Kokoelmat

Koneoppiminen vähittäiskaupan tulevaisuuden edistämiseksi

Koneoppiminen vähittäiskaupan tulevaisuuden edistämiseksi

Eteenpäin ajattelevat tuotemerkit ja jälleenmyyjät haluavat kuvantunnistuksen ja koneoppimisen analysoida valtavia tietojoukkoja (verkkoluetteloita), joissa on laaja valikoima visuaalisia ominaisuuksia (sovitus / ommel / jne.) Yhdeksi tuotteeksi. Tulokset parantavat asiakaskokemusta uudella personointitasolla.

Nykyisen verkkokaupan ongelmana on, että kokemukset ovat enemmän suorituskyky- kuin palvelukeskeisiä. Vaikka tuotemerkit ja jälleenmyyjät todennäköisesti säästävät käyttäjien vuorovaikutusta ja klikkaustietoja, nämä tiedot eivät kerää asiakkaiden ostopäätöksiin vaikuttavien yksityiskohtien monimutkaisuutta, kuten esimerkiksi kehon käsitys.

Lily AI on yksi yritys, joka saa aikaan uuden vähittäiskaupan vallankumouksen käyttämällä kuvantunnistusta ja koneoppimista auttaakseen brändejä ja jälleenmyyjiä ymmärtämään miksi heidän asiakkaansa ostavat. Yhtiön teknologiapino (joka on omistettu "hyperpersonoinnille") rakennettiin ja toteutettiin Sowmiya Chocka Narayanan, perustaja ja johtaja Lily AI: lta.

Narayananilla on sähkö- ja tietotekniikan maisterit UT Austinista ja kandidaatin tutkinto tietotekniikasta PSG: n teknillisestä korkeakoulusta (Intia). Hän työskenteli tekniikan pinon eri alueilla suurille pelaajille, kuten Yahoo! ja Box, tuli intohimoisesti tunneälyn ja tekoälyn risteyksestä.

Lily AI: n perustaja ja toimitusjohtaja Purva Gupta tuli mainostoimistosta Saatchi & Saatchi. Varhaisessa iässä Gupta oli oppinut, kuinka oikean vaatekappaleen löytäminen voisi auttaa häntä voittamaan itseluottamuksen ja kun kahden naispuolisen perustajan polut ylittivät, Gupta oli juuri saanut päätökseen vuoren henkilökohtaisen tutkimuksen, jossa tutkittiin rakennettua yritystä. lähtökohta New Yorkissa. Guptan tutkimus osoitti, että naiset etsivät vaatteita vartalotyypin mukaan löytääkseen itselleen mukavimman.

Yksi nainen saattaa päättää tietystä puserosta, koska leikkaus piilottaa esimerkiksi pyöreämmän vatsan. Molemmat ryhtyivät luomaan yritystä, joka ohjaisi tuotemerkkejä ja jälleenmyyjiä näistä mieltymyksistä digitaalisessa maailmassa. Narayanan vakuutti Guptan parhaaksi tavaksi rakentaa haluamansa etuuslähtöinen henkilökohtainen ostopalvelu, hän oli käyttää koneoppimista

Lily AI käyttää nyt tietokonenäköä ja tekoälyä tunnistamaan vähittäiskauppiasalkun jokaisen SKU: n tarkimmat ominaisuudet. Aloittamalla nämä kymmenet attribuutit tuotetta kohden, tuotemerkit ja jälleenmyyjät voivat sitten personoida asiakkaidensa kokemuksia verkossa hyödyntämällä asiakkaiden kiinnostusta näihin erityisiin, hyvin rakeisiin tuotemääritteisiin.

Syvillä tunnisteilla on kriittinen rooli sivustojen navigoinnin parantamisessa parantamalla suodattimia ja puolia tulosten kaventamiseksi, parantamalla sivustohaun tarkkuutta ja paljon muuta. Tämän saavuttamiseksi Narayanan pinoi joukon syvällisiä oppimismalleja, jotka on luotu konvoluutiohermoverkoista eri arkkitehtuureilla ja koulutettu lähes miljardilla datapisteellä, jotka ihmisen asiantuntijat ovat manuaalisesti kuratoineet.

Ensimmäiset mukautetut mallit luotiin käyttämällä kolmannen osapuolen syvällistä oppimisen palveluna -alustaa ja yli 100 000 leimattua kuvaa. Perustajat tajusivat nopeasti, että jos he halusivat syvempiä rakeisia ja tyyliohjattuja ominaisuuksia, heidän tarvitsi kokeilla ja hienosäätää malleja itse. Gupta ja Narayanan sopivat, että on aika heittää kolmannen osapuolen lähestymistapa ja rakentaa tekoälymalleja taloon.

Antaakseen käsityksen mittakaavasta Lily AI on nyt luonut kymmeniä miljoonia tunnisteita vain yhdelle yrityksen vähittäiskauppiasasiakkaasta. He ilahduttavat edelleen asiakkaitaan tunnistamalla kuvassa ostettavat tuotteet ja ennustamalla sitten meta-tunnisteet tuhansien ominaisuuksien tietokannasta, jotka vaihtelevat väreistä ja leikkauksista pienimpiin koristeisiin, kuten saumat ja materiaalipaino.

Harjoitteluputkeen integroitu ihmisen palautesilmukka antaa tiimille mahdollisuuden lisätä useita miljoonia datapisteitä päivässä näiden hienojen yksityiskohtien tarkkuuden lisäämiseksi, ja mallit on järjestetty hierarkkisesti siten, että jokainen ennustustaso lisää hienompia tunnisteita.

