش مصنوعی آمازون الکسا و سرویس رایانش ابری وب سرویس آمازون (AWS) است.
ASOS
مکان: لندن، انگلستان
نحوه‌ی استفاده از ماشین لرنینگ: Asos یک فروشگاه آنلاین مد با مجموعه‌‌ای از انواع لباس، با تعدادی حدودا ۸۵۰۰۰ آیتم است. به همین دلیل است که برای توصیف ویژگی‌‌های هر آیتم به قابلیت تشخیص تصویر در ماشین لرنینگ متکی است. Asos همچنین از ماشین لرنینگ برای ردیابی عادات خرید مشتریان استفاده میکند و پیشبینی میکند در سال آینده ، مشتریان چقدر برای محصولات Asos هزینه خواهند کرد.
The North Face
مکان: آلامدا، کالیفرنیا
نحوه‌ی استفاده از ماشین لرنینگ: در سال ۲۰۱۵، The North Face با IBM همکاری کرد تا سیستم هوش مصنوعی Watson، غول رایانهای را به وب سایت خود بیاورد. واتسون به عنوان یک خریدار شخصی، مشتریان North Face را به سمت محصولات مناسب راهنمایی میکند. قابلیت‌‌های پردازش زبان طبیعی و رابط مکالمه‌ی واتسون، این فرآیند را بسیار شبیه به صحبت کردن با یک انسان میکند.
Macy’s
مکان: سینسیناتی، اوهایو
نحوه‌ی استفاده از ماشین لرنینگ: مانند The North Face، Macy’s هم با IBM همکاری کرد تا از Watson برای Macy’s On Call استفاده کند. این ویژگی به مشتریان امکان میدهد در سایت Macy سوالات خود را در مورد محصولات بپرسند و اطلاعاتی را دریافت کنند که این، یک ویژگی منحصر‌به‌فرد است. برای پیدا کردن کفش کتانی مردانه یا سرویس بهداشتی به کمک نیاز دارید؟ Macy’s On Call به شما کمک خواهد کرد.
Softbank Robotics
مکان: توکیو، ژاپن
نحوه‌ی استفاده از ماشین لرنینگ: Softbank Robotics شرکتی است در آنسوی Pepper، یک ربات انسان‌‌نما، که از هوش مصنوعی و ماشین لرنینگ استفاده میکند. اگرچه Pepper کاربردهای زیادی دارد، اما این شرکت فکر میکند که او برای خردهفروشی مناسب‌تر است. Pepper در مراکز خریدی مانند Westfield در سانفرانسیسکو مستقر است، مکانی که وظایفی چون خدمت‌رسانی به مشتری مانند نشان دادن مسیر، پاسخ دادن به سوالات و سرگرم کردن‌شان را دارد.
American Eagle Outfitters
مکان: پیتسبورگ، پنسیلوانیا
نحوه‌ی استفاده از ماشین لرنینگ: American Eagle با راه‌‌اندازی تشخیص تصویر Slyce همکاری کرد تا یک موتور جستجوی بصری در اپلیکیشن خود ایجاد کند. این نرم‌افزار امکان یافتن یک لباس خاص را با استفاده از دوربین موبایل میدهد. این افزونه حتی اکسسوری و زیورآلات را هم توصیه میکند.
آینده‌ی ماشین لرنینگ در خردهفروشی
در حالی که ماشین لرنینگ در خردهفروشی کاربرد زیادی دارد، بسیاری از خردهفروشان بر این باورند که شخصیسازی ارائه‌ی محصول به مشتری، از اولویت بالاتری برخوردار است. این مقوله از آن حیث بسیار مهم است که آن‌ها را از نظر فیزیکی رشد خواهد داد و خدمات آنلاین‌شان را گسترش میدهد. کارن کاتز، رئیس و مدیر عامل Neiman Marcus Group، میگوید: «تجربه‌ی عالی مشتری… از ترکیب فناوری با ارائه‌‌ای شخصیسازی شده، حاصل میشود. من فکر می‌کنم افرادی که میتوانند شخصیسازی مبتنی بر فناوری را با یک انسان ترکیب کنند، برنده خواهند بود.»
به عنوان مثال آمازون را در نظر بگیرید. تخمین زده میشود که ۳۵ درصد از فروش آن از توصیه‌های محصول مبتنی بر ماشین لرنینگ است که برای هر مشتری به صورت جداگانه طراحی شده است. دلیل چیست؟ طبق بررسی‌ها، تعداد قابل توجهی از خریداران، به برندی باز می‌‌گردند که تجربه‌ی خرید دیجیتالی‌شان را شخصیسازی میکند. مدیران خردهفروشی مانند کاتز این موضوع را می‌دانند و انقلاب شخصیسازی را برای رشد و پیشرفت‌شان پذیرفته‌اند.
Guita Blake معاون ارشد Mindtree میگوید: «خردهفروشی هوشمند امروز، در حال ورود به دوره‌ی جدیدی از تجربه‌ی خرید است، که انسان و فناوری را به منظور ارائه‌ی تجربه‌ای بهتر برای مصرف‌کننده ترکیب میکند.»
تری لاندگرن، رئیس اجرایی Macy’s هم با این موضوع موافق است. او به فوربس گفت: «مفهوم شخصیسازی در حال حاضر مهم‌ترین اصل است و در کنار آن، حائز اهمیت‌ترین موضوع، مصرف‌کننده است. ما در حال انجام هر کاری هستیم تا بتوانیم مستقیما با مشتریان ارتباط برقرار کنیم و خرید را برای‌شان راحت‌تر کنیم.»
