Alati za pokretanje rasta

Trgovci na malo nastavljaju eksperimentirati s generativnom umjetnom inteligencijom i vide da tehnologija pruža ozbiljna obećanja za ponovno pokretanje rasta – ako brzo krenu u akciju i iskoriste priliku.

Nakon što je generativna umjetna inteligencija (gen-AI) postala popularna, krajem 2022., trebalo je malo vremena da direktori maloprodaje shvate potencijal koji je pred njima. Spominjanje umjetne inteligencije (AI) u pozivima trgovaca o zaradi, naglo je poraslo prošle godine – što nije bilo iznenađenje, s obzirom da je gen-AI spreman ‘otključati’ između 240 do 390 milijardi dolara ekonomske vrijednosti za trgovce, što je ekvivalentno povećanju marže u cijeloj industriji od 1,2 do 1,9 postotnih bodova. To bi, u kombinaciji s vrijednošću negenerativne umjetne inteligencije i analitike, moglo pretvoriti milijarde dolara vrijednosti u bilijune.

Tijekom prošle godine većina trgovaca počela je testirati različite genske slučajeve upotrebe umjetne inteligencije u maloprodajnom lancu vrijednosti. Međutim, čak i uz sve ovo eksperimentiranje, samo je nekoliko tvrtki uspjelo ostvariti puni potencijal tehnologije u velikom opsegu. Neki trgovci na malo teško su implementirali gen-AI, jer zahtijeva ponovnu prilagodbu dijelova maloprodajne organizacije, kao što su tehničke mogućnosti i talent. Briga o kvaliteti podataka i privatnosti, nedostatni resursi i stručnost te troškovi implementacije, također su doveli u pitanje brzinu kojom trgovci mogu skalirati svoje eksperimente s genskom umjetnom inteligencijom.

Nalazi ankete McKinsey

Maloprodajne tvrtke koje su uspjele iskoristiti snagu AI-ja obično se ističu u dva ključna područja. Prvo, razmatraju kako slučajevi upotrebe genske umjetne inteligencije mogu pomoći u transformaciji specifičnih domena umjesto da svoje resurse previše razdijele na niz scenarija. Drugo, oni učinkovito prelaze s pilota i dokaza koncepta na implementaciju u velikom opsegu. To zahtijeva ne samo određivanje prioriteta podataka i tehnološku integraciju, već i značajne organizacijske promjene kako bi se podržalo široko usvajanje umjetne inteligencije. U ovom članku istražujemo koji slučajevi upotrebe mogu ponuditi najveću vrijednost i koje su organizacijske transformacije potrebne za uspješno skaliranje ovih tehnologija.

Dva načina na koje AI transformira maloprodaju

Uvijek postoje manji konkurenti koji čekaju da preuzmu vaš tržišni udio i samo je pitanje vremena kada ćete prijeći iz lovca u onoga kojega love. Zato morate razmišljati o skaliranju ne samo u smislu rasta tvrtke, već i kao načinu izgradnje svih elemenata koji čine vašu vrijednosnu ponudu, kako biste bili što konkurentniji.

U izboru između rasta i skaliranja, jedna opcija nije bolja od druge. Morate odlučiti što je najbolje za vas, temeljeno za vašu industriju i trenutnu situaciju u vašoj tvrtki. Ono što trebate razumjeti jest zašto ste odabrali jedan pristup umjesto drugog i kako ćete iskoristiti svoj rast uz druge konkurentske čimbenike, poput posjedovanja najviše značajki proizvoda od bilo koje tvrtke na vašem tržištu.

Trgovci na malo s kojima smo razgovarali već su iskušavali slučajeve upotrebe genske umjetne inteligencije unutar svojih internih lanaca vrijednosti, a neki čak počinju skalirati rješenja genske umjetne inteligencije. Gen-AI može pomoći u pojednostavljenju operacija, omogućujući liderima da brže donose odluke na temelju boljih informacija u internim lancima vrijednosti trgovaca. Tehnologija također nudi trenutačno povećanje učinkovitosti, kao i aplikacije koje bi mogle redefinirati donošenje odluka u maloprodaji (o tome više kasnije).

Trgovci su također eksperimentirali s genom AI kako bi ponovno osmislili korisničko iskustvo. Generacija umjetne inteligencije može produbiti odnose s kupcima (djelomično, proširenjem interakcije između trgovaca i kupaca na cijelom kupčevom putu) i pomoći da korisničko iskustvo bude personaliziranije i ispunjenije. Napredne mogućnosti razgovora chatbota generacije AI, koje pokreću modeli prirodnog jezika, mogu pametnog pomoćnika za kupnju učiniti primarnim kanalom za kupnju.