Syöttämällä käyttäjien tuotemääritteet ja napsautusvirta-tiedot Lily AI: n suositusalgoritmeihin joukkue poimii käyttäjän affiniteetin ja herkkyyden erilaisille tuote-elementeille ja ominaisuuksille ja soveltaa niitä, ja sitä voidaan sitten suositella.

Tässä prosessissa he myös arvioivat ja sisällyttävät kaikki muut tyylit ja tuoteominaisuudet, jotka olisivat imartelevia käyttäjälle (tai ei) väärän suosituksen estämiseksi.

Tällä tavoin kaksi naista, joilla on sama kehon tyyppi ja mitat, jotka molemmat voivat katsoa farkkuja, mutta joilla on erilaiset mieltymykset kaareille ja näkyville ompeleille, saavat aikaan erilaisia ​​tuloksia.

Kun Narayananilta kysytään Amazonin ja Microsoftin valmiista vaihtoehdoista yrittää luoda uudelleen tuloksia, Narayanan on aina pitänyt parhaiten rakentaa talon sisällä.

"Paras käyttötapaus meille oli sovellusinfrastruktuurin puolella - suoratoistoputken pyöriminen, ETL gigatavuilla tiedoilla, palvelimettomat sovellusliittymät jne. Voisimme keskittyä ydinalgoritmiosaan käyttämättä liikaa aikaa ja resursseja muun osan rakentamiseen vähittäiskaupan sovellusten tukemiseen tarvittava infrastruktuuri ”, Narayanan toteaa. "Alamme vähittäiskaupan luonteen vuoksi olemme päättäneet olla pilvi-agnostisia."

Erottamiseksi Lily AI -alusta tarjoaa end-to-end-ratkaisun, jota voidaan soveltaa moniin sovelluksiin ajan mittaan. Ryhmä on räätälöinyt syvälliset oppimismallit (tasot ja suodattimet), jotta ne voivat mennä syvälle oppimaan ja ennustamaan yli tuhansia rakeisia tuoteominaisuuksia ja odottamaan korkeinta vähimmäistarkkuutta määritteiden tunnistamisessa. Samoin he syöttävät suositusalgoritmeja mukautetuilla käyttäjäattribuuteilla, jotka on purettu napsautusvirrasta ja ominaisuuksien affiniteeteista, ja sitten kokeilevat kokoamalla erilaisia ​​lähestymistapoja. Näitä on mahdotonta tehdä valmiiden alustojen kanssa.

Narayananin mukaan perinteinen koneoppiminen loi perustan loogisten sääntöjen oppimiselle syötetiedoista ilman sitä nimenomaisesti ohjelmoitua, ja syvä oppiminen antaa hevosvoiman poimia ominaisuuksia massiivisista strukturoimattomista aineistoista ja oppia ilman ihmisen väliintuloa.

Ihmisen aivojen biologisen rakenteen innoittamana syvä oppiminen käyttää hermoverkkoja mallien analysointiin ja löytää korrelaatioita strukturoimattomasta tiedosta, kuten kuvista, äänestä, videosta ja tekstistä.

"Visuaalisen havainnon, luonnollisen kielen ymmärtämisen ja kyky ennustaa ostotarkoitusta syvällisen oppimisen ennakoiva voima antaa Lily AI: lle mahdollisuuden antaa erittäin henkilökohtaisia ​​suosituksia, optimoida hinnoittelustrategiaa ja varastosuunnittelua, tekoälyavustajia muun muassa", Narayanan kertoi.

Kaikkein osuvimman kokemuksen tarjoamiseksi jälleenmyyjän on kaapattava ja tallennettava kaikki yksittäiset käyttöliittymät käyttäjän kanssa - mitä käyttäjä teki verkkokaupassa, miten he ostivat tuotteen, jos palauttivat tuotteen kaupassa, liittyivätkö he asiakaspalvelun kanssa, mitkä olivat heidän tärkeimmät huolenaiheensa jne. Heidän on kyettävä tunnistamaan verkkokäyttäjän offline-myymälävuorovaikutukset, toisesta laitteesta kirjautuvan online-käyttäjän, jonkun toisen ostavan verkkokäyttäjän.

Tämä vaihe on kriittisin sen varmistamiseksi, että koneoppiminen suoritetaan oikealla tietojoukolla. useat CDP: t (asiakastietojärjestelmät) lupaavat tehdä tämän. Toisaalta heillä on oltava myös yksityiskohtaiset tiedot tuotteista, jotta ne eivät vain tarjoa suosituksia, vaan myös analysoivat trendejä ja auttavat ennustamaan kysyntää. On erittäin tärkeää, että jälleenmyyjä valitsee oikeat työkalut ja alustat, jotka auttavat heitä kaappaamaan ja tulkitsemaan kuluttajien tuottaman suuren määrän tietoa.

Ostajien odotukset asiaankuuluvista ja kiinnostavista verkkokokemuksista kaikilla kanavilla ajavat jälleenmyyjiä jatkossakin omaksumaan ja toteuttamaan tekoälyyn perustuvia ratkaisuja asiakaspalveluun, älykkäämpään hakuun, digitaaliseen navigointiin, suosituksiin, virtuaalisiin avustajiin jne.

Tekoälypohjaisten palvelujen, kuten Lily AI, käyttöönotto ei ainoastaan ​​paranna asiakkaiden kosketuspisteitä, vaan voi myös vaikuttaa myönteisesti muihin alueisiin, kuten varastonhallintaan, myynnin ennustamiseen, varastojen ulkopuolella oleviin kysymyksiin ja paremmin optimoituihin markkinointisuunnitelmiin. Tämä auttaa jälleenmyyjiä paitsi lisäämään myyntiään ja toiminnan tehokkuutta myös tavalla, jonka asiakkaat arvostavat ja palkitsevat uskollisuudella.


Katso video: Prisma - Danskin (Marraskuu 2021).