نسخهای از خردهفروشی وجود دارد که اکثر صاحبان کسبوکار در سخنرانیهای کنفرانسها و معرفینامههای فروشندگان درباره آن شنیدهاند: فروشگاهی که پیش از درخواست مشتری، خواستههای او را پیشبینی میکند، قیمتها را بهصورت لحظهای تنظیم میکند، سطوح موجودی انبار را بدون دخالت مدیر بهروز نگه میدارد و تصویری دقیق از رفتار خریدار را تنها با استفاده از تردد ناشناس افراد ترسیم میکند.
شاید این توصیفات دور از ذهن به نظر برسد، اما فناوری زیربنایی آن در خردهفروشیهای میانرده با چنان مقیاسی پیادهسازی شده است که تا پنج سال پیش غیرممکن به نظر میرسید.
دلیل دسترسیپذیر شدن این فناوری صرفاً ارزانتر شدن هوش مصنوعی نیست؛ بلکه هوش مصنوعی و اینترنت اشیاء (IoT) به شیوههایی با یکدیگر شروع به همکاری کردهاند که ارزش هر کدام را چند برابر میکند و همین ترکیب است که معادلات اقتصادی را تغییر داده است.
این ترکیب در عمل چه میکند؟
سختافزارهای IoT – مانند سنسورهای قفسه، برچسبهای RFID، دوربینهای متصل و پایانههای فروش (POS) – جریان مداومی از دادههای دنیای فیزیکی تولید میکنند. مشکل هرگز کمبود داده نبوده است؛ اکثر خردهفروشانی که در زیرساختهای متصل سرمایهگذاری کردهاند، با انبوهی از سیگنالهای خام روبرو هستند که نمیدانند با آنها چه کنند. آنچه هوش مصنوعی به این معادله میافزاید، توانایی خواندن این سیگنالها با سرعت و دقتی است که هیچ تیم انسانی قادر به انجام آن نیست و مهمتر اینکه میتواند بهجای زمانِ «گزارشدهی»، در «زمانِ عملیاتی» به آنها واکنش نشان دهد.
این شکاف ارزش بررسی دارد. تحلیلهای خردهفروشی دهههاست که وجود دارند، اما تفاوت امروز در این است که چرخه بین مشاهده و اقدام میتواند بهجای چند هفته، در چند دقیقه بسته شود. یک مدل پیشبینی تقاضا که توسط سنسورهای لحظهای قفسه تغذیه میشود، گزارش سفارش مجدد هفتگی تولید نمیکند؛ بلکه زمانی که موجودی کالا به زیر حد نصابِ محاسبهشده بهصورت پویا برسد، دستور خرید را صادر میکند؛ آن هم با در نظر گرفتن آبوهوای فعلی، رویدادهای محلی و سرعت خرید در شش ساعت گذشته.
چنین پاسخگویی به هر دو طرف معادله نیاز دارد: لایه IoT حقایق فیزیکی را تأمین میکند و لایه هوش مصنوعی تفسیر و تصمیمگیری را.
حوزههایی که این فناوری در حال حاضر در آنها کارآمد است
مدیریت موجودی و زنجیره تأمین
این بالغترین حوزه کاربردی است و شواهد ارزش تجاری آن قابلتوجه است. تحقیقات «مککینزی» بر عملیات خردهفروشی بهطور مداوم نشان داده است که مدیریت موجودیِ مبتنی بر هوش مصنوعی، موارد مازاد یا کمبود موجودی را در دستهبندیهای مختلف به میزان قابلتوجهی کاهش میدهد و اغلب در پیادهسازیهایی که زیرساخت داده از قبل وجود داشته، هزینههای نگهداری را ۲۰ تا ۳۰ درصد کاهش داده است.
بخش IoT در اینجا لایه دیدِ لحظهای است – سنسورهای انبار، قفسهبندی متصل و ردیابی تحویل – که اطلاعات دقیقی را برای مدل هوش مصنوعی فراهم میکند.
رفتار مشتری و چیدمان فروشگاه
تحلیل تردد پا با استفاده از فیدهای ویدیویی ناشناس و سنسورهای مادون قرمز از مرحله آزمایشی کاملاً عبور کرده است. تجار از این دادهها برای تست تغییرات چیدمان، اندازهگیری تأثیر مکانهای تبلیغاتی و شناسایی مناطق فروشگاه که منجر به خرید میشوند (در مقابل مناطقی که فقط باعث توقف بدون خرید میشوند) استفاده میکنند. دادههای خام مسیر، از طریق یک مدل آموزشدیده، به الگوهای رفتاری خوانایی تبدیل میشوند که بررسی دستی آنها توسط فروشگاه ماهها زمان میبرد.
قیمتگذاری پویا و شخصیسازی
اینجاست که توجیه تجاری به شکلی جالب پیچیده میشود. مدلسازی کشش قیمت که توسط سرعت فروش لحظهای، دادههای رقبا و سیگنالهای تقاضا از سیستمهای POS متصل تغذیه میشود، به تجار این امکان را میدهد که قیمتها را در دستهبندیهای مختلف به شکلی تنظیم کنند که تقویمهای تبلیغاتی ثابت هرگز اجازه آن را نمیدادند.
برخی دریافتهاند که سود حاصل از قیمتگذاری دقیق، از مجموع سود تمام سرمایهگذاریهای دیگر در هوش مصنوعی بیشتر است – ادعایی که اگرچه نیازمند بررسی دقیق است، اما وقتی دادههای زنده تغذیهکننده مدل قابلاعتماد باشند، منطق زیربنایی آن درست است.
تعمیر و نگهداری پیشگیرانه برای داراییهای فیزیکی
این مورد معمولاً در بحثهای هوش مصنوعیِ خردهفروشی نادیده گرفته میشود، با اینکه از نظر عملیاتی بسیار مهم است. واحدهای سرمایشی و سیستمهای تهویه مطبوع (HVAC) وقتی دادههای سنسوری برای تشخیص علائم اولیه خرابی داشته باشید، با الگوهای قابلپیشبینی خراب میشوند؛ همین منطق برای لاینهای پرداخت خودکار و پلهبرقیها نیز صدق میکند.
تحلیل «دیلویت» درباره مدیریت داراییهای صنعتی نشان داد که رویکردهای پیشگیرانه، خرابیهای غیرمنتظره را تا ۵۰ درصد نسبت به نگهداری مبتنی بر زمان کاهش میدهند؛ یافتهای که برای هر خردهفروشی با زیرساختهای فیزیکی قابلتوجه، صادق است.
استقرار این فناوری واقعاً به چه چیزی نیاز دارد؟
شکاف بین یک دمو (نمایش) جذاب و یک پیادهسازی کارآمد، جایی است که اکثر پروژههای هوش مصنوعی خردهفروشی در آن متوقف میشوند و باید مستقیماً گفت که این شکاف از چه تشکیل شده است:
- زیرساخت داده: مدلهای هوش مصنوعی که با دادههای کهنه یا ناقص آموزش دیدهاند، پاسخهای مطمئنی میدهند که غلط هستند. قبل از اینکه خردهفروش روی هر لایه کاربردی هوش مصنوعی سرمایهگذاری کند، خط لوله داده IoT باید رکوردهای تمیز، دارای برچسب زمانی و با فرمت ثابت در سطح دقت مورد نیاز تولید کند. این کارِ مهندسی است، نه خریدِ تجهیزات، و معمولاً جایی است که پروژهها با هزینههای غیرمنتظره مواجه میشوند.
- یکپارچهسازی با سیستمهای تجاری موجود: لایه هوش مصنوعی باید بتواند از سیستمهایی که کسبوکار را میچرخانند (پلتفرم مدیریت موجودی، بکاند تجارت الکترونیک، شبکه پایانه POS) بخواند و در آنها بنویسد. در عمل، این یعنی کارآمدترین برنامههای هوش مصنوعی در خردهفروشی، اجزای یک معماری گستردهتر هستند، نه ابزارهای مستقل. درک اینکه هوش مصنوعی چگونه در آن معماری قرار میگیرد، یکی از سرنوشتسازترین تصمیماتی است که یک خردهفروش قبل از انتخاب یک رویکرد خاص میگیرد.
- تغییر در تصمیمگیری: این بخشی است که فروشندگان فناوری تمایل دارند کمتر به آن تأکید کنند. یک سیستم هوش مصنوعی که سفارش مجدد یا تنظیم قیمت را توصیه میکند، تنها زمانی ارزشمند است که فردی در سازمان ساختاریافته باشد تا به آن توصیه فوراً عمل کند. تاجرانی که بیشترین بهره را از سرمایهگذاریهای هوش مصنوعی بردهاند، معمولاً بخشی از گردش کار خود را برای تطبیق با سرعتِ جدیدِ تصمیمگیری، بازطراحی کردهاند. فناوری، این تعدیل سازمانی را مدیریت نمیکند؛ بلکه کسبوکار این کار را انجام میدهد.
روشی معقول برای تفکر درباره ریسک
مخالفتها با سرمایهگذاری هوش مصنوعی و IoT در خردهفروشی قابل درک است؛ هزینه اولیه زیرساخت سنسورهای متصل واقعی است و کار لازم برای اتصال برنامههای هوش مصنوعی به سیستمهای قدیمی اغلب سنگینتر از آن چیزی است که در ابتدا به نظر میرسد. همچنین، بهبودهای عملکردی که بهطور میانگین واقعی هستند، در همه شرایط خردهفروشی یکسان نیستند؛ آنچه برای یک زنجیره خواربارفروشی با ۲۰۰ کالای مختلف در هر متر مربع کار میکند، لزوماً برای یک فروشنده تخصصی کاربردی نیست.
چارچوب سازندهتر برای اکثر کسبوکارهای میانرده این است که بپرسند سرمایهگذاری قرار است کدام مشکل خاص را حل کند و آیا یک برنامه هوش مصنوعی متصل، آن مشکل را بهتر از جایگزینها حل میکند یا خیر.
آنهایی که بیشترین بهره را از این فناوری بردهاند، عموماً با یک شکست عملیاتی قابلشناسایی شروع کردهاند – مازاد موجودی در یک دسته خاص، هزینههای بالای نگهداری پیشبینینشده، یا نرخ تبدیل ضعیف در یک منطقه خاص فروشگاه – و لایه داده و هوش مصنوعی را حول آن شکست ساختهاند، بهجای اینکه یک پلتفرم عمومی را مستقر کنند و منتظر بازگشت سرمایه بمانند.
این رویکرد «مشکلمحور»، همان چیزی است که توجیه تجاری لازم برای سرمایهگذاری بعدی را ایجاد میکند. فناوری بیش از آنچه اکثر خردهفروشان میانرده در حال حاضر از آن بهره میبرند، توانایی دارد. رسیدن به آنجا کمتر مسئله بلندپروازی است و بیشتر به ترتیبِ اولویتبندی مربوط میشود.
بدون دیدگاه