průmysl, výroba, sklady…
facebook
Exkluzivní partner sekce
Tematické sekce
 
Branžové sekce
Přehledy
 
Tematické seriály
 

GDPR

General Data Protection Regulation zásadně mění zpracování osobních údajů a zavádí nové povinnosti...

články >>

 

Jak uřídit IT projekt a nezbláznit se

Užitečné tipy a nástroje pro řešení problémů řízení inovací a vývoje produktů...

články >>

 

Industry 4.0

Průmysl 4.0

Jaký vliv bude mít čtvrtá průmyslová revoluce na výrobu a výrobní firmy?

články >>

 

Komplexní svět eIDAS

O nařízení eIDAS již bylo mnoho řečeno i napsáno. A proto jediné, o čem...

články >>

 

Trendy v CRM

Systémy pro řízení vztahů se zákazníky (CRM) prochází v posledních letech výraznou změnou. Zatímco dříve...

články >>

 

Příručka úspěšného IT manažera

Dnes je řada IT manažerů opomíjena. Úspěšní bývají brouci Pytlíci a Ferdové...

články >>

 
Partneři webu
Navisys
IT SYSTEMS 3/2019 , Business Intelligence , Logistika

Jak pomáhá umělá inteligence v řízení maloobchodu

Jiří Psota


umělá inteligence v řízení maloobchoduUmělá inteligence je buzzword, který se dnes skloňuje takřka ve všech oblastech technologického vývoje a postupně probublává do reálného světa a fyzických služeb. Jedno z posledních velkých odvětví, které však této revoluci poměrně dlouho odolávalo, je klasický maloobchod. Rychlý rozkvět e-commerce sice rozložení sil ovlivnil, ale i tento trend se postupně zpomaluje. V USA rostl v roce 2018 prodej přes digitální kanály o 16%, v EU pak dokonce jen asi o 11%. V současné době se rýsuje situace, kdy trh bude nasycen, ale to určitě nebude dříve, než za 10 či 15 let. Zajímavý je například fakt, že i největší hráči ve světě e-commerce rozšiřují svoje portfolio o kamenné prodejny. Nejvýznamnější akvizice v tomto ohledu byl nákup prodejen Whole Foods Amazonem.


Rychlé přijímání inovací v online segmentu kupodivu na velké kamenné prodejny nemá takový vliv, jak se před pár lety čekalo. Je sice více než jasné, že právě tento směr je dominantní, ale personalizace cen ve fyzických obchodech pomocí mobilních aplikací či využití elektronických kupónů a digitálních cenovek žádný velký boom nezažívá. Spolehlivým řešením není ani věrnostní program, který i v těch nejúspěšnějších řetězcích reálně zasáhne pouze menšinu zákazníků.

Problém může spočívat v přílišné komplikovanosti oproti běžnému nákupu, ale také v tom, že samotná technologie pro prezentaci těchto individuálních cen neřeší, kde se ony ceny vezmou. Doba, kdy stačilo pouze sledovat co dělá konkurence a podstřelit její cenu u klíčového zboží, jako je máslo nebo pivo je pryč. Zákazník je náročnější, nabídka produktů je velmi široká a faktorů, které ovlivňují nákup je mnoho.
Teoreticky tyto faktory každý obchodník dobře zná, ale zjistit je z dat už tak snadné není. Big data, na které všichni spoléhali před několika lety na tento problém spolehlivé řešení nenašla. Nejde totiž jen o běžnou analýzu a tvorbu statistik. Pokud je cílem vytvořit správnou cenu, která všechny tyto jevy dokáže reflektovat, je potřeba začít u pochopení chování zákazníků.

Nastupuje matematika, ale sama o sobě není odpovědí na vše

Právě kvůli komplexnosti je přesnost predikce na straně obchodů obecně o dost nižší, než u dodavatelů. Nejčastěji se v praxi pro predikci používají statistické metody jako časová řada, lineární a nelineární modely. Žádná z těchto cest se však neukazuje jako úplně ideální.
Oblíbená je i neuronová síť, ale pouhé natrénování na datech bez znalosti faktorů, které mají na prodej vliv, je často slepou cestou. V praxi lze potkat i přístup, který kombinuje všechny metody najednou. Použije na data model, který se nejvíce podobá realitě. Na první pohled to zní jako ideální přístup, ale opak je pravdou, jelikož dochází k přílišné personalizaci: Statistický model tedy odpovídá spíše konkrétním údajům nebo pozorováním, než obecným vzorcům.