Povećanje unutarnjeg lanca vrijednosti maloprodaje

Generacija umjetne inteligencije ima potencijal za povećanje produktivnosti i učinkovitosti duž svakog koraka maloprodajnog lanca vrijednosti, uključujući marketing, komercijalizaciju, distribuciju i rad u pozadinskim uredima.

Trgovci na malo mogu početi shvaćati utjecaj genetske umjetne inteligencije u cijelom vrijednosnom lancu kroz slučajeve upotrebe s brzim povratom. Ovi slučajevi upotrebe općenito zahtijevaju manje resursa za implementaciju u odnosu na njihov učinak u usporedbi s drugim slučajevima upotrebe AI generacije. Zapravo, trgovci na malo mogu lakše primijeniti postojeće gotove alate bez potrebe za velikim prilagođavanjem. Stvarni primjeri ovih slučajeva upotrebe uključuju sljedeće:

Marketing. Amazon je krajem 2023. lansirao alat za generiranje slika koji pokreće umjetna inteligencija kako bi pomogao oglašivačima da dobiju bolje iskustvo oglasa. Alat koristi gene AI tekstualne upute za transformaciju osnovnih fotografija proizvoda u realističnije slike životnog stila. Na primjer, umjesto prikazivanja slike kauča na bijeloj pozadini, AI može postaviti kauč u dnevnu sobu koju je generirala umjetna inteligencija kako bi kupcima pomogli da zamisle pro - izvod u relevantnijem kontekstu. Alat je do sada poboljšao stopu klikanja za oglašavanje do 40 posto.

Razvoj softvera. Gen alati umjetne inteligencije koji pomažu zaposlenicima da obavljaju svoj posao, mogu povećati produktivnost zaposlenika u tehničkoj službi smanjenjem vremena provedenog na zadacima softverskog inženjeringa do 60 posto. Mercado Libre implementirao je neke od ovih ‘kopilota’ kako bi poboljšao zadovoljstvo i produktivnost među razvojnim timovima tvrtke, osnažujući ih da se usredotoče na rad veće vrijednosti automatiziranjem zadataka koji se više ponavljaju.

Poslovanje u trgovini. U lipnju 2023. Lindex, švedski trgovac na malo, najavio je izdavanje „Lindex Copilota“ za podršku svojim zaposlenicima u trgovini. Alat, koji je obučen na podacima o prodaji i trgovini tvrtke, zaposlenicima pruža personalizirane savjete i smjernice o poslovanju trgovine i informacije o dnevnim zadacima.

Dok gornji primjeri mogu pomoći u pojednostavljenju svakodnevnih zadataka, genska umjetna inteligencija također može pomoći trgovcima da ubrzaju donošenje odluka automatskim generiranjem uvida.

Maloprodajne operacije pod utjecajem su bezbrojnih sila koje je teško kvantificirati i pratiti, što čini analizu učinka i predviđanje teškim zadatkom. Tradicionalno, timovi bi mogli provesti tjedne proučavajući taktiku konkurenata, promjene u cijenama i promociji, probleme u opskrbnom lancu i neočekivane poremećaje kako bi razumjeli padove prodaje i osmislili strategije za izbjegavanje pada prodaje u budućnosti. Kombinacija genetske umjetne inteligencije i napredne analitike može unaprijediti ovaj proces: umjesto da ručno procjenjuju te podatke, radnici iz cijele tvrtke – od izvršnog direktora do upravitelja kategorija – mogu pri- stupiti personaliziranom izvješću koje sadrži ključne uvide u izvedbu i predložene radnje.

Kada je riječ o korištenju gen-AI kopilota, tvrtke će morati odlučiti jesu li „taker“ (korisnik već postojećih alata), „shaper“ (integrator dostupnih modela s vlasničkim podacima za bolje prilagođene rezultate) ili „tvorac“ (graditelj temeljnih modela). U unutarnjem lancu vrijednosti, većina će trgovaca vjerojatno usvojiti arhetip primatelja, koristeći javno dostupna sučelja ili API-je s malo ili nimalo prilagodbe kako bi zadovoljili svoje potrebe.

