Как AIoT трансформирует ритейл: умные магазины, лучший сервис и оптимизированные цепочки поставок

Ритейл-сектор не был иммунен к пролиферации IoT-устройств и сенсоров по магазинам, каналам клиентского сервиса, складам и цепочкам поставок. Сейчас ритейлеры накладывают Искусственный Интеллект для лучшего использования этих данных.

Как таковое, искусственный интеллект вещей (AIoT) возникает как ключевой для ритейлеров. Почему? Сочетание ИИ с данными от IoT-устройств помогает ритейлерам переосмыслить in-store опыт, улучшить доставку сервиса и поддерживать видимость продукта на каждом операционном уровне.

В тематическом отчете Global Data IoT в ритейле и одежде, растущая интеграция ИИ в IoT-продукты и сервисы в ритейле неизбежна и уже происходит: «Ключевые слои в цепочке ценности IoT — физический, связность, данные, приложения и сервисы. Пока эти слои логически дискретны, large-scale IoT решения видят значительное размывание этих логических границ.

Например, пока будет продолжать быть явно идентифицируемым data слоем к вершине стека, растущая доля обработки данных происходит внутри и на периферии сети. Ускоренная разработка генеративного ИИ, особенно ChatGPT, повысила релевантность ИИ по всем слоям IoT. Следовательно, растущее число IoT-продуктов и сервисов включают ИИ в свои возможности, особенно через customer-driven интерфейсы.

Event selection производит результаты и решения в реальном времени

Тонкая маршрутизация через event streaming позволяет системам быть более селективными в том, что анализируется ИИ, так что это может быть и дешевле, и более реактивным к событиям. Событие представляет изменение состояния или обновление, такое как товар, помещенный в корзину покупок, заявка на карту лояльности, поданная, или заказ, ставший готовым к отгрузке.

События «публикуются» с топиком, указывающим, о чем они, и системы могут «подписаться» на получение всех событий с релевантными топиками. ИИ-системы получают события для производства результатов в реальном времени, позволяющих автоматически запускать решения/действия в реальном времени, но этот data feed также предоставляет поток для постоянного обучения, либо путем ingestion в векторную базу данных, либо путем fine-tuning самой модели.

Завоевывайте стейкхолдеров с интеллектуальными сценариями использования

Много ранних применений ИИ в ритейле, вероятно, сфокусируются на генеративном ИИ (Gen-AI) и Large Language Models (LLM). Эти могут использоваться для прямых взаимодействий с клиентами через приложения магазинов, omnichannel клиентские сервис-взаимодействия и даже для помощи работникам на складе.

Но одна из крупнейших проблем с сегодняшним LLM-ориентированным ИИ — что он относительно дорог и медленный. Просто fire-hosing IoT данных в LLM для обработки быстро станет неуправляемым и очень дорогим. Крупнейшие выгоды от конвергенции ИИ и IoT в ритейле будут реализованы ритейл-организациями, идентифицирующими интеллектуальные сценарии использования для доставки выгод клиентам, сотрудникам и бизнесу в целом.

… и позвольте выгодам говорить за себя

Event-enabling IoT стримов может предоставлять выгоды ритейл-клиентам и сотрудникам in-store, через каналы клиентского сервиса и даже на складах.

Вот три сценария использования, где конвергенция ИИ и IoT в ритейле, подкрепленная event streaming, может сделать реальную разницу.

1) Введение подключенного фабричного работника

Начиная со склада, ИИ может помочь в exception handling для фабричных работников. Большинство ритейлеров сейчас используют какой-то вид мобильного или планшетного устройства в складских операциях, и эти поддерживаются IoT-устройствами на полу для мониторинга запасов и других inventory-связанных задач.

Все это обеспечивает множество потенциальных выгод, из которых ИИ может извлечь новые инсайты и адресовать потенциальные проблемы. Например, Gen-AI решение могло бы предоставить всем работникам экстремально легкий способ репортить проблемы, инциденты/near misses или мысли по эффективности. Это качественная информация, но LLM-ориентированный ИИ может затем ревьюить, сортировать, группировать и предоставлять курированные советы менеджменту.

Экстренный отклик в реальном времени для поддержания операций безопасными

В экстренной ситуации, например, есть также потенциал значительно увеличить скорость, с которой организации могут реагировать в реальном времени на складе или заводском полу. Имея event-driven систему для доставки информации и ИИ для транскрибации, анализа и затем постановки перед релевантным человеком как можно скорее могло бы улучшить безопасность, время и деньги на заводском полу.

