Jak wykorzystać sztuczną inteligencję w doborze oferty i marży sklepu

Zrozumiesz, jak generatywna sztuczna inteligencja i modele językowe rozwiązują problem luki wyjaśnialności danych w handlu detalicznym oraz przyspieszają wprowadzanie innowacji produktowych.

Sztuczna inteligencja pozwala detalistom przekształcić nadmiar danych w realne decyzje asortymentowe i przywraca bliską relację ze współczesnym konsumentem.

▶ Kliknij czas, aby przeskoczyć do tego miejsca w filmie

1. 00:00Utrata bliskiej relacji z konsumentem

   Nick Goad omawia historyczną zmianę w relacjach handlowców z klientami na przykładzie sklepu swoich dziadków. Pokazuje, czym różni się dawne podejście od współczesnego.

   • Lokalni sprzedawcy opierali się na głębokiej znajomości klienta, a nie na laboratoryjnej wiedzy o surowcach.
   • Współczesny handel osiągnął ogromną skalę, przez co kontakt z człowiekiem został zastąpiony suchymi danymi liczbowymi.
2. 02:40Oczekiwanie nieskończonego wyboru w handlu

   Ekspert analizuje zmiany zachowań konsumenckich, wywołane powszechnym dostępem do globalnego asortymentu w smartfonach. Klienci wymagają natychmiastowej dostępności wymarzonych produktów.

   • Konsumenci oczekują globalnego katalogu produktów dostępnego bezpośrednio z poziomu telefonu komórkowego.
   • Wizyta w sklepie stacjonarnym wymaga, aby asortyment na półce był ściśle wyselekcjonowany i trafiony.
3. 03:37Bariera wyjaśnialności analityki danych

   Nick Goad diagnozuje powody, dla których olbrzymie zasoby danych nie przekładają się na sukcesy komercyjne. Kluczowym problemem jest brak zaufania i komunikacji.

   • Samo gromadzenie danych wymaga żmudnej pracy nad ich jakością i strukturą w systemach.
   • Największą przeszkodą jest brak wspólnego języka między zespołami data science a kupcami.
4. 04:18Złożoność zarządzania pojedynczą kategorią

   Gość ilustruje wyzwania pracy kupca na przykładzie menedżera odpowiedzialnego za witaminy w sieci drogerii. Tłumaczy skomplikowany splot decyzji asortymentowych.

   • Zarządzanie jedną kategorią w tysiącach placówek generuje ogromną liczbę decyzji cenowych i promocyjnych.
   • Kupiec musi zoptymalizować poziom zapasów magazynowych, aby uniknąć braków towaru i zamrażania gotówki.
5. 05:33Rola modeli językowych w merchandisinguKluczowy moment

   Wskazanie, jak generatywne AI usuwa barierę niezrozumienia skomplikowanych modeli statystycznych. Technologia umożliwia prezentowanie wniosków pojęciami zrozumiałymi dla biznesu.

   • Modele LLM potrafią formułować rekomendacje biznesowe w języku typowym dla menedżerów kategorii.
   • Sztuczna inteligencja przygotowuje scenariusze negocjacyjne, skracając czas rozmów z dostawcami.
6. 08:04Trzy filary merchandisingu opartego na AI

   Przegląd obszarów handlu, w których wdrożenie sztucznej inteligencji przynosi najszybsze korzyści biznesowe. Ekspert wyróżnia asortyment, ceny oraz innowacje produktowe.

   • Dotychczasowe modelowanie elastyczności cenowej pomijało wielowymiarowe czynniki rynkowe.
   • Największy potencjał tkwi w przyspieszeniu innowacji produktowych, czego przykładem jest trend GLP-1.
7. 09:07Cykl szybkiego projektowania i testowania

   Omówienie procesu automatycznego wykrywania trendów rynkowych i testowania prototypów przez maszyny trenowane na zachowaniach klientów.

   • Systemy AI potrafią prowadzić ciągły monitoring trendów na podstawie wypowiedzi i zakupów konsumentów.
   • Kolejny model wykonuje symulowane ankiety konsumenckie, weryfikując popyt przed fizyczną produkcją towaru.
8. 12:23Odblokowanie ludzkiego celu w pracy

   Rozmówcy dyskutują o obawach pracowników przed automatyzacją. Nick Goad przekonuje, że celem technologii nie jest redukcja etatów, lecz eliminacja powtarzalnej pracy.

   • Skupienie wdrożeń wyłącznie na cięciu kosztów budzi uzasadniony opór personelu przed technologią.
   • AI ma uwolnić czas menedżerów na kreatywne poszukiwanie innowacji w zarządzanych kategoriach.
9. 15:58Kodyfikacja wiedzy jako nowa przewaga

   Podsumowanie rozmowy wskazaniem, że przewagą konkurencyjną nie są same dane, lecz wiedza ekspercka handlowców zapisana w strukturach modeli AI.

   • Dane przestały być unikalnym atutem, ponieważ wszyscy detaliści mają ich nadmiar.
   • Prawdziwym fundamentem sukcesu staje się sformalizowana wiedza kupiecka wprowadzona do modeli językowych.

1. 01
   Udostępnij zespołom handlowym narzędzia AI do codziennej pracyJak to zrobić

   • Wdróż asystentów AI bezpośrednio na stanowiskach pracy kupców i menedżerów kategorii.
   • Zapewnij bezpieczną przestrzeń do eksperymentowania z automatyzacją rutynowych analiz asortymentu.

   Po co

   Oswojenie pracowników z technologią i budowa zaufania do generowanych rekomendacji.

   Pracownicy muszą osobiście sprawdzić, jak narzędzia ułatwiają codzienne obowiązki, aby chętnie z nich korzystali.

   ▶ 15:09 w filmie
2. 02
   Wybierz kluczowe procesy komercyjne o najwyższej stopie zwrotuJak to zrobić

   • Przeanalizuj funkcje komercyjne pod kątem potencjału generowania marży i nakładu pracy wdrożeniowej.
   • Wybierz maksymalnie dwa obszary, takie jak lokalizacja asortymentu lub dynamiczna wycena, do pierwszego pilotażu.

   Po co

   Skupienie zasobów organizacji na inicjatywach o natychmiastowym wpływie na zysk.

   Próba jednoczesnej automatyzacji wszystkich zadań w handlu detalicznym prowadzi do chaosu organizacyjnego.

   ▶ 15:30 w filmie
3. 03
   Skodyfikuj wiedzę ekspercką kupców w modelach językowychJak to zrobić

   • Zbierz wiedzę domenową od doświadczonych menedżerów kategorii na temat zasad doboru towarów i zachowań klientów.
   • Wprowadź spisane reguły biznesowe do modeli LLM, aby system formułował wnioski zgodnie ze strategią firmy.

   Po co

   Stworzenie trwałej przewagi konkurencyjnej opartej na wiedzy, a nie tylko na suchych danych.

   Modele AI potrzebują kontekstu biznesowego i unikalnego know-how firmy, aby trafnie wspierać decyzje handlowe.

   ▶ 16:08 w filmie