Použitelná je z pohledu statistiky cesta analýzy efektů. Těch je v případě prodejů celá řada:

  • Reakce na promo akce.
  • Cena produktu (existuje hluboká korelace mezi cenou a prodejem).
  • Sezonalita - u některých produktů je velmi snadno představitelná, jako např. zmrzlina či chlazené nápoje, jinde je však dost složitě predikovatelná. Krásným příkladem jsou melouny. Ty se prodávají ve chvíli, kdy uzrají, což se ale může stát úplně jindy než v předešlém roce.
  • Popularita v lokalitě neboli jak je ten který produkt populární v obchodě. Zde lze pozorovat velké rozdíly mezi vesnicí a městem.
  • Časový trend. Např. cider je v čase čím dál populárnější.
  • Umístění v obchodě.
  • Kanibalizace vzájemných prodejů mezi sebou. Komplementární věci, např. Pepsi a Coca Cola.
  • Chování před a po promo akci. Zákazníci si často věci nakupují do zásoby.
  • Počasí - data např. prokazují, že když prší tak se více prodávají chipsy.
  • Konkurence.
  • Externí vlivy - kulturní události či uzavírky silnic v regionu.

Základní modely chování jsou předdefinovány lidmi, ale až teprve umělá inteligence a deep learning algoritmy dokáží najít ty nejlepší parametry modelů tak, aby co nejlépe popisovaly chování zákazníků. Důležité je v tomto ohledu i častokrát skloňované strojové učení. S přibývajícími daty v čase je tento matematický model inkrementálně vylepšován na základě nových informací. Takovýto model dokáže nasimulovat pravděpodobné chování zákazníků i v situacích, jaké ještě nenastaly. A to je přesně místo, kde běžná analytika i selský rozum končí.

Před několika lety byly tyto technologie doménou inovátorů v oboru, jako je třeba Amazon, ale postupně se umělá inteligence v cenotvorbě dostává i mezi tradiční obchodní značky.

Nepořádek v datech dokáže zamotat “hlavu” i tomu nejlepšímu algoritmu

Velkým tématem je však obecně kvalita dat. Aby bylo možné predikce úspěšně dělat, je nutné mít dostatek pozorování. Velice důležité je dokázat odfiltrovat tzv. outliery tedy nereprezentativní transakce, které však významně ovlivňují prodejní data (hromadný prodej velkého počtu kusů jednomu zákazníkovi nebo přeskladnění mezi prodejnami).

Celkově se bavíme o nutnosti eliminovat rizika, která chybná data v plně automatizovaném procesu představují. Některé takové chyby je pak možné automaticky opravit nebo pomocí statistiky zahladit. Může jít např. o chybnou dodavatelskou cenu lišící se o stovky procent či enormní jednorázové prodeje. Na většinu datových problémů je však potřeba nahlížet s odstupem a správně vyhodnotit jejich dopad. Někdy může být chyba v datech tak drobná, že se příslušnému pracovníkovi v obchodě ani nevyplatí aby se na podobné problémy zaměřoval. Hon za dokonalými daty je jako boj s větrnými mlýny a proto je lepší implementovat opravné mechanismy a upozorňovat na ty nejhorší chyby, kde se nelze bez zásahu člověka rozhodnout.

Svět směřuje k cenám na míru, ale bude to ještě hodně dlouhá cesta

Velkým trendem je především v posledním roce personalizace právě v kamenných obchodech, často se vyskytuje pod pojmem real-time pricing a navazuje na ideu věrnostního programu. Identifikovaní zákazníci mohou dostávat ceny ušité na míru. Faktem ale zůstává, že úspěšných implementací v tomto oboru je na světě jako šafránu a většinou se tato funkcionalita nakonec redukuje na pouhé nabízení produktů, které kupuje podobný profil zákazníka. Spousta významných analytiků v oboru včetně takových kapacit jako je Gartner však předpokládá, že v dalších pěti letech toto odvětví zažije značné změny a dostane se do popředí zájmu. Nové technologie a především umělá inteligence zde pak konečně mohou přinést opravdu významné zvýšení loajality zákazníka.

Jiří Psota
Autor článku je technickým ředitelem společnosti Yieldigo, která se zabývá cenotvorbou pro řetězce supermarketů, drogerií a lékáren. Při studiu na ČVUT získal zkušenosti ve firmách IBM, Seznam.cz nebo NetRetail Holding (dnešní Mall Group) kde vedl vývoj. Mezi jeho známější projekty patří třeba i jízdenková platforma Bileto či prodejní síť aktivit Kapacity (dnešní Bonferi). V roce 2016 založil společně s Radimem Dudkem a Davidem Klečkou  společnost Yieldigo.

Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.


Inzerce

Zabezpečení citlivých dat je pro firmy stále větší prioritou

CanonDigitalizace kanceláří přináší kromě nesporných výhod i značná bezpečnostní rizika. Podle průzkumu Lloyd´s Bank přišlo ve Velké Británii v uplynulých pěti letech o citlivá data 92 procent firem. Ochrana osobních i obchodních údajů má proto pro 75 procent podniků vysokou prioritu (dle studie Boston Consulting Group a DLA Piper). Cílem zneužití citlivých dat se nejčastěji stávají důležité dokumenty obsahující firemní strategii, obchodní smlouvy, fakturace či HR informace.