Međutim, mnoga današnja gotova rješenja ne nude funkcionalnost koju neki trgovci trebaju kako bi u potpunosti shvatili vrijednost tehnologije, budući da tehnologija koja pokreće ta rješenja obično ne uzima u obzir podatke specifične za sektor i tvrtku. U isto vrijeme, većina trgovaca na malo neće moći usvojiti arhetip proizvođača, s obzirom na to da su troškovi povezani s izgradnjom temeljnih modela izvan proračuna tipičnog trgovca. U tim slučajevima trgovci se mogu odlučiti za arhetip oblikovalca, prilagođavajući postojeće LLM alate vlastitim kodom i podacima. Arhetip također može biti relevantan za slučajeve korištenja donošenja odluka pri generičkoj umjetnoj inteligenciji. Koliko resursa trgovac ulaže u oblikovanje svojih gene AI alata ovisit će o tržištu koje namjerava opsluživati, kojim slučajevima upotrebe želi dati prioritet i kako ti slučajevi upotrebe nadopunjuju osnovnu vrijednost trgovca.

Ponovno otkrivanje korisničkog iskustva

Danas se trgovci na malo obično uključuju samo u tri od sedam koraka kupčevog putovanja. Generacija umjetne inteligencije ima potencijal povećati angažman trgovaca i ponovno osmisliti korisničko iskustvo tijekom cijelog kupčevog putovanja.

Gen-AI-pokretani chatbot pomoćnici jedan su od primarnih alata koje trgovci mogu koristiti za bolji angažman s kupcima. Kupci mogu koristiti chatbotove za primanje preporuka proizvoda, saznati više o proizvodu ili prodavaču ili dodati ili ukloniti stavke iz svojih virtualnih košarica za kupnju. Važno je, budući da će mnogi potrošači koristiti ove chatbotove prije odluke o kupnji proizvoda, a ne nakon toga, korištenje chatbotova omogućuje trgovcima da stupe u kontakt s kupcima ranije na njihovom putu kupnje, što može pomoći u povećanju ukupnog zadovoljstva kupaca. Gen-AI chatbotovi rade tako da prepoznaju namjeru korisnikove poruke. Agent LLM-a – sustav na koji se chatbot oslanja za svoj mehanizam rasuđivanja – obrađuje korisnikovu poruku i zatim je povezan s različitim skupovima podataka (kao što je maloprodajna SKU baza) i s drugim modelima, kao što je mehanizam za analitičku personalizaciju. Kako bi stvorio najbolje rezultate, trgovac mora posvetiti resurse dizajnu proizvoda i provoditi česta korisnička te- stiranja kako bi kalibrirao kako želi da chatbot obradi poruku korisnika. (Način na koji korisnici najčešće koriste chatbot uvelike će odrediti ovu kalibraciju.)

Na primjer, kupac bi mogao biti zainteresiran za planiranje večere, ali možda ne zna što kupiti. Nakon što kupac pomoćniku genske umjetne inteligencije pruži nekoliko pojedinosti o večeri – kao što je broj ljudi koji prisustvuju, imaju li neki gosti prehrambena ograničenja i ukupni proračun – generacijski pomoćnik umjetne inteligencije može dati specifične preporuke za proizvode na temelju preferencija kupca ili povijesti kupovine.

Trgovci na malo kreću na putovanje chatbota

Dok chatbotovi mogu biti praktičan alat koji pomaže smanjiti mentalno opterećenje kupaca i vrijeme kupnje, kako bi se istinski transformiralo iskustvo kupnje i pridobili kupci, chatbotovi će morati biti duboko personalizirani – na primjer, mogućnost pamćenja povijesti narudžbi kupaca, proizvoda, preferencijama i kupovnim navikama. Mnogi vodeći trgovci na malo, posebno u trgovini prehrambenim proizvodima i modnim trgovinama, već su započeli eksperimentirati s chatbotovima, iako većina tih ranih eksperimenata još nije iskoristila moć personalizacije.

Određivanje troškova chatbota u maloprodaji. Prva briga koju mnogi trgovci imaju oko integracije chatbota pokretanih gen-AI u svoje poslovanje je koliko će to koštati. To ovisi o nekoliko faktora. Mjerni podaci o izvedbi proizvoda (ili duljina razgovora između kupca i chatbota) jedno je od prvih razmatranja. Duljina razgovora obrnuto je proporcionalna kvaliteti personalizacije – što znači da što je chatbot personaliziraniji za određenog korisnika, to je njihov razgovor kraći. Konverzije kupnje još su jedan faktor. Što je viša stopa konverzije, koja je povezana s učinkovitošću chatbota, niži su neto operativni troškovi tog chatbota. Treći faktor je cijena LLM API-ja. Trošak korištenja ovih LLM API-ja dramatično je pao prošle godine (na primjer, kada se uspoređuju troškovi ulaznih tokena, GPT-4, objavljen u svibnju 2024., upola je skuplji za rad od GPT-4 Turbo, objavljen godine ranije). Stručnjaci za umjetnu inteligenciju vjeruju da će cijena LLM API-ja nastaviti značajno padati, a neke procjene pokazuju pad od čak 80 posto u sljedeće dvije do tri godine.

