תובנה בענף: ai ועתיד המסחר האלקטרוני

אינטליגנציה מלאכותית (AI) הייתה בעבר ביטוי המשמש כמעט אך ורק במדע בדיוני להעצמת כל דבר, החל ממחשבי-על אובססיביים של ארמגדון וכלה ברובוטים חסרי-חרדה של מפעלים, שנעשו ברורים על ידי ברגי ברק שגויים. אולם כיום AI משמש לתיאור העתיד הקרוב של כמעט כל היבט בעסק הממנף את נתוני הארגון. הבעיה היא שבדומה לימים הראשונים של מחשוב ענן, מפתחים של טכנולוגיית AI כל אחד נוטים להגדיר זאת אחרת. זה הפך מבט שיווקי מבלבל בגלל AI, למידת מכונות (ML), ניתוחים חזויים ואפילו עוזרים וירטואליים.

בנוסף, כיצד בדיוק הטכנולוגיות הללו ישפיעו על היבטים שונים של העסק הפך לנוף שקשה לנווט בו. סחר אלקטרוני הוא תחום מפתח אחד בו AI והטכנולוגיות הקשורות אליו מזמן השפיעו מאחורי הקלעים. בתחום המסחר האלקטרוני, אנליטיקה חכמה מספקת יכולות חדשות, החל מחוויות קניות בהתאמה אישית ועד ניתוח התנהגות חזוי של לקוחות. שוחחנו עם קריס המריק, מנהלת היחידה העסקית האחראית על מעורבות הלקוחות של ווטסון של יבמ, כדי לפנות קצת מהבלבול סביב AI ומסחר אלקטרוני. כמו כן, דנו כיצד ביג בלו ימנף את IBM Watson במרחב המסחר האלקטרוני.

PCMag: תודה שלקחת את הזמן לדבר איתנו. ראשית, קל לבלבל בין פרסום מותאם אישית לבין "מסחר קוגניטיבי" מכיוון ששניהם כרוכים בשימוש בנתונים וגם בניתוח כדי להתאים בין הצעות להעדפות הלקוח ולהרגלים. מקובל גם לבלבל בין מסחר קוגניטיבי ועוזרים וירטואליים כמו Alexa של אמזון ו- Google Assistant. כיצד יבמ רואה את ההבדלים בין מושגים מונעי AI אלה?

קריס המריק (KH): אתה צודק: יש הרבה רעש סביב AI בשוק. במבט מעבר למה שיש לספקי הטכנולוגיה לומר, עסקים B2C וגם B2B צריכים להגיב ללחצים תחרותיים מהר יותר. במקרים רבים, התחרות למעשה מגיעה מחוץ לענף. זה מכריח עסקים להבין כיצד להגדיל את התהליך הנוכחי שלהם או לחשוב עליהם מחדש.

הרשו לי להסביר כיצד יבמ מבדילה בין AI למחשוב קוגניטיבי. AI הוא היכולת של מחשב להבין ולהסביר כמו אדם. מחשוב קוגניטיבי כרוך ביכולת להבין, להסביר, ללמוד ולקיים אינטראקציה, להפגיש בין אדם למכונה כך שהם לומדים אחד מהשני ומתקשרים בצורה חזקה יותר כשמשולבים זה בזה.

נתונים סוללים את הדרך עבור AI. מה עם כל אותם נתונים שנמצאים מחוץ ליישום אחד, על פני יחידות עסקיות, מקורות חיצוניים, נתונים אפלים ועוד? אנו חיים בעולם של מערכות שונות, כאשר בשילוב, כאשר נוצרים חיבורים בין נתונים או דפוסים חדשים המזוהים, יכולים לספק את הערך של 1 + 1 = 3. מה שמייחד את ווטסון הוא הגישה שלו לכל מקורות הנתונים השונים הללו, בשילוב עם היכולות הקוגניטיביות לקיים אינטראקציה עם בני אדם, להבין שאלות עסקיות, לגלות את הסיבה שמאחורי הפעולה, ובסופו של דבר ללמוד מאותה אינטראקציה ולהשתמש בלמידה בשאלות עתידיות.

באשר להתאמה אישית מול מסחר קוגניטיבי, ווטסון מאפשרת למשתמשים לחרוג, למשל, לניתוח מבוסס קשרי לקוחות, על מנת לקבל תובנות מעמיקות יותר ולנקוט בפעולה על מידע נוסף, כגון נתונים חשוכים כמו מדיה חברתית, חדרי צ'אט, תמלילי שירות לקוחות ואחרים. נתונים שעשויים לצרף ל- CRM מודרני. באמצעות ווטסון, קמפיינים יכולים לעבוד ממידע ותובנות מדוקדקות יותר, לייעל דברים כמו תמחור, הגשמה, ביצוע משלוח; לצפות אתגרים לפני שהם קורים, ובסופו של דבר לשפר את KPIs. זה משפר באופן אקספוננציאלי את היכולת של המשתמשים לעבוד יחד על פני אזורים פונקציונליים ולהשפיע טוב יותר על העסק בפחות מאמץ.

