Video: E-ticaret Hakkında Bilinmesi Gereken 5 Altın Kural (Kasım 2024)
Yapay zeka (AI), neredeyse yalnızca bilim kurgularında, Armageddon takıntılı süper bilgisayarlardan, yıldırımların cıvataları tarafından hissedilir olan değersiz fabrika robotlarına kadar her şeyi güçlendirme amacıyla kullanılan bir tabirdi. Ancak bugün, AI, bir kuruluşun verilerini kullanan işin neredeyse her yönünün yakın geleceğini tanımlamak için kullanılır. Sorun, bulut bilişimin ilk günlerine benzer şekilde, AI teknolojisinin geliştiricilerinin her birinin onu farklı şekilde tanımlamasıdır. Bu, AI, makine öğrenmesi (ML), tahmine dayalı analitik ve hatta sanal asistanların kafasını karıştıran bir pazarlama kargaşası yarattı.
Ek olarak, bu teknolojilerin işin farklı yönlerini tam olarak nasıl etkileyeceği, gezinmesi zor bir manzara haline geldi. E-ticaret, AI ve ilgili teknolojilerinin sahne arkasında uzun süre etkili olduğu önemli bir alandır. E-ticarette akıllı analizler, kişiselleştirilmiş alışveriş deneyimlerinden öngörücü müşteri davranış analizine kadar yeni yetenekler sunuyor. AI ve e-ticareti çevreleyen karmaşayı gidermek için IBM'in Watson Müşteri İlişkilerinden sorumlu İşletme Birimi yöneticisi Kris Hamrick ile konuştuk. Ayrıca Big Blue'nun e-ticaret alanındaki IBM Watson'ı nasıl kullanacağını tartıştık.
PCMag: Bizimle konuşmaya zaman ayırdığınız için teşekkür ederiz. Başlamak için, kişiselleştirilmiş reklamcılığı "bilişsel ticaret" ile karıştırmak kolaydır çünkü her ikisi de teklifleri müşteri tercihleri ve alışkanlıklarıyla eşleştirmek için veri ve analitik kullanmayı içerir. Ayrıca, bilişsel ticaret ile Amazon'un Alexa ve Google Asistanı gibi sanallaştırılmış asistanları karıştırmak da yaygındır. IBM, bu AI odaklı konseptler arasındaki farkları nasıl görüyor?
IBM'in AI'yı bilişsel hesaplamalardan nasıl ayırt ettiğini açıklayayım. AI, bir bilgisayarın bir insan gibi anlama ve akıl yürütme yeteneğidir. Bilişsel hesaplama, insan ve makineyi bir araya getirme, birbirlerinden öğrenmeleri ve bir araya geldiklerinde daha güçlü bir şekilde etkileşime girmeleri için anlama, akıl yürütme, öğrenme ve etkileşime girme yeteneğini içerir.
Veri AI için yol açar. Bir uygulama dışındaki, işletme birimleri, dış kaynaklar, karanlık veriler ve diğerleri arasındaki tüm veriler ne durumda? Birleştirildiğinde, veriler arasında bağlantılar yapıldığında veya tanımlanan yeni kalıplarla, 1 + 1 = 3 değerini sağlayabilen farklı sistemler dünyasında yaşıyoruz. Watson'ı benzersiz yapan, tüm bu farklı veri kaynaklarına erişim, insanlarla etkileşimde bulunma, işle ilgili soruları anlama, eylemin arkasındaki nedeni keşfetme ve nihayetinde bu etkileşimi öğrenmek ve bu öğrenmeyi gelecekteki sorgularda kullanmaktır.
