Industriinnsikt: ai og fremtiden for netthandel

Kunstig intelligens (AI) pleide å være en frase som nesten utelukkende ble brukt i science fiction for å drive noe fra Armageddon-besatte superdatamaskiner til ulykkelige fabrikkroboter som ble gjort vakre av uekte lyner. Men i dag brukes AI til å beskrive nær fremtid for praktisk talt alle aspekter av virksomheten som utnytter en organisasjons data. Problemet er, lik de tidlige dagene med cloud computing, utviklere av AI-teknologi har en tendens til å definere den annerledes. Dette har gjort en forvirrende markedsføringsmasse fra AI, maskinlæring (ML), prediktiv analyse og til og med virtuelle assistenter.

I tillegg har nøyaktig hvordan disse teknologiene vil påvirke forskjellige aspekter av virksomheten blitt et vanskelig landskap å navigere. E-handel er et sentralt område der AI og den relaterte teknologien lenge har hatt innvirkning bak kulissene. I e-handel har smarte analyser gitt nye muligheter, fra personaliserte handleopplevelser til forutsigbar kundeatferdsanalyse. Vi snakket med Kris Hamrick, forretningsenhetslederen som har ansvaret for IBMs Watson Customer Engagement, for å fjerne noe av forvirringen rundt AI og e-handel. Vi diskuterte også hvordan Big Blue vil utnytte IBM Watson på e-handelsområdet.

PCMag: Takk for at du tok deg tid til å snakke med oss. For å starte med er det lett å forveksle personlig annonsering med "kognitiv handel" siden både involverer bruk av data og analyse for å matche tilbud til kundepreferanser og vaner. Det er også vanlig å forvirre kognitiv handel og virtualiserte assistenter som Amazons Alexa og Google Assistant. Hvordan ser IBM på forskjellene mellom disse AI-drevne konseptene?

Kris Hamrick (KH): Du har rett: Det er mye støy rundt AI på markedet. Når vi ser forbi hva teknologileverandørene har å si, må både B2C og B2B virksomheter reagere raskere på konkurransepressene. I mange tilfeller kommer faktisk konkurransen fra utenfor bransjen. Dette tvinger virksomheter til å finne ut hvordan de kan forbedre sin nåværende prosess eller revurdere dem.

La meg forklare hvordan IBM skiller AI fra kognitiv databehandling. AI er en datamaskines evne til å forstå og resonnere som et menneske. Kognitiv databehandling innebærer evnen til å forstå, resonnere, lære og samhandle, samle menneske og maskin slik at de lærer av hverandre og samhandler på en måte som er kraftigere når de kombineres.

Data baner vei for AI. Hva med alle de dataene utenfor en applikasjon, på tvers av forretningsenheter, eksterne kilder, mørke data og mer? Vi lever i en verden av forskjellige systemer som, når de kombineres, når tilkoblinger gjøres på tvers av data eller nye mønstre identifisert, kan gi verdien 1 + 1 = 3. Det som gjør Watson unik er tilgangen til alle disse forskjellige datakildene, kombinert med de kognitive evnene til å samhandle med mennesker, forstå forretningsspørsmål, oppdage årsaken bak handlingen og til slutt lære av den interaksjonen og bruke den læringen i fremtidige spørsmål.

Når det gjelder personalisering versus kognitiv handel, lar Watson brukere gå utover, for eksempel, kundeforholdsstyring-basert analyse for å få dypere innsikt og iverksette tiltak for mer informasjon, for eksempel mørke data som sosiale medier, chatterom, kundeservicetranskripsjoner og annet data som kan legges til moderne CRM-er. Ved hjelp av Watson kan kampanjer jobbe med mer detaljert informasjon og innsikt, optimalisere ting som priser, oppfyllelse, utførelse av forsendelse; forutse utfordringer før de skjer, og til slutt forbedre KPI-er. Dette forbedrer eksponentielt muligheten for brukere å samarbeide på tvers av funksjonelle områder og ha en bedre innvirkning på virksomheten med mindre krefter.

Bedrifter prøver å gjøre dette i dag med de ressursene de har. De har rapporter, mange regneark og mange møter om alle disse dataene og deres intuisjon. Men til slutt, i mange tilfeller, utføres de basert på en kognitiv skjevhet - noe som betyr at de filtrerer gjennom alle data og støy for å finne data som passer til måten ting har blitt gjort før. Effektivt er det skjevhet som former beslutningen, ikke data.

For å oppsummere, innenfor Watson Customer Engagement, legger vi inn kognitive evner i prosesser for å maksimere forretningsytelsen, forbedre beslutninger om merchandising / priser og optimalisere hele forsyningskjeden. Klienter har også tilgang til de samme Watson-applikasjonsprogrammeringsgrensesnittene direkte for å muliggjøre egne arveapplikasjoner og prosesser med kognitive evner. Det viktigste er at Watson overflater anomaliene, anbefaler handlinger og forklarer hvorfor .

