Blog di Shopify

Machine learning al servizio del retail: esempi e applicazioni

Machine learning

Con l’evolversi della tecnologia si evolve anche il comportamento dei consumatori e le loro aspettative crescono. Fortunatamente, per rimanere competitivi nel settore del retail potete sfruttare diverse soluzioni basate su intelligenza artificiale (AI) e machine learning.

In questo articolo vedremo cos’è il machine learning. E scopriremo le sue applicazioni nell’ambito della vendita al dettaglio. Analizzeremo anche 6 esempi emblematici di aziende che utilizzano il machine learning: Target, Walmart, North Face, Alibaba, Amazon e Netflix.

1. Cos'è il machine learning?

    “Il machine learning è il metodo con cui un computer può apprendere le logiche umane”.

    Il machine learning o apprendimento automatico è una tecnologia sempre più preziosa nel marketing digitale, che si fonda sull’utilizzo dei big data.

    La mole di dati generata da internet è impressionante, e “big data” è diventato un termine di grande attualità. Si riferisce a insiemi di dati talmente voluminosi e complessi da non poter essere gestiti con i tradizionali software applicativi. Però i soli dati non servono a molto. Serve un sistema valido per interpretarli; un sistema in grado di identificare le preferenze dei clienti e di intercettare o addirittura anticipare le tendenze di mercato. Ed è qui che entrano in gioco intelligenza artificiale (AI) e machine learning.

    Differenza tra intelligenza artificiale (AI) e machine learning

    I due concetti sono collegati, ma non si identificano.

    • In generale, il termine intelligenza artificiale si riferisce alla capacità di un computer di prendere decisioni in un modo che imita la logica umana.
    • Invece il machine learning è il metodo con cui un computer può apprendere le logiche umane, senza essere semplicemente programmato per seguire certe regole. In sostanza, il machine learning permette a un computer di aggiornare continuamente la sua comprensione delle logiche umane, vedendo sempre nuovi esempi di come gli esseri umani reagiscono a vari fattori esterni.

    Questo tipo di tecnologia si è diffuso man mano che l’evoluzione dell'hardware ha permesso di gestire grandi volumi di dati ed eseguire algoritmi complessi. In realtà il machine learning è molto più facile da utilizzare oggi, perché la tecnologia si è sviluppata rendendone possibile l’utilizzo anche per i commercianti e i consumatori.

    Il più noto esempio di machine learning: Google

    Il più noto e concreto esempio di machine learning è il motore di ricerca di Google (sì, il sito web che utilizzate ogni giorno). Google utilizza le query da voi inserite (cioè le frasi che digitate nella barra di ricerca) come punto dati per addestrare l'algoritmo sul comportamento e le intenzioni di ricerca degli esseri umani. Più il motore di ricerca Google impara, più diventa capace di rispondere con precisione alle domande degli utenti, fornendo risultati di ricerca rilevanti.

    Ma il machine learning non è riservato solo alle multinazionali tecnologiche. È possibile utilizzarlo anche in un contesto retail.

    2. Applicazioni del machine learning nel retail

      Retail e machine learning

      Se siete dei dettaglianti, potete applicare le informazioni dei big data e il machine learning in vari modi; ad esempio per ottimizzare la catena logistica e le operazioni di product sourcing, per il marketing e per l'acquisizione dei clienti.

      Implementando delle tecnologie basate sul machine learning ogni tipo di negozio online può diventare più efficiente e competitivo.

      Ecco una panoramica delle principali applicazioni del machine learning nel settore del retail e dell’ecommerce.

      Consigli sui prodotti

      Partendo dai dati raccolti sulle vendite dei prodotti e sul comportamento dei consumatori, il machine learning può arrivare a offrire consigli altamente personalizzati sui prodotti da acquistare. Ad esempio, il vostro negozio potrebbe offrire ai clienti suggerimenti di prodotti complementari a quelli già acquistati, per un upselling automatico.

      • Con Bold Brain — un’app basata su AI e machine learning — potete mostrare consigli sui prodotti per aumentare il tasso di conversione del vostro negozio online.
      • Anche Yuspify è un’app basata sul machine learning. Mette a frutto i dati generati dal vostro traffico per offrire ai visitatori suggerimenti personalizzati sui prodotti acquistati o visualizzati di frequente.