Kişiselleştirmeye karşı bilişsel ticarete gelince, Watson, kullanıcıların, daha derin bilgiler edinmeleri ve sosyal medya, sohbet odaları, müşteri hizmetleri transkriptleri ve diğer karanlık veriler gibi daha fazla bilgi üzerinde harekete geçmeleri için müşteri ilişkileri yönetimi temelli analitiklerin ötesine geçmelerini sağlar. Modern CRM'lere eklenebilecek veriler. Watson kullanarak, kampanyalar daha ayrıntılı bilgi ve öngörülerden faydalanabilir, fiyatlandırma, yerine getirme, nakliye işlemi gibi şeyleri optimize edebilir; gerçekleşmeden önce zorlukları tahmin et ve sonuçta KPI’ları iyileştir. Bu, üstel olarak, kullanıcıların işlevsel alanlarda birlikte çalışmalarını ve daha az çabayla iş üzerinde daha iyi bir etkiye sahip olma yeteneklerini geliştirir.
İşletmeler bugün sahip oldukları kaynaklarla bunu yapmaya çalışıyor. Raporları, çok sayıda e-tabloları ve tüm bu veriler ve sezgileri hakkında birçok toplantıları var. Ancak, sonuçta, çoğu durumda, bilişsel bir önyargıya dayanarak yürütürler; bu, işlerin daha önce yapıldığı şekilde uygun verileri bulmak için tüm verileri ve gürültüyü filtrelemek anlamına gelir. Etkili, bu, veriyi değil kararı şekillendiren bir önyargı.
Özetlemek gerekirse, Watson Customer Engagement bünyesinde, iş performansını en üst düzeye çıkarmak, satış / fiyatlandırma kararlarını iyileştirmek ve tüm tedarik zincirini optimize etmek için bilişsel yetenekleri süreçlere dahil ediyoruz. Müşteriler aynı zamanda kendi eski uygulamalarını ve bilişsel yetenekleri olan süreçleri etkinleştirmek için aynı Watson uygulama programlama arayüzlerine doğrudan erişebilirler. En önemlisi, Watson anomalileri ortaya çıkarır, eylemleri önerir ve nedenini açıklar.
PCMag: B2B ticareti, tekliflerin ve fiyatlandırmaların, şartların ve işlemlerin otomatikleştirilmesi ve ölçeklendirilmesi açısından B2C'den daha zorlu olduğu düşüncesindedir. Örneğin, tüketiciler fiyatlar için alışveriş yaparken, işletmeler sert fiyatlandırma pazarlıkları ekleyecek ve hatta fiyat alışverişi üzerine anlaşma tatlandırıcıları bekleyecektir. Bilişsel ticaret veya bilişsel bilgi işlem, B2B anlaşmalarının nasıl yapıldığını değiştirmeye nasıl hazırlanıyor? Peki bu, alıcılar için maliyetleri nasıl içerecek ve satıcılar için karı nasıl artıracak?
KH: B2B ticareti, karı maksimize etmek ve daha iyi müşteri ve iş ortağı ticareti deneyimleri sağlamak için kuruluşun B2C dünyasında gerçekleşen bazı şaşırtıcı devrimlerden nasıl yararlanacağını öğrenmeye harika bir örnektir. Küçük ve orta ölçekli işletmelere satış yapan işletmeler, marj erozyonu, kanal ihtilafları, müşteri memnuniyeti, "Amazon etkisi" (Amazon Business aracılığıyla) gibi müşterilerin istedikleri satın alma yolunu seçmelerine izin vermek de dahil olmak üzere perakende satış meslektaşlarının sahip olduğu zorlukların bazılarına sahiptir. satış insanlarına, işlem kanalı ve benzerlerini sağlayarak doğru fırsatlara odaklanmaları.
İlk adım, ortaklarınıza ve müşterilerinize rekabetinizden ve insanların bu gün ve yaşta beklediği yüksek müşteri hizmetleri seviyesinden daha iyi bir genel deneyim sunmaktır. Müşteriniz iseniz, bu, pazarlık yaptığım fiyatlandırma şartlarını, satın alma geçmişimi bilmemiz, bana işimle ilgili ürünleri veya teklifleