Τι έκαναν λάθος οι διαδικτυακοί έμποροι λιανικής σχετικά με τους αλγόριθμους και την τεχνητή νοημοσύνη

Περίπου την εποχή που επικράτησε η πανδημία του COVID-19 το 2020, μια ομάδα εταιρειών ηλεκτρονικού εμπορίου, μόδας απευθείας στον καταναλωτή, προσωπικής φροντίδας και έτοιμα κιτ γευμάτων χαιρετίστηκε ως κορυφαίοι λιανοπωλητές που εφευρίσκουν εκ νέου την εμπειρία αγορών μέσω του διαδικτύου. δεδομένα για τη συμπεριφορά των πελατών.

Το 2018, βιομηχανικό εμπορικό περιοδικό RetailDive.com δήλωσε η Λίμνη Κατρίνα «Διαταράκτης της Χρονιάς» για τον ρόλο της ως ιδρύτριας και διευθύνουσας συμβούλου του Fix Fix, ένας ιστότοπος μόδας που προσφέρει συνδρομητική υπηρεσία αγαθών που επιμελούνται 3,900 στυλίστες μερικής απασχόλησης. Σε ένα άρθρο που δημοσιεύτηκε στο Harvard Business Review Την ίδια περίοδο, η Λέικ περιέγραψε την εταιρεία της ως «μια επιχείρηση επιστήμης δεδομένων», με τα έσοδα «να εξαρτώνται από εξαιρετικές συστάσεις από τον αλγόριθμό της».

Το Stitch Fix ήταν ένα από τα πιο ορατά παραδείγματα της ανόδου των λεγόμενων καταστημάτων λιανικής πώλησης συνδρομητών. Η λίστα περιλαμβάνει λιανοπωλητή προϊόντων ομορφιάς Birchbox, η οποία «επιμελείται» και αποστέλλει στους συνδρομητές μια συλλογή προϊόντων με βάση προηγούμενες αγορές και αλγόριθμους που κατηγοριοποιούν τους καταναλωτές με βάση την ηλικία, την τοποθεσία και άλλα σημεία δεδομένων. Μπλε ποδιά, μια συνδρομητική υπηρεσία έτοιμου γεύματος, ήταν ένας άλλος αξιοσημείωτος συμμετέχων.

Στις αρχές του 2021, τρία χρόνια μετά την εισαγωγή της εταιρείας στο χρηματιστήριο, η κεφαλαιοποίηση της Stitch Fix ήταν 10 δισεκατομμύρια δολάρια.

Σήμερα, μόλις δεκαοκτώ μήνες μετά, η μετοχή έχει χάσει περίπου το 95% της αξίας της και η εταιρεία είναι αναμένεται να σημειώσει την πρώτη ετήσια πτώση των πωλήσεών της από τότε που κυκλοφόρησε το 2017.

Ομοίως, Μπλε ποδιά έχει μετατραπεί σε ένα ακόμη πιο άσχημο επενδυτικό τρένο - πέντε χρόνια αφότου η μετοχή της έκανε το ντεμπούτο της στα 140 δολάρια ανά μετοχή, διαπραγματεύεται με λιγότερο από 4 δολάρια.

Γιατί αναστατώθηκαν οι διαταράκτες;

Όπως αποδεικνύεται, τα προειδοποιητικά σημάδια ήταν ξεκάθαρα το 2018. Σε ένα κομμάτι που εμφανίστηκε στο Quartz.com, ο Luis Perez-Breva, λέκτορας και ερευνητής στη Σχολή Μηχανικών του MIT, προειδοποίησε ότι, «Πολλοί έμποροι λιανικής έχουν ξεχάσει τι βοηθά πραγματικά τους πελάτες: τη βοήθεια στο κατάστημα από ανθρώπινους εργάτες».