      Determinazione dei prezzi

      Un algoritmo è in grado di esaminare variabili chiave del prezzo (offerta, stagionalità, domanda, ecc.) offrendovi informazioni su come regolare i prezzi di conseguenza. Con questo meccanismo, il machine learning vi permette di ottimizzare la vostra pricing strategy adottando prezzi dinamici e in tempo reale per incrementare il valore di ogni acquisto in negozio.

      • Un’app che regola automaticamente il prezzo dei prodotti in base alle vendite effettuate in negozio è Price Scheduler.
      • In alternativa potete provare PriceMole, che crea prezzi dinamici in base a stock e prezzi dei competitor.

      Previsioni sulla domanda di mercato

      Oltre a poter rilevare la “freschezza” delle merci deperibili e l'usura dei macchinari, i sistemi di machine learning sono in grado di prevedere in anticipo la domanda di mercato orientando la scelta dei prodotti da ordinare.

      Una scelta basata sui dati vi farà risparmiare tempo. E potrà tener conto senza problemi di una molteplicità di fattori.

      Le soluzioni di machine learning per stabilire come rifornire l’inventario vi saranno particolarmente utili se avete tante SKU.

      L’app Intuendi vi offre previsioni basate sui dati del vostro negozio. Fondamentalmente vi aiuta a prendere decisioni smart sui prodotti da ordinare, in modo da ottimizzare il ROI.

      Ottimizzazione dei percorsi di consegna

      Il machine learning vi consente l’ottimizzazione dei percorsi di consegna dei prodotti per una maggiore efficienza, in base ai dati e comportamenti registrati in passato.

      Un’app per salvare e ottimizzare i percorsi di consegna è ColourCodedDS.

      Servizio clienti più efficiente

      Grazie al machine learning potete prevedere il comportamento degli utenti, impiegando al meglio il personale addetto alle vendite e aumentando la soddisfazione dei clienti.

      Ad esempio, considerate di utilizzare gli addetti alle vendite nelle conversazioni più produttive; e filtrate le richieste dei visitatori con chatbot intelligenti, che forniscano risposte utili e personalizzate, eliminando i tempi di attesa.

      I chatbot che si basano sull'apprendimento automatico sono scritti in linguaggi come Python; quindi dovrete assumere un Esperto che vi aiuti, a meno che non abbiate familiarità con il linguaggio e il codice.

      Gobot è un assistente di vendita virtuale disponibile 24/7 in negozio. È in grado di rispondere automaticamente alle domande dei clienti aiutandoli a trovare il prodotto perfetto. Potete “addestrarlo” in modo personalizzato. Attualmente è disponibile gratis nell’App Store di Shopify.

      Personalizzazione dei contenuti del sito

      Oggi gli utenti si aspettano un’iper personalizzazione dei contenuti e il modo migliore per soddisfarli è ricorrere al machine learning. Tramite le informazioni acquisite sul cliente, potete ottenere una personalizzazione automatica dei contenuti del vostro sito web.

      In particolare l'esperienza online può essere personalizzata automaticamente in base alla posizione del cliente, alla cronologia degli acquisti, ai dati demografici e ad altro ancora. Tutto questo contribuisce a incrementare il valore medio dell’ordine e il tasso di conversione del vostro negozio.

      Un’app che consente di personalizzare l’aspetto del negozio a seconda del comportamento degli utenti è Personalizer by LimeSpot.

      Segmentazione degli utenti

      Un punto debole dei siti di ecommerce rispetto ai negozi fisici è la distanza dai clienti. Di persona, un venditore che interagisce col cliente prende rapidamente in considerazione vari fattori — come il linguaggio del corpo e il comportamento — per assistere il cliente.

      La segmentazione automatizzata degli utenti è utilissima per massimizzare le vendite; vi permette di comprendere le esigenze individuali dei clienti comunicando con loro in modo personalizzato. Ad esempio con la tecnologia del machine learning potete identificare i vostri migliori clienti, invogliandoli a compiere nuovi acquisti tramite campagne di email marketing mirate.

      Un’app che permette la segmentazione automatizzata dei clienti per campagne di marketing mirate è Segments Analytics Platform di Tresl Inc.

      Personalizzazione dei tag di prodotto

      Per chi vende molti prodotti attraverso il proprio sito ecommerce, utilizzare il machine learning per assegnare i tag di prodotto può avere una duplice utilità. Aiuta a risparmiare tempo e assicura un aggiornamento costante.

      Questo è ciò che fa SEO Auto-tagger, un’app disponibile nell’App Store di Shopify.