עסקים מנסים לעשות זאת היום בעזרת המשאבים שיש להם. יש להם דוחות, הרבה גיליונות אלקטרוניים, ופגישות רבות על כל אותם נתונים ועל האינטואיציה שלהם. אך בסופו של דבר, במקרים רבים, הם מבצעים על בסיס הטיה קוגניטיבית - מה שאומר שהם מסננים את כל הנתונים והרעש כדי למצוא נתונים שמתאימים לאופן שבו הדברים נעשו בעבר. באופן יעיל, זו הטיה לעיצוב ההחלטה, לא נתונים.

לסיכום, במסגרת מעורבות הלקוחות של ווטסון, אנו מטמיעים יכולות קוגניטיביות בתהליכים כדי למקסם את הביצועים העסקיים, לשפר את החלטות הסחורה / תמחור, ולייעל את כל שרשרת האספקה ​​כולה. לקוחות מסוגלים לגשת ישירות לממשקי תכנות היישומים של ווטסון ישירות כדי לאפשר יישומים ותהליכים מדור קודם שלהם עם יכולות קוגניטיביות. והכי חשוב, ווטסון משטר את החריגות, ממליץ על פעולות ומסביר מדוע .

PCMag: ככל הנראה, מסחר B2B היה מסובך יותר מ- B2C במונחים של אוטומציה, והגדלת הצעות מחיר ותמחור, תנאים ועסקאות. לדוגמה, בעוד הצרכנים קונים מחירים, עסקים יוסיפו משא ומתן על מחירים קשים ואף יצפו מממתיקים לעסקים על גבי קניות המחירים. כיצד מסחר קוגניטיבי, או מחשוב קוגניטיבי, עומד לשנות את אופן ביצוע עסקאות ה- B2B? ואיך זה יכיל עלויות עבור הקונים וישפר את הרווחים עבור המוכרים?

KH: מסחר B2B הוא דוגמה נהדרת לאופן בו הארגון לומד לרתום כמה מהמהפכות המדהימות שקורות בעולם ה- B2C בכדי למקסם את הרווחים ולספק חוויות מסחר טובות יותר של לקוחות ושותפים. לעסקים המוכרים לעסקים קטנים ובינוניים יש כמה מאותם אתגרים שיש למקביליהם הקמעונאיים, כולל שחיקת שוליים, קונפליקטים בערוצים, שביעות רצון לקוחות, "אפקט אמזון" (באמצעות אמזון ביזנס), ומאפשר ללקוחות לבחור את מסלול הרכישה הרצוי שלהם, ומאפשר אנשי מכירות להתמקד בהזדמנויות הנכונות על ידי מתן ערוץ עסקה וכדומה.

הצעד הראשון הוא לספק לשותפים וללקוחות שלך חוויה כללית טובה יותר מהתחרות שלך והרמות הגבוהות של שירות לקוחות שאנשים מצפים להם ביום ובגיל זה. אם אני הלקוח שלך, פירוש הדבר שתצטרך לדעת את תנאי התמחור המשא ומתן שלי, את היסטוריית הרכישה שלי, להראות לי את המוצרים או ההצעות הרלוונטיים לעסק שלי, ולאפשר לי לצרוך מוצרים ושירותים אלה בלקוח- פיתרון ידידותי. ניתן וצריך לארוג יכולות קוגניטיביות לאורך כל שרשרת הערך בכדי לעמוד ביעדים אלה.

כיום אנו רואים שזה קורה בענפים רבים. כדי לקחת את זה צעד קדימה, קח את השאלה מעבר ל"עסקה "בלבד והתחל לשקול מה המשמעות של B2B במגוון תעשיות וכיצד הם משרתים את הלקוחות שלהם.

לדוגמא, יצרנים מובילים יכולים לצפות בדפוסי מזג האוויר כדי להימנע משיבושים בשרשרת האספקה ​​ומחסור במלאי במהלך השקת מוצר. אחד הלקוחות שלנו, קון, משתמש בנתוני IoT ממעליות בכדי לצפות בלאי ולתעדף תחזוקה לפני הפסקת שירות. בתחום הרפואי Quest Diagnostics משתמש בווטסון כדי לנתח את הביופסיה של גידול של אדם ולהשוות את רצף ה- DNA למיליוני עמודים של כתבי-עת רפואיים, מאמרי מחקר ומחקרים קליניים כדי לספק לאונקולוג את המלצת הטיפול הטובה ביותר עבור אותו מטופל מסוים..

