Cách 6 thương hiệu đang sử dụng máy học để phát triển doanh nghiệp của họ

Khi công nghệ tiếp tục phát triển, hành vi của người tiêu dùng cũng vậy – và các nhà bán lẻ cần phải đi trước đường cong. Và sử dụng dữ liệu là một cách để đảm bảo bạn luôn đi trước xu hướng và cung cấp cho khách hàng những sản phẩm giải quyết được vấn đề của họ.

Với việc Internet tạo ra nhiều dữ liệu hơn bao giờ hết, dữ liệu lớn đã trở thành một từ thông dụng trong ngành. Dữ liệu lớn thường đề cập đến “các tập dữ liệu quá lớn và phức tạp đến mức phần mềm ứng dụng xử lý dữ liệu truyền thống không đủ khả năng xử lý chúng” và trước đây không thể cho bất kỳ công ty nào ngoài công ty lớn nhất, hiểu biết về kỹ thuật nhất thu thập và phân tích.

Nhưng chỉ thu thập một lượng lớn dữ liệu thôi thì không đặc biệt hữu ích. Gì Là có giá trị là đào qua tất cả những con số đó để tìm hiểu thông tin chi tiết quan trọng về xu hướng, sở thích của khách hàng và thậm chí cả những dự đoán trong tương lai.

Rồi sao là các nhà bán lẻ thực sự sử dụng thông tin chi tiết và dữ liệu mà họ thu thập? Chúng tôi đã tổng hợp sáu ví dụ về các thương hiệu nổi tiếng đang sử dụng dữ liệu lớn, trí tuệ nhân tạo (AI) và máy học để tối ưu hóa quy trình của họ, dự đoán nhu cầu của khách hàng và – trong trường hợp của một thương hiệu – thậm chí xác định sớm các giai đoạn của thai kỳ.

Nhưng trước khi vượt lên chính mình, chúng ta hãy xem xét sâu hơn về nội dung và chi tiết cụ thể của học máy và cách các nhà bán lẻ có thể tận dụng nó trong hoạt động kinh doanh của họ.

Học máy là gì?

Học máy là một trong những công nghệ quan trọng ngày càng có giá trị đối với các nhà bán lẻ khi ngày càng có nhiều doanh nghiệp tận dụng dữ liệu lớn.

Trước khi đi xa hơn, điều quan trọng là phải hiểu thuật ngữ máy học có nghĩa là gì – nó có liên quan đến trí tuệ nhân tạo (AI) nhưng cả hai không giống nhau. Nói một cách rộng rãi, AI đề cập đến khả năng đưa ra quyết định của máy tính theo cách bắt chước logic của con người.

Tuy nhiên, học máy là cách mà máy tính có thể “học” những quy tắc logic này mà không đơn giản chỉ được lập trình để thực hiện mọi thứ theo một cách nhất định. Nói cách khác, học máy cho phép máy tính cập nhật liên tục sự hiểu biết của nó về các quy tắc khi nó thấy nhiều ví dụ hơn về cách con người phản ứng với các yếu tố bên ngoài khác nhau.

Loại công nghệ này đã trở nên phổ biến hơn khi các cải tiến phần cứng giúp nó có thể xử lý khối lượng dữ liệu tuyệt đối và chạy các thuật toán phức tạp. Về cơ bản, máy học ngày nay dễ sử dụng hơn nhiều vì công nghệ đã phát triển để giúp các nhà bán lẻ và người tiêu dùng sử dụng dễ dàng hơn.

Ví dụ nổi tiếng nhất về máy học đang hoạt động là công cụ tìm kiếm Google (vâng, trang web bạn sử dụng hàng ngày). Google sử dụng mỗi truy vấn (tức là các cụm từ bạn nhập vào thanh tìm kiếm) mà một người chạy làm điểm dữ liệu để dạy thuật toán về hành vi và ý định tìm kiếm của con người. Công cụ tìm kiếm của Google càng học hỏi nhiều thì công cụ này càng trả lời tốt hơn các câu hỏi và cung cấp các trang web phù hợp cho các tìm kiếm của bạn.

Nhưng máy học không chỉ dành cho các công ty công nghệ đa quốc gia – bạn cũng có thể sử dụng nó trong bối cảnh bán lẻ.