      Natura predittiva del machine learning

      Il più grande valore del machine learning sta nella sua natura predittiva. Le tecnologie basate sull’apprendimento automatico permettono alle aziende di utilizzare i dati raccolti per prevedere il comportamento dei clienti e le future tendenze.

      Il più grande valore del machine learning sta nella sua natura predittiva.

      Pensate a un cliente che normalmente spende poco ma negli ultimi tre anni ha acquistato materiali costosi sempre nello stesso periodo. I modelli di machine learning potrebbero prevedere il momento più importante per offrirgli nuovamente i prodotti; e questo senza sprecare il budget per il marketing in periodi in cui un acquisto da parte sua è improbabile.

      Oppure in vista del periodo di shopping delle festività natalizie il machine learning può aiutarvi a stimare le scorte necessarie.

      Insomma, i modelli di machine learning vi aiutano a ridurre gli sprechi (come i costi pubblicitari inutili e le giacenze deteriorate). Al contempo vi permettono di ottimizzare le attività di marketing per anticipare le esigenze dei clienti, con il conseguente aumento dei ricavi e dei margini di profitto.

      Target (di cui parleremo tra poco) ha registrato una crescita dei ricavi del 15-30% grazie all'uso di modelli predittivi basati sul machine learning.

      Deep learning

      Nel futuro le capacità predittive delle tecnologie in grado di analizzare i dati sono destinate a crescere grazie al deep learning. Si tratta di una tecnologia più complessa del machine learning, basata su algoritmi ispirati alla struttura e al funzionamento del cervello umano che vengono definiti “reti neurali artificiali”.

      3. Esempi di aziende che utilizzano il machine learning

        Ecco 6 esempi concreti di utilizzo del machine learning al servizio del retail, che illustrano la varietà di casi in cui questa tecnologia può fornire un valore aggiunto.

        Target: predire la gravidanza

        La catena di grandi magazzini Target aveva l’obiettivo di invogliare gli utenti all’acquisto di una più ampia varietà di articoli nei suoi negozi anziché presso i concorrenti. Le ricerche dimostravano che tipicamente un cliente cambia il suo negozio di fiducia durante un importante cambiamento di vita; ad esempio la laurea, il matrimonio o la nascita di un figlio.

        Così Target ha assunto un esperto di machine learning e statistica, Andrew Pole, per analizzare i dati degli acquirenti e creare un modello che potesse prevedere quali donne erano probabilmente in stato di gravidanza.

        Dopo aver incrociato gli acquisti comuni delle donne che si erano registrate nel database “Baby Registry” di Target (fornendo la presunta data del parto), Pole è stato in grado di identificare i modelli di comportamento chiave.

        Questi modelli erano in grado di identificare lo stato di gravidanza  di una cliente; non solo, ma potevano individuare il trimestre del periodo di gestazione. Ad esempio, se una donna iniziava improvvisamente ad acquistare determinati integratori era probabile che fosse nelle sue prime 20 settimane di gravidanza; invece l'acquisto di una grande quantità di crema per il corpo non profumata indicava l'inizio del secondo trimestre.

        Cautela nell'uso delle informazioni

        Questo case study insegna anche che occorre cautela nell'utilizzare simili informazioni. Target ha utilizzato i dati per inviare coupon relativi alla gravidanza e alla genitorialità alle clienti i cui dati di acquisto corrispondevano al modello. Tra le destinatarie è stata inclusa una ragazza di 16 anni, il cui padre ha scoperto la gravidanza inattesa ricevendo queste promozioni mirate.

        Successivamente Target ha modificato la propria strategia unendo altre offerte alle promozioni mirate per la gravidanza, proprio perché ha riscontrato che un grado di personalizzazione così elevato metteva a disagio le clienti.

        Walmart: anticipare le esigenze del cliente

        Il gigante del commercio al dettaglio Walmart ha implementato nuove tecnologie per anticipare le esigenze dei clienti e ottimizzare i processi di vendita. Nel 2015, l'azienda ha testato il software di riconoscimento facciale come meccanismo antifurto.

        Ma il gigante degli sconti ha espresso l’intenzione di utilizzare questa tecnologia di machine learning anche per migliorare il servizio clienti. Secondo la rivista Forbes, Walmart considera la tecnologia di apprendimento automatico un’opportunità per ridurre i costi; infatti è estremamente efficace per raggiungere obiettivi che altrimenti richiederebbero una grande quantità di personale. Il software di riconoscimento facciale può riconoscere il livello di insoddisfazione dei clienti alla cassa, attivando un avviso per far parlare un incaricato con il cliente insoddisfatto.