הדוגמאות הללו כמובן שונות לחלוטין אך זה רק מדגיש שהאפשרויות הן אינסופיות. אנחנו רק בתחילת המסע הקוגניטיבי. אנחנו רק מתחילים לגלות את הדרכים הרבות שהטכנולוגיה הזו יכולה לסייע בשיפור היחסים בין עסקים ללקוחות שלהם.

PCMag: טרנספורמציה דיגיטלית מתרחשת בקצב תזזיתי בכל מקום ויוצרת נתונים הרבה יותר מכפי שאי פעם ראינו. אולם מדעני נתונים מאמינים - ונדמה כי יבמ מסכימים - כי נתונים לא צריכים להתקיים בבידוד מכיוון שערכם טמון בעיקר בהוספת עומק והקשר משמעותי לשאלות מורכבות. מדוע ווטסון מתאים באופן ייחודי לעבודה עם נתונים שונים ומשאלות מסובכות?

KH: כפי שדיברנו קודם, 88 אחוז מכל הנתונים אפקטיביים. כלומר, נתונים המכילים את התובנות שכולנו שואפים למצוא אינם נמצאים במקורות נתונים שקל לעכל אותם או לסנן אותם. יתר על כן, מדעני נתונים הם משאבים יקרים ואינם מסווגים בקלות את ההשקעות שלהם בעסק שלם או בחברות קטנות יותר.

אצל ווטסון, המטרה היא לקחת את הנתונים האפלים האלה ולהפוך אותם לפעולה עבור כל מי שצריך. האפשרויות אינסופיות. לווטסון יכולות ייחודיות לצרוך כמויות גדולות של נתונים מובנים ולא מובנים בשפות שונות, לפעול על פי הנתונים עם שלל שירותים קוגניטיביים, לייעל את החוויה עבור כל קהל, החל ממשתמשים עסקיים לצרכנים, ולספק שירותים אלה לאותן חברות אחרות להטמיע. בתוך היישומים שלהם.

יש כאן דוגמאות רבות. ראשית, "מנתח הטון ווטסון" מאפשר ניתוח תוכן לשוני שיכול לאתר ולהבין צלילים בשיחות ותקשורת על מנת להגיב כראוי. "תובנות אישיות ווטסון" מחלץ מאפייני אישיות על סמך האופן בו אדם כותב. "שיחת ווטסון" מאפשרת לך לפרוס סוכן בוט או וירטואלי על פני מכשירים, פלטפורמות העברת הודעות כמו Slack, או אפילו על רובוט.

ו- "ווטסון זיהוי חזותי" מבין את תוכן הדימויים. זה אחד האהובים עלי כי זה כל כך מגוון. אתה יכול להשתמש בזיהוי חזותי בכדי לאתר סוג מסוים של שמלה בחנות קמעונאית, לזהות פרי מפונק במלאי של חנות מכולת, לנתח את הנזק שנגרם לסופת ברד לגג של אחד מלקוחות הביטוח שלך, והרבה מעבר לכך.

PCMag: הדמוקרטיזציה של נתונים מתבצעת - או לפחות מתוכננת - ברוב הארגונים כיום. אך הצד הפוך - צרכנות נתונים - נמצא במגמת עלייה ככל שהצרכנים מקבלים יותר החלטות מונחות נתונים מדי יום. אילו תפקידים יכולים או ווטסון ומסחר קוגניטיבי למלא במגמת צריכת נתונים זו?

KH: זו נקודה נהדרת: נתונים לא משמשים רק כדי להביא ליותר החלטות עסקיות, אלא גם מניעות יותר החלטות צרכניות. בדומה לעסקים, הצרכנים רוצים שיותר נתונים יבצעו בחירות מושכלות יותר, אך הם לא רוצים לבזבז הרבה זמן ואנרגיה על מנת לנפות יותר נתונים. הם רוצים תוצאה מהירה ולדעת שזו ההחלטה האופטימלית על סמך מה שהם צריכים באותו רגע. לבסוף, הם רוצים לראות את הנתונים שהודיעו על אותה החלטה.