Lợi ích của Học máy đối với Bán lẻ

Các nhà bán lẻ có thể áp dụng thông tin chi tiết về nhà bán lẻ từ dữ liệu lớn và máy học theo một số cách, đặc biệt là để tối ưu hóa chuỗi cung ứng, hoạt động tìm nguồn cung ứng sản phẩm cũng như tiếp thị và thu hút khách hàng.

Ví dụ: một nghiên cứu gần đây của McKinsey đã phát hiện ra rằng “Các hoạt động chuỗi cung ứng của nhà bán lẻ Hoa Kỳ đã áp dụng dữ liệu và phân tích đã chứng kiến ​​tỷ suất lợi nhuận hoạt động tăng tới 19% trong 5 năm qua”.

Nghiên cứu tương tự cũng lưu ý rằng thách thức lớn nhất mà các nhà bán lẻ Hoa Kỳ hiện đang đối mặt chỉ đơn giản là thiếu tài năng phân tích và dữ liệu được chia sẻ trong toàn công ty của họ; cơ hội dành cho những người có thể thu hẹp khoảng cách này.

Một số cách chính mà bạn có thể sử dụng máy học trong bối cảnh bán lẻ bao gồm:

• Đưa ra các đề xuất sản phẩm được cá nhân hóa cao cho quảng cáo và khuyến mại (để bán thêm tự động và các đề xuất sản phẩm bổ sung, phù hợp, dựa trên các lần mua trước đó).
• Tối ưu hóa chiến lược giá của bạn với giá động, theo thời gian thực. Một thuật toán có thể tính đến các biến định giá chính, bao gồm cung, thời vụ và nhu cầu, đồng thời cung cấp cho bạn thông tin chi tiết về cách điều chỉnh giá cho phù hợp.
• Tối ưu hóa việc lập kế hoạch hàng tồn kho và bảo trì dự đoán. Các hệ thống có thể phát hiện “độ tươi mới” của các mặt hàng dễ hỏng và hao mòn trên máy móc, đồng thời dự đoán trước nhu cầu để đặt hàng.
• Tối ưu hóa các tuyến đường để giao hàng hiệu quả hơn theo dữ liệu và hành vi trong quá khứ.
• Hệ thống dự báo bán hàng và dịch vụ khách hàng để dự đoán hành vi của khách hàng và cho phép các nhà bán lẻ triển khai đội ngũ nhân viên bán hàng và dịch vụ khách hàng ở những nơi họ sẽ hiệu quả nhất.
• Tùy chỉnh nội dung trang web: Cá nhân hóa trải nghiệm trực tuyến dựa trên vị trí, lịch sử mua hàng, nhân khẩu học của một cá nhân, v.v.
• Phân khúc khách hàng tiềm năng của bạn dựa trên hành vi trước đó thay vì tự xác định.

Giá trị lớn nhất của học máy là bản chất dự đoán của nó – nó cho phép các công ty sử dụng dữ liệu khách hàng và hoạt động trong quá khứ và hiện tại để dự đoán hành vi và xu hướng trong tương lai. Ví dụ: hãy xem xét một khách hàng thường là một người chi tiêu khiêm tốn nhưng đã mua các tài liệu lập kế hoạch đắt tiền vào cùng một thời điểm mỗi năm trong ba năm qua. Mô hình học máy có thể dự đoán thời điểm thích hợp nhất để cung cấp lại các sản phẩm này thay vì lãng phí tiền quảng cáo vào thời điểm khách hàng không có khả năng mua hàng. Hoặc, đối với các khoảng thời gian mua sắm với khối lượng lớn như Thứ Sáu Điện Tử Ngày Thứ Sáu Đen, máy học có thể giúp các nhà bán lẻ ước tính lượng hàng tồn kho so với thời gian còn lại trong năm.

Kết quả là, mô hình học máy giúp cắt giảm lãng phí điển hình (chẳng hạn như chi phí quảng cáo không cần thiết và hàng tồn kho hư hỏng) trong khi tối ưu hóa các nỗ lực tiếp thị để dự đoán nhu cầu của khách hàng – dẫn đến tăng doanh thu và tỷ suất lợi nhuận cao hơn. Ví dụ: Target Corp. (một trong những thương hiệu được nêu trong bài viết này) đã tăng trưởng doanh thu 15-30% thông qua việc sử dụng các mô hình dự đoán dựa trên máy học.