PCMag: B2B-handel har uten tvil vært vanskeligere enn B2C når det gjelder automatisering og skalering av bud og priser, vilkår og transaksjoner. For eksempel, mens forbrukere handler for priser, vil bedrifter legge til harde prisforhandlinger og til og med forvente avtale-søtstoffer på toppen av prisshopping. Hvordan er kognitiv handel eller kognitiv databehandling klar til å endre hvordan B2B-avtaler gjøres? Og hvordan vil det inneholde kostnader for kjøpere og forbedre fortjeneste for selgere?

KH: B2B-handel er et flott eksempel på hvordan bedriften lærer å utnytte noen av de fantastiske revolusjonene som skjer i B2C-verdenen for å maksimere fortjenesten og gi bedre kunde- og partnerhandelsopplevelser. Virksomheter som selger til små og mellomstore bedrifter har noen av de samme utfordringene som deres detaljhandelspartnere har, inkludert marginalerosjon, kanalkonflikter, kundetilfredshet, "Amazon-effekten" (via Amazon Business), slik at kundene kan velge den ønskede kjøpsveien, slik at selgerne til å fokusere på de riktige mulighetene ved å tilby en transaksjonskanal og lignende.

Det første trinnet er å gi dine partnere og kunder en bedre totalopplevelse enn konkurransen og høye nivåer av kundeservice som folk forventer i dag. Hvis jeg er din kunde, betyr dette at du må kjenne til de forhandlede prisbetingelsene mine, kjøpshistorikken min, vise meg produktene eller tilbudene som er relevante for min virksomhet, og la meg konsumere disse produktene og tjenestene hos en kunde- vennlig løsning. Kognitive evner kan og bør veves gjennom hele verdikjeden for å nå disse målene.

I dag ser vi at dette skjer i mange bransjer. For å ta det et skritt videre, ta spørsmålet utover bare en "transaksjon" og begynn å vurdere hva B2B betyr i en rekke bransjer og hvordan de betjener kundene sine.

For eksempel kan ledende produsenter forutse værmønstre for å unngå forstyrrelser i forsyningskjeden og mangel på lager under en produktlansering. En av våre kunder, Kone, bruker IoT-data fra heiser for å forutse slitasje og prioritere vedlikehold før et servicestopp. På det medisinske området bruker Quest Diagnostics Watson for å analysere biopsien til en persons tumor og sammenligne DNA-sekvenseringen til millioner sider med medisinske tidsskrifter, forskningsartikler og kliniske studier for å gi en onkolog den beste behandlingsanbefalingen for den aktuelle pasienten..

Disse eksemplene er åpenbart vidt forskjellige, men det understreker bare at mulighetene er uendelige. Vi er først på begynnelsen av den kognitive reisen. Vi begynner bare å oppdage de mange måtene denne teknologien kan bidra til å forbedre forholdet mellom bedrifter og deres kunder.

PCMag: Digital transformasjon skjer i et hektisk tempo overalt og skaper langt mer data enn vi noen gang har sett. Men dataforskere mener - og IBM ser ut til å stemme - at data ikke skal eksistere isolert, siden verdien i stor grad ligger i å legge til meningsfylt dybde og kontekst til komplekse spørsmål. Hvorfor er Watson unikt egnet til å jobbe med forskjellige data og kompliserte spørsmål?

KH: Som vi diskutert tidligere, er 88 prosent av all data effektivt mørk. Betydning, data som inneholder den innsikten vi alle streber etter å finne, er ikke i datakilder som er enkle å fordøye eller filtrere. Videre er dataforskere dyre ressurser og skalerer ikke lett læring over en hel virksomhet eller ned til mindre selskaper.

Med Watson er målet å ta disse mørke dataene og gjøre dem handlingsdyktige for den som trenger det. Mulighetene er endeløse. Watson har unike evner til å konsumere store mengder strukturerte og ustrukturerte data på forskjellige språk, handle på dataene med et mangfold av kognitive tjenester, optimalisere opplevelsen for alle publikum fra forretningsbrukere til forbrukere, og tilby disse samme tjenestene for andre selskaper å legge inn innen deres søknader.

Her er det mange eksempler. For det første muliggjør "Watson Tone Analyzer" en språklig innholdsanalyse som kan oppdage og forstå toner i samtaler og kommunikasjoner for å kunne svare riktig. "Watson Personality Insights" trekker ut personlighetskarakteristikker basert på hvordan en person skriver. "Watson Conversation" lar deg distribuere en bot eller virtuell agent på tvers av enheter, meldingsplattformer som Slack, eller til og med på en robot.

Og "Watson Visual Recognition" forstår innholdet i bilder. Det er en av favorittene mine fordi den er så allsidig. Du kan bruke Visual Recognition for å oppdage en bestemt type kjole i en butikk, identifisere bortskjemt frukt i en dagligvarebutikks inventar, analysere skadene en haglorm gjorde på taket til en av dine forsikringskunder, og så mye mer.

