Как собирать качественные данные для моделей машинного обучения в ритейле?

«Данные — это новая наука. Большие данные содержат ответы». – Пэт Гелсингер.

Вы с энтузиазмом относитесь к внедрению искусственного интеллекта, чтобы сделать ваши покупки в магазине и за его пределами более удобными, но не знаете, как собирать данные, чтобы начать создание моделей машинного обучения?

Тогда читайте дальше, потому что этот блог даст вам представление о том, как легко вы можете собирать данные, используя существующие системы, для создания компьютерного зрения следующего поколения и моделей обработки естественного языка.

Введение

В ориентированном на потребителя мире розничной торговли достижение высокого уровня удовлетворенности клиентов является высшим приоритетом для каждого розничного продавца. Наиболее важной частью этого процесса является сбор высококачественных данных и принятие на их основе решений.

Компьютерное зрение, модели процессов естественного языка могут пригодиться для прогнозного анализа и помощи брендам в увеличении продаж, но основой для этого являются данные. Если данные, подаваемые в системы, ненадежны, то вывод будет бесполезен для ритейлеров — «Мусор на входе, мусор на выходе».

Часто ритейлеры, желающие внедрить модели машинного обучения в систему, сталкиваются с трудностями при определении эффективных способов сбора правильных входных данных. В этом блоге мы рассмотрим способы, с помощью которых розничные продавцы могут собирать высококачественные наборы данных для создания эффективных моделей машинного обучения.

Данные для машинного обучения в розничной торговле

Традиционно предиктивная аналитика была методом извлечения информации с использованием существующих данных для раскрытия футуристических прогнозов, таких как создание ценности жизненного цикла клиента (CLV). Это был медленный и полуавтоматический процесс, в значительной степени основанный на классических статистических методах, таких как регрессия.

Еще одним недостатком продолжения прогнозной аналитики является то, что она работает только с данными о «причинах» и должна быть переделана с данными об «изменениях». А так как это делается в электронных таблицах, то не может выявить связи между причинами и результатами.

Сегодня с появлением искусственного интеллекта создаются модели машинного обучения для автоматизации прогнозной аналитики и ускорения процессов принятия стратегических решений.

В моделях машинного обучения используются передовые вычислительные алгоритмы, такие как деревья решений или случайный лес. Машина может обучаться сама и реагировать на изменения обучающих данных без вмешательства человека. Результаты прогнозной модели машинного обучения впечатляют, и сегодня ритейлеры делают ставку на ее успех в повышении рентабельности инвестиций.

Прогрессивные ритейлеры внедряют машинное обучение, как никогда раньше. Согласно отчету, ожидается, что глобальный искусственный интеллект на розничном рынке вырастет с 736,1 млн долларов США в 2016 году до 5 034,0 млн долларов США к 2022 году при совокупном годовом темпе роста (CAGR) в 38,3%.

Источники для сбора данных в розничной торговле для построения моделей машинного обучения

Как ритейлеру начать свой путь машинного обучения? Какой тип данных требуется и как розничный продавец может собрать эти данные? Будет ли это дорогостоящим делом? Вот некоторые типичные вопросы, которые возникают у каждого продавца, когда он хочет перейти с устаревших систем на современные.

Модели на основе ИИ передают огромное количество необработанных данных, а с помощью интеллектуальных методов данные можно собирать экономически эффективными способами:

Веб-сайты

Розничные веб-сайты могут принести большую пользу, когда речь идет о пользовательских сегментах и ​​предпочтениях. История посещений потребителя выделяет ключевые показатели, необходимые модели машинного обучения для создания футуристических прогнозов.

Местоположение, пол, покупательское поведение и т. д. могут помочь ритейлеру выстроить идеальный маршрут для маркетинговых мероприятий, направленных на повышение лояльности покупателей.

Согласно исследованиям, бренды, которые эффективно используют данные о клиентах, превосходят конкурентов на 85% по росту продаж и более чем на 25% по валовой прибыли.

Точка продаж

Сбор данных в точках продаж (POS) часто называют пассивным сбором данных, когда от покупателя не требуется предпринимать никаких действий. Данные могут отражать повторные продажи, время продажи, приобретенные товары, способ оплаты, географическое положение, демографические данные и т. д.

Эти данные очень полезны для построения модели машинного обучения, поскольку они помогают прогнозировать пользовательские предпочтения клиентов на основе серии покупок в прошлом. POS-системы пользуются огромным успехом у розничных продавцов.

Каждый бизнес, будь то ресторан, розничная торговля или продуктовый магазин, должен использовать соответствующую POS-систему, чтобы собирать как можно больше информации о покупателе.

Камеры видеонаблюдения

Наличие камеры видеонаблюдения в любом розничном магазине в настоящее время является нормой, в первую очередь устанавливаемой для выявления краж или наблюдения за происходящим внутри магазина. Эти записи могут быть чрезвычайно полезны при построении моделей компьютерного зрения.

Видеосъемка покупателей, прогуливающихся по магазину, — лучший инструмент, который ритейлер может получить для повышения эффективности своих планограмм. Офлайн-магазины или розничные магазины могут использовать эти данные для выявления лояльных клиентов и уведомления специалистов в магазине о предложениях индивидуальных предложений.

В долгосрочной перспективе эти видеозаписи с камер видеонаблюдения могут помочь ритейлерам оптимизировать свой бизнес, узнавая о микровлияниях, влияющих на поведение потребителей.

Существует множество приложений, которые придают смысл отснятым видеоматериалам и помогают придать им «визуальный смысл». Установка таких простых приложений может подготовить вашу машину данных.

Базирующаяся в Бангалоре компания Wesense.ai использует искусственный интеллект и машинное обучение для осуществления своей мечты. После запуска пилотных проектов с различными вариантами использования камер видеонаблюдения в больницах, офисах, школах, ресторанах и т. д. основатели обнаружили, что продукт отлично подходит для рынка розничной торговли, где извлечение визуальной информации из обычного магазина оказало значительное влияние на предприятия. В прошлом году Wesense привлекла ангельский раунд в размере 1,3 крор от серийных предпринимателей.

Карты лояльности

Скидки, эксклюзивные награды и ранние распродажи — карты лояльности очень выгодны. Когда розничный магазин выдает покупателям карты лояльности, это способ повысить количество повторных посещений и последующих покупок как онлайн, так и офлайн.

Эти карты загружены богатыми данными, они содержат разнообразную личную информацию о клиентах (имя, место пребывания, дату рождения, дату годовщины и т. д.), эта информация помогает в формировании личности покупателя и обмене персонализированными рекламными предложениями. Это также может повлиять на динамическую сегментацию и помочь в создании предиктивного контента.

Датчики в магазине

Тематический магазин «Просто выйди» AmazonGo вызвал настоящий ажиотаж в розничном сообществе. Весь магазин активен датчиками, и каждый предмет, который вы выбираете, или каждое ваше движение фиксируется.

Данные датчиков в магазине используются для создания приложений компьютерного зрения. Это помогает определить, кто является клиентом, и помогает понять его индивидуальные предпочтения. Они как глаза — смотрят и все помнят!

Как использовать данные для развития возможностей искусственного интеллекта в розничной торговле

ИИ в моде: полученные данные можно аннотировать с помощью интеллектуальной платформы аннотирования данных, которую можно использовать для идентификации и маркировки подробных атрибутов продукта. Затем данные каталога можно использовать для анализа поведения пользователей и улучшения поиска и персонализации продуктов.

ИИ в продуктовой розничной торговле: собранные данные могут быть переданы в модели компьютерного зрения и обработки естественного языка, которые могут помочь в анализе образа жизни покупателей. Эти профили можно использовать для маркетинговых предложений, электронных писем об отказе от корзины и push-уведомлений.

ИИ для электроники: ИИ может помочь ритейлерам определить категории, продукты и сходство с брендом на основе данных, собранных при каждом клике покупателя.

ИИ для красоты: данные о клиентах могут помочь в создании мощного приложения ИИ, чтобы предлагать клиентам персонализированные косметические продукты, увеличивая шансы на покупку.

Чтобы любая модель машинного обучения работала наилучшим образом, данные должны быть соответствующим образом помечены. Чтобы лучше всего аннотировать свои данные, проверьте Labellerr.