Ví dụ về Học máy trong Bán lẻ

Dưới đây là sáu ví dụ về học máy trong môi trường bán lẻ, minh họa nhiều trường hợp sử dụng khác nhau mà công nghệ này có thể cung cấp giá trị.

Mục tiêu: Dự đoán mang thai

Là một “cửa hàng một cửa” cho mọi thứ, từ quần áo, hàng tạp hóa đến đồ gia dụng, Target muốn khuyến khích người mua sắm mua nhiều loại mặt hàng hơn từ đối thủ cạnh tranh. Nghiên cứu đã chỉ ra rằng thời điểm điển hình nhất để một người mua sắm thay đổi cửa hàng mà họ lựa chọn là trong một sự thay đổi lớn của cuộc đời: tốt nghiệp, kết hôn, sinh con.

Target đã thuê chuyên gia máy học và nhà thống kê, Andrew Pole, để phân tích dữ liệu người mua hàng và tạo ra một mô hình có thể dự đoán người mua sắm nào có khả năng mang thai. Sau khi tham khảo chéo các giao dịch mua phổ biến của phụ nữ, những người sau đó đã đăng ký với cơ quan đăng ký trẻ em Target (cung cấp ngày dự sinh của họ trong quá trình này), Pole có thể xác định các mẫu chính.

Những xu hướng này không chỉ chỉ ra mang thai mà còn có thể xác định chính xác ba tháng hiện tại của thời kỳ mang thai của phụ nữ (ví dụ, nếu một phụ nữ đột nhiên bắt đầu mua một số chất bổ sung nhất định, thì có khả năng cô ấy đang mang thai trong 20 tuần đầu, trong khi mua nhiều kem dưỡng da không mùi được chỉ định bắt đầu của tam cá nguyệt thứ hai).

Nghiên cứu điển hình này cũng minh họa sự thận trọng mà các nhà bán lẻ phải tiến hành khi sử dụng loại thông tin chi tiết này. Target đã sử dụng dữ liệu này để gửi phiếu giảm giá liên quan đến việc mang thai và nuôi dạy con cái cho những khách hàng có hình thức mua phù hợp với mô hình. Trong đó có một cô gái 16 tuổi bị bố phát hiện mang thai ngoài ý muốn khi cô nhận được những quảng cáo có mục tiêu này. Target sau đó đã điều chỉnh chiến lược của họ để kết hợp các ưu đãi khác với các chương trình khuyến mãi tập trung vào thai kỳ sau khi nhận thấy rằng khách hàng của họ cảm thấy không thoải mái với mức độ cá nhân hóa này.

Walmart: Dự đoán nhu cầu của khách hàng

Gã khổng lồ bán lẻ Walmart cũng đã triển khai các công nghệ mới để dự đoán nhu cầu của khách hàng và tối ưu hóa hoạt động. Vào năm 2015, công ty đã thử nghiệm phần mềm nhận dạng khuôn mặt như một cơ chế chống trộm.

Tuy nhiên, gã khổng lồ giảm giá cũng có kế hoạch sử dụng công nghệ máy học này để nâng cấp dịch vụ khách hàng của mình. Theo Forbes, đơn xin cấp bằng sáng chế của Walmart cho công nghệ máy học phục vụ khách hàng có thể “rất tốn kém để duy trì đủ nhân viên để cung cấp dịch vụ khách hàng tuyệt vời. Cũng có thể khó để thiết lập một cấp độ nhân viên phù hợp để cung cấp dịch vụ khách hàng thích hợp mà không có nhân sự dư thừa. “

Phần mềm nhận dạng khuôn mặt có khả năng nhận biết mức độ thất vọng của khách hàng khi thanh toán và kích hoạt cảnh báo để đại diện dịch vụ khách hàng nói chuyện với khách hàng thất vọng.

North Face: Các hiệp hội bán hàng robot

Hình ảnh: VentureBeat

Nhà bán lẻ quần áo ngoài trời North Face đã và đang sử dụng trí thông minh nhân tạo và máy học để cung cấp cho người dùng trang web trải nghiệm mua sắm được cá nhân hóa cao được gọi là “Mua sắm với IBM Watson”.

Sau khi tải xuống ứng dụng, người mua hàng nói ngay vào điện thoại của họ để truy cập Watson, một hệ thống AI của IBM. Tương tự như một nhân viên bán hàng có thể giúp bạn chọn tùy chọn phù hợp, trợ lý ảo sẽ hướng dẫn người dùng qua một loạt câu hỏi và học hỏi từ câu trả lời của bạn để cung cấp cho bạn những sản phẩm phù hợp nhất với sở thích và nhu cầu của bạn.

Alibaba: Làm cho dữ liệu lớn có thể truy cập được cho các nhà bán lẻ nhỏ hơn

Alibaba, một nền tảng thương mại điện tử của Trung Quốc tương tự như Amazon, là thị trường thương mại điện tử lớn nhất thế giới. Tuy nhiên, không giống như Amazon, vốn có truyền thống kinh doanh thực hiện đơn hàng, Alibaba phụ thuộc nhiều hơn vào các nhà bán lẻ của mình và tự coi mình là một “hệ sinh thái bán lẻ”. Do đó, họ đã ưu tiên phân tích dữ liệu lớn và một trong những tính năng chính của họ là làm cho dữ liệu đó dễ tiếp cận hơn với các nhà bán lẻ nhỏ hơn bán thông qua dịch vụ của họ.

Ứng dụng mới nhất của họ mang dữ liệu lớn đến thế giới bán lẻ ngoại tuyến để các thương gia có thể hiểu được bức tranh bán hàng lớn hơn. Ví dụ: người mua sắm có thể đặt hàng trực tuyến để được giao hàng từ cửa hàng tạp hóa HEMA do Alibaba hậu thuẫn. Hoặc họ có thể mua sắm tại cửa hàng, quét mã vạch khi thẻ giá kỹ thuật số cập nhật theo thời gian thực, thanh toán qua ứng dụng của họ và được giao hàng miễn phí khi mua hàng tại cửa hàng.

Điều này cho phép Alibaba nắm bắt hành vi mua sắm “ngoại tuyến” này thông qua ứng dụng di động, ứng dụng này có thể được phân tích cùng với dữ liệu trực tuyến để đưa ra bức tranh toàn cảnh về hành vi của khách hàng.

Amazon: Cá nhân hóa và Dự đoán Cung và Cầu

Amazon có một trong những công cụ khuyến nghị nổi tiếng nhất của bất kỳ nhà bán lẻ thương mại điện tử nào và vì lý do chính đáng; các thuật toán máy học của họ hoạt động tốt đến mức 55% doanh số bán hàng được thúc đẩy bởi các đề xuất máy học này.

Nhưng động cơ sản phẩm được đề xuất phục vụ một mục đích kép. Nó không chỉ có giá trị trong việc thúc đẩy doanh thu bổ sung thông qua bán thêm và các sản phẩm được đề xuất; những hiểu biết sâu sắc có được nhờ các thuật toán học máy này cũng có thể giúp Amazon dự đoán nhu cầu hàng tồn kho được dự đoán, giúp các quyết định cung ứng theo mùa và theo xu hướng trở nên đơn giản hơn.

Netflix: Mang đến cho người xem sự giải trí mà họ muốn

Kể từ khi thành lập, Netflix đã sử dụng dữ liệu lớn và máy học để hiểu cách người dùng sử dụng nội dung truyền hình và phim cũng như cung cấp nội dung mà người xem muốn. Dữ liệu này đã cung cấp thông tin cho các quyết định chiến lược, chẳng hạn như cách họ phát hành toàn bộ các phần cùng một lúc, tự động phát tập tiếp theo và đưa ra các đề xuất về khả năng bạn thưởng thức một bộ phim hoặc chương trình có liên quan (xếp hạng “% phù hợp” của họ là ví dụ mới nhất về cách họ cung cấp loại công cụ đề xuất dựa trên dữ liệu này). Dữ liệu này cũng đã thông báo tất cả nội dung gốc mà họ sản xuất.

Theo ước tính từ các giám đốc điều hành Netflix, thông tin chi tiết về máy học giúp họ tiết kiệm 1 tỷ đô la mỗi năm.

Tiến lên phía trước với Học máy trong Bán lẻ

Bạn muốn tìm hiểu thêm về cách sử dụng máy học trong các chiến dịch tiếp thị của mình? Hãy xem bài viết này về Cách sử dụng Máy học để Nâng cao Chiến dịch Tiếp thị của bạn.

Đã có trên băng tần dữ liệu lớn và máy học? Chia sẻ lời khuyên của bạn trong phần bình luận bên dưới.