PCMag: Demokratisering av data pågår - eller i det minste planlagt - i de fleste organisasjoner i dag. Men baksiden - forbrukeravgift av data - trender også oppover ettersom forbrukere tar flere datadrevne beslutninger hver dag. Hvilke roller spiller eller kan Watson og kognitiv handel spille i denne datakonsumiseringstrenden?

KH: Det er et flott poeng: Data brukes ikke bare for å drive flere forretningsavgjørelser, men fører også til flere forbrukervedtak. I likhet med bedrifter ønsker forbrukere mer data for å ta mer informerte valg, men de ønsker ikke å bruke mye tid og energi på å sile gjennom mer data. De vil ha et raskt resultat og å vite at det er den optimale beslutningen basert på hva de trenger i det øyeblikket. Til slutt ønsker de synlighet i hvilke data som informerte om beslutningen.

Et par eksempler: For det første introduserte 1-800-Flowers nylig "Gwyn" som en personlig concierge-bot for å hjelpe kjøpere med å finne det beste produktet basert på stemningen og personlige preferanser til gavemottakeren . Ved hjelp av Watson kan Gwyn samhandle med nettkunder ved å bruke naturlig språk. For eksempel kan en kunde skrive, "Jeg leter etter en gave til min mor, " og Gwyn vil kunne tolke det spørsmålet, og deretter stille en rekke kvalifiserende spørsmål om anledningen og stemningen for å sikre at hun gir et passende og skreddersydd gaveforslag til hver kunde. Dette tilpasser katalogen, viser mindre data til shopperen, og fokuserer samhandlingen spesielt på hva shopperen ønsker å oppnå i det øyeblikket.

Tilsvarende gir The North Face en interaktiv, dialogbasert tilnærming for å hjelpe sine kunder. Du vil sannsynligvis ikke tenke på jakker som et komplisert produkt, men de er det. Det er mange faktorer som værområdet, aktivitetsnivået og bevegeligheten som en kjøper kanskje ikke vurderer i utgangspunktet. Ved å bruke Watsons evner til å anvende logiske resonnementer og dens evne til å forstå, kategorisere og evaluere naturlig språk, stiller North Face-systemet en kort serie med raffinerende spørsmål for å levere skreddersydde produkt- og innholdsanbefalinger som samsvarer med kundens artikulerte ønsker og preferanser. Den angir også grunnen til at produktfunksjonene samsvarer med de spesifikke behovene. Dette avslører dataene du trenger for å validere anbefalingen.

Det er vår faste tro at kunder forventer dette nivået av tilpasset, personlig service på tvers av alle kanaler. De vil at opplevelsen skal være mer av en samtale, en opplevelse, der de blir spurt "Hvordan kan jeg hjelpe deg i dag?" Dette er som tjenesten du får når du kommer inn i en butikk kjent for god kundeservice. Bedriftene som er i stand til å gi de beste merkeopplevelsene, vil til syvende og sist være de som fanger mest markedsandel.

PCMag: Det ser ut til at vi allerede raskt nærmer oss en dag der til og med sanntidsdataanalyse er for lite, for sent for noen brukstilfeller. Vi vil snart trenge og forvente proaktive assistenter - eller virtuelle assistenter - som ikke bare forutsier, men faktisk forutser hva vi trenger eller ønsker, selv før vi ber om det. Vi ser tidlig glimt av det i Googles nylig annonserte "Proactive Assistant." Hva gjør IBM med tanke på proaktiv analyse?

KH: Dette er et område som IBM har brukt mye energi på. Vi har vært fokusert på å tilby kognitive evner som hjelper bedrifter med å levere meningsfulle opplevelser fra kunderengasjement for både B2C og B2B-scenarier. Vi har allerede diskutert flere eksempler.

Jeg tror at virksomheter historisk sett har ønsket å få tilgang til så mye relevant data som mulig. Med dataeksplosjonen som har skjedd de siste årene, har vi mange data. Problemet nå er hvordan du gjør alle disse dataene brukbare uten skjevheter. I tillegg må vi balansere historiske data i, la oss si, et CRM-system med realitetene til hva en potensiell kjøper trenger nå. Vi kan ikke blendes bare av det CRM-systemet forteller at hun har kjøpt før.

Kognitiv kan aktivere en ny CRM eller i det minste være en effektiv variabel i den samlede beslutningen. Bedrifter kan ha tusenvis av datapunkter på en enkelt B2B- eller til og med B2C-kunde. Men dette historiske synspunktet må ta hensyn til de svært få datapunkter som kan være viktigst i det øyeblikket kunden vurderer et kjøp. Dette kan omfatte variabler som intensjon, følelser, trender og andre eksterne faktorer.

For å forutsi den nest beste handlingen, må hver virksomhet vurdere kundenes kjøpsmønstre og bestemme når de nåværende eller forutsigbare realitetene i miljøet deres trumfer de historiske CRM-dataene. Det er den proaktive analytiske visjonen som IBM jobber mot.