Σύμφωνα με την Perez-Breva, «Για να λάβουν καθαρά δεδομένα για μηχανική μάθηση (τεχνητή νοημοσύνη ή AI), για παράδειγμα, πολλοί έμποροι λιανικής στέλνουν στους πελάτες ερωτηματολόγια που είναι ευκολότερο να επεξεργαστούν οι υπολογιστές».

Αλλά, λέει, «Οι πελάτες δεν είναι AI. Οι περισσότεροι δεν απαντούν ποτέ στα ερωτηματολόγια και πολλοί συμπληρώνουν ό,τι θυμούνται. Αυτό αφήνει τους λιανοπωλητές με ελαττωματικά… δεδομένα».

Επίσης το 2018, συμβουλευτικός γίγαντας Η McKinsey & Co. ερεύνησε περισσότερους από 5,000 καταναλωτές στις ΗΠΑ σχετικά με τις συνδρομητικές υπηρεσίες και διαπίστωσε ότι «τα ποσοστά ανατροπής είναι υψηλά (σχεδόν 40 τοις εκατό)… και οι καταναλωτές ακυρώνουν γρήγορα υπηρεσίες που δεν προσφέρουν ανώτερες εμπειρίες από άκρο σε άκρο».

Η έκθεση McKinsey κατέληξε στο συμπέρασμα ότι, «Οι καταναλωτές δεν έχουν εγγενή αγάπη για τις συνδρομές. Αν μη τι άλλο, η απαίτηση εγγραφής σε ένα επαναλαμβανόμενο μειώνει τη ζήτηση και καθιστά πιο δύσκολη την απόκτηση πελατών."

Εν τω μεταξύ, αρκετοί ακαδημαϊκοί έχουν γράψει για τους κινδύνους που συνδέονται με τη συλλογή δεδομένων για μεμονωμένους αγοραστές. Μπορεί να είναι χρήσιμο για έναν καταναλωτή το ότι ένας έμπορος λιανικής γνωρίζει το μέγεθος του παπουτσιού και το αγαπημένο του χρώμα. Τι συμβαίνει όμως όταν τα δεδομένα που συλλέγονται από την τεχνητή νοημοσύνη και τους αλγόριθμους περιλαμβάνουν την αγορά αντισυλληπτικών χαπιών;

Σε έναν μακροχρόνιο συμμετέχοντα και παρατηρητή της βιομηχανίας λιανικής, ένα παλιό ρητό έρχεται στο μυαλό: όσο περισσότερα πράγματα αλλάζουν, τόσο περισσότερο μένουν ίδια. Η τεχνητή νοημοσύνη είναι ένα ισχυρό εργαλείο στη διαχείριση των logistics, του αποθέματος και μιας σειράς άλλων προβλημάτων διαχείρισης επιχειρήσεων. Στην περίπτωση της πρόβλεψης της συμπεριφοράς των καταναλωτών, ορισμένα από αυτά είναι πολύτιμα αλλά μόνο εάν χρησιμοποιηθούν σωστά.

Εάν οι έμποροι λιανικής θέλουν να μάθουν τι θέλουν οι καταναλωτές, έχουν έναν δοκιμασμένο τρόπο για να το ανακαλύψουν — δοκιμάζοντας προϊόντα και τιμές από τους καταναλωτές πριν δεσμεύσουν πολύτιμο κεφάλαιο. Αντί να συγκεντρώνουν δεδομένα με βάση τη συμπεριφορά του παρελθόντος ή να «επιμελούνται» τα προφίλ των υποομάδων καταναλωτών με βάση τη μηχανική μάθηση, οι έμποροι λιανικής μπορούν να προβλέψουν με μεγαλύτερη ακρίβεια τις τάσεις και τη μελλοντική ζήτηση χρησιμοποιώντας πραγματική νοημοσύνη που συλλέγεται από το διαδίκτυο σε πραγματικό χρόνο με πραγματικούς αγοραστές. Και, αν πρόκειται να εφαρμόσετε έναν αλγόριθμο, καλύτερα να μπορείτε να αποδείξετε ότι λειτουργεί ξανά και ξανά.