Здесь event mesh может связать много ИИ-агентов, каждый адаптированный к специфическому набору событий. Это может быть так же просто, как подписаться на все события, содержащие raw audio, и использовать speech-to-text модель для создания транскрипции, которая затем публикуется обратно в mesh. Все эти компоненты коммуницируют асинхронно через event mesh, используя guaranteed messaging для обеспечения того, что никакие события не могут быть потеряны в транзите и они доставляются к соответствующему человеку или устройству для запуска экстренного отклика.

2) Лучше понимайте предпочтения клиентов для кастомизации шоппинг-опыта

AIoT позволяет ритейлерам интеллектуально использовать преимущества in-store и клиентских данных для предложения высоко кастомизированных шоппинг-опытов. Используя ИИ для анализа клиентских данных от IoT-устройств, ритейлеры могут адаптировать продуктовые рекомендации, предложения и даже in-store опыт к индивидуальным предпочтениям. Возьмите экземпляр предоставления in-store клиентского сервис-ассистента, который знает, где клиент, и, что важнее, где все остальное расположено.

Например, клиент мог сказать магазинскому приложению, что они хотят построить забор. Им больше не нужно ждать представителя строительного магазина, чтобы советовать им, где продукт, который им нужен, и какой они должны использовать. Вместо этого, ИИ-ассистент бы использовал store-специфичную информацию для предоставления ответа, адаптированного к потребностям каждого клиента. Он бы пошел к своим базам данных, ответил на запрос интеллектуально и сказал, OK, теперь, когда мы выяснили, какие материалы вам нужны, давайте пройдемся по магазину и найдем их.

Максимизация front-end клиентского опыта требует back-end движения данных

Быть способным действовать на эти запросы быстро, точно и эффективно означает event-enabling всей информации о запасах и ИИ-обработки. Клиенты должны знать в реальном времени, доступны ли материалы, которые они требуют, и это также потребует контекстуального использования сенсоров in-store для направления их к зоне магазина для поиска их товаров.

Event-driven подход к интеграции и этого device данных и ИИ-обработки использовал бы event mesh — сеть взаимосвязанных event брокеров, обеспечивающую распределение информации о событиях среди приложений, облачных сервисов и устройств — для обеспечения real-time обработки и предиктивных инсайтов. После покупки события могли бы также включать back-end документацию и инструкции, объясняющие клиенту, как построить их требуемый проект, когда они придут домой.

3) Надежный Copilot-агент возникает в контакт-центре

Современные клиентские контакт-центры теперь приходят с ИИ copilot, разработанным для лучшего клиентского сервиса. Microsoft Copilot, например, теперь неотъемлема с Microsoft 365 и расширяет существующие каналы контакт-центра с генеративным ИИ для улучшения сервис-опыта и повышения продуктивности агентов.

ИИ может помочь с обработкой записанных или real-time звонков в клиентский сервис для подсветки любых серьезных проблем, требующих экстренной помощи. Обратите внимание, что это не ИИ, берущий место клиентского поддержки, а реагирующий на проблемы, возникшие в human-to-human звонке, для предоставления real-time контекста о клиенте и проблеме, которую они имеют.

Event-enabled ИИ для дальнейшего добавления контекста для клиентских сервис-репров

Event-enabling этот ИИ copilot и связывая его с многочисленными точками данных через процесс клиентского сервиса (CRM данные для истории клиента, тип устройства/канала, через который они коммуницируют, клиентские сервис-скрипты/протоколы и BI-репортинг), организации могут доставлять новые уровни real-time инсайтов клиентскому сервис-репру.

ИИ-агенты могут подписаться на узкий набор событий, предоставить prompt template специфичный для этой подписки, и затем использовать LLM для улучшения события с дополнительной информацией. Например, выполнение sentiment analysis на пользовательских взаимодействиях для выявления клиентов с проблемами, требующими маршрутизации к эксперту, клиента, готового к апсейлу, или синтезирования новых событий на основе комбинации накопленных данных.

Connected commerce создает более умное будущее ритейла

Комбинация ИИ и IoT в ритейл-индустрии представляет трансформационный сдвиг в том, как ритейлеры могут использовать технологии и данные в их распоряжении. Event-driven стратегия является критическим компонентом в этом процессе и поможет ритейл-организациям улучшить клиентские опыты, упростить операции и уполномочить сотрудников от заводского пола до in-store и контакт-центра.