Prilikom izgradnje poslovnog scenarija, trgovci bi također trebali uzeti u obzir ulaganje potrebno za razvoj chatbota. Ponekad porast u košarici možda neće biti dovoljno visok da pokrije trošak ulaganja. Kako bi razumjeli puni povrat ulaganja, trgovci bi trebali uzeti u obzir troškove privlačenja novih kupaca koji će koristiti ove alate, kao i koliko alat može povećati učestalost kupnje za postojeće kupce. Mjerenje utjecaja chatbota. U kontroliranim eksperimentima s korisnicima, vidjeli smo da chatbotovi stvaraju značajno povećanje pogodnosti za korisnike. Uspoređujući tradicionalnu trgovačku aplikaciju s minimalno održivim proizvodom chatbota koji podržava gen-AI, chatbot je smanjio vrijeme potrošeno na dovršavanje narudžbe za 50 do 70 posto.

Trgovci koji nisu spremni ulagati u chatbotove mogu umjesto toga odlučiti pokrenuti funkciju pamet- nog pretraživanja. Alati za pametno pretraživanje omogućuju kupcu da dobije popis preporučenih proizvoda postavljanjem pitanja umjesto da se mora uključiti u razgovor s chatbotom. (Na primjer, kupac može pretraživati „potrepštine za večeru“, a alat za pametno pretraživanje pružit će popis proizvoda koji bi mogli trebati za večeru). Dok tradicionalno pretraživanje koristi osnovne algoritme i oslanja se na podudaranje ključnih riječi, alati za pametno pretraživanje koje pokreće gen-AI mogu bolje razumjeti kontekst i namjeru pojma za pretraživanje, čak i ako skreće od upotrebe ključnih riječi. Iako ti alati za pametno pretraživanje mogu biti ograničene u funkcionalnosti u usporedbi s upotrebom chatbota – i stoga ograničenog utjecaja – lakši su i jeftiniji za razvoj. Također nose manje rizika u usporedbi s korištenjem chatbota; njihovi rezultati općenito su ograničeni na popis proizvoda, a ne na duži tekst koji bi chatbot dao, što znači da je manje vjerojatno da će odgovori biti štetni, uvrjedljivi ili netočni.

Kako povećati upotrebu genske umjetne inteligencije u maloprodaji

Gen-AI više nije novost. Dok tvrtke shvaćaju kako implementirati tehnologiju za stvaranje stvarne vrijednosti, najbolji trgovci u klasi morat će prijeći s testiranja na skaliranje ili će u suprotnom riskirati zaostajanje za svojim konkurentima – ili, još gore, gubitak kupaca. Kako bi skalirali svoje geneAI alate, maloprodajni rukovoditelji mogu razmotriti tri imperativa za nadmašivanje u digitalnom i AI:

• Identificirati kandidate za transformaciju na razini domene. Rukovoditelji maloprodaje trebali bi identificirati različite domene u kojima je potrebna transformacija, kao što je korisničko iskustvo, marketing ili produktivnost zaposlenika u trgovini, prije nego što utvrde koje slučajeve upotrebe genske umjetne inteligencije trebaju slijediti. Prvo, identificirajući transformacije na razini domene, trgovci na malo mogu odrediti koji će alati pojačati utjecaj gena umjetne inteligencije, kao što je robotska automatizacija procesa (RPA) ili napredna analitika.

• Poboljšajte talent za razvoj gen-AI vještina. Voditelji maloprodajnih ljudi trebali bi ponuditi i tehničkim i netehničkim talentima priliku da se uključe u programe učenja, poput onih koji su usmjereni na razvoj softvera genetske umjetne inteligencije i brzi inženjering.

• Formirajte centralizirani, međufunkcionalni tim kako biste omogućili skaliranje. Dok će skaliranje genske umjetne inteligencije ovisiti o tehničkim sposobnostima prodavača, trgovci mogu okupiti vođe iz cijele organizacije kako bi identificirali kako genska umjetna inteligencija može pomoći u poboljšanju poslovanja. Ti međufunkcionalni timovi, okupljeni kako bi pomogli ubrzati skaliranje u kratkom roku, trebali bi imati zajedničke ciljeve koji se protežu kroz cijelo poslovanje i jačaju cjelokupnu strategiju trgovca.

Prema anketi McKinsey-a pripremio A.G.