כמה דוגמאות: ראשית, 1-800- פרחים הציגו לאחרונה את "גווין" כבוט קונסיירז 'אישי כדי לסייע לקונים למצוא את המוצר הטוב ביותר על סמך הרגש וההעדפות האישיות של מקבל המתנה. באמצעות ווטסון Gwyn יכול ליצור קשר עם לקוחות מקוונים בשפה טבעית. לדוגמה, לקוח עשוי להקליד, "אני מחפש מתנה לאמא שלי", וגווין תוכל לפרש את השאלה הזו ואז לשאול מספר שאלות מתאימות לגבי האירוע והרגש כדי להבטיח שהיא מספקת מתאימה והצעת מתנה בהתאמה אישית לכל לקוח. זה מבצע התאמה אישית של הקטלוג, מראה פחות נתונים לקונה וממקד את האינטראקציה באופן ספציפי במה שהקונה רוצה להשיג באותו הרגע.

באופן דומה, The North Face מספק גישה אינטראקטיבית, מבוססת דיאלוג, כדי לסייע לקונים שלה. אתם בטח לא הייתם חושבים על ז'קטים כאל מוצר מסובך אבל הם כן. ישנם גורמים רבים כמו טווח מזג האוויר, רמת הפעילות והניידות אשר קונה לא יכול לקחת בחשבון בתחילה. באמצעות היכולות של ווטסון ליישם הנמקה לוגית וביכולתה להבין, לסווג ולהעריך את השפה הטבעית, מערכת North Face שואלת סדרה קצרה של שאלות זיקוק בכדי לספק המלצות מוצר ותוכן מותאמות התואמות את רצונותיו וההעדפותיו של הקונה. הוא גם מציין את הסיבה לכך שתכונות המוצר תואמות את אותם צרכים ספציפיים. זה חושף את הנתונים הדרושים כדי לאמת את ההמלצה.

האמונה האיתנה שלנו היא שלקוחות מצפים לרמה זו של שירות מותאם אישית ומותאם אישית בכל הערוצים. הם רוצים שהחוויה תהיה יותר שיחה, חוויה, כזו בה הם נשאלים "איך אני יכול לעזור לך היום?" זה כמו השירות שאתה מקבל כשאתה נכנס לחנות קמעונאית הידועה בשירות לקוחות נהדר. החברות שמצליחות לספק את חוויות המותג הטובות ביותר, בסופו של דבר יהיו אלו שתופסות את נתח השוק הרב ביותר.

PCMag: נראה כי אנו כבר מתקרבים במהירות ביום בו אפילו ניתוח נתונים בזמן אמת הוא מעט מדי, מאוחר מדי עבור מקרי שימוש מסוימים. בקרוב נצטרך ונצפה מעוזרים פרואקטיביים - או עוזרים וירטואליים - שלא רק מנבאים, אלא מצפים למעשה את מה שנצטרך או נרצה עוד לפני שנבקש זאת. אנו רואים נצנוצים מוקדמים מזה ב"עוזר פרואקטיבי "שהגיש גוגל לאחרונה. מה עושה IBM מבחינת ניתוח פרואקטיבי?

KH: זהו תחום שאליו יבמ הקדישה אנרגיה רבה. התמקדנו במתן יכולות קוגניטיביות העוזרות לעסקים לספק חוויות מעורבות לקוחות משמעותיות הן עבור תרחישי B2C והן עבור B2B. כבר דנו בכמה דוגמאות.

אני מאמין שעסקים רצו באופן היסטורי לקבל גישה לכמה שיותר נתונים רלוונטיים. עם פיצוץ הנתונים שהתרחש במהלך השנים האחרונות, כעת יש לנו המון נתונים. הבעיה כעת היא כיצד להפוך את כל הנתונים הללו לשימוש ללא הטיות. בנוסף, עלינו לאזן נתונים היסטוריים הכלולים, נניח, מערכת CRM עם המציאות של מה שקונה פוטנציאלי צריך כעת. איננו יכולים להסתנוור אך ורק מהדברים שמערכת CRM אומרת שהיא רכשה בעבר.

קוגניטיבי יכול לאפשר CRM חדש או לפחות להיות משתנה יעיל בהחלטה הכוללת. לחברות עשויות להיות אלפי נקודות נתונים על כל לקוח B2B או אפילו B2C בודד. אולם השקפה היסטורית זו צריכה לקחת בחשבון את מעט מאוד נקודות הנתונים שעשויות להיות החשובות ביותר ברגע בו הלקוח שוקל רכישה. זה עשוי לכלול משתנים כמו כוונה, רגשות, מגמות וגורמים חיצוניים אחרים.

על מנת לחזות את הפעולה הבאה הטובה ביותר, כל עסק צריך להעריך את דפוסי הקנייה של הלקוחות שלהם ולקבוע מתי המציאות הנוכחית או הצפויה של סביבתם גוברת על נתוני ה- CRM ההיסטוריים. זה החזון האנליטי הפרואקטיבי שאליו עובדת IBM.