        North Face: assistente di vendita virtuale

        North Face e machine learning
        Immagine: VentureBeat

        Il rivenditore di abbigliamento outdoor North Face ha utilizzato l'intelligenza artificiale e il machine learning per offrire agli utenti del proprio sito web un'esperienza di shopping altamente personalizzata chiamata “Acquista con IBM Watson”.

        Dopo aver scaricato l'applicazione, gli acquirenti parlano direttamente al telefono per accedere a Watson, un sistema di intelligenza artificiale di IBM. È simile a un venditore umano che potrebbe aiutarvi a selezionare l'opzione giusta. L'assistente virtuale vi guida attraverso una serie di domande e apprende dalle risposte, per indicarvi i prodotti più rilevanti in base alle vostre preferenze ed esigenze.

        Alibaba: rendere accessibili i big data ai piccoli retailer

        Alibaba, la piattaforma cinese di ecommerce simile ad Amazon, è per alcuni versi il più grande mercato di ecommerce al mondo. A differenza di Amazon, che fin dalle origini si è occupato dell’evasione degli ordini, si affida molto più ai suoi rivenditori; e si considera un “ecosistema di vendita al dettaglio”.

        Per questo motivo ha dato la priorità all'analisi dei big data; e una delle sue caratteristiche principali è rendere tali dati più accessibili ai piccoli dettaglianti che vendono attraverso la piattaforma.

        Un’applicazione di Alibaba porta i big data nel mondo del retail offline, per offrire ai commercianti un quadro più ampio sulle vendite. Traccia gli acquirenti ovunque si trovino; anche quando ordinano online per ritirare i prodotti in negozio; o quando fanno acquisti in negozio scansionando i codici a barre dei prodotti, ad esempio per pagare tramite app o ottenere la consegna gratuita.

        I comportamenti di acquisto dei clienti offline rilevati da Alibaba mediante l’app mobile possono essere analizzati con i dati online, per un quadro più completo.

        Amazon: personalizzazione e previsione della domanda

        Amazon ha un motore di consigli sui prodotti tra i più popolari nel settore dell’ecommerce. E a giusto titolo. I suoi algoritmi di apprendimento automatico funzionano così bene che il 55% delle vendite è generato da queste raccomandazioni di machine learning.

        Ma il motore ha un duplice scopo. Non è utile solo a generare entrate aggiuntive con upselling e prodotti consigliati. Le informazioni acquisite dagli algoritmi di apprendimento automatico possono anche aiutare Amazon a prevedere la domanda dei prodotti. In sostanza, facilitano le decisioni di rifornimento dell’inventario in base a stagionalità e tendenze.

        Netflix: dare agli spettatori il divertimento che desiderano

        Fin dalla sua nascita, Netflix ha utilizzato big data e machine learning per comprendere le esigenze degli utenti e offrire i contenuti televisivi e cinematografici più richiesti.

        Tali dati hanno ispirato scelte strategiche; ad esempio, il sistema di lanciare le stagioni delle serie per intero; o l'autoplay dell'episodio successivo e i consigli su cosa vedere in base alle probabilità di gradimento per l’utente.

        Quest’ultima funzione si basa sul calcolo della percentuale di corrispondenza del programma al profilo dell’utente; ed è un esempio tipico di utilizzo del machine learning.

        I dati hanno un impatto anche su tutti i contenuti originali che Netflix produce.

        In passato l’azienda ha calcolato di risparmiare circa 1 miliardo di dollari l'anno grazie al machine learning.

        Come sfruttare il potenziale del machine learning

          Il machine learning rappresenta una grande opportunità per i commercianti.

          È in grado di dare un senso ai dati digitali molto più velocemente di qualsiasi essere umano. E come abbiamo visto offre diverse applicazioni nel settore del retail.

          Quale tecnologia di machine learning vorreste implementare per far crescere la vostra attività di ecommerce? Una buona idea può essere iniziare dalla soluzione di maggiore impatto o da quella più facile da implementare. 

          Già siete nella schiera di coloro che usano big data e machine learning? Condividete i vostri consigli qui sotto.


          Articolo originale di Bridget Randolph, tradotto da Maria Teresa Cantafora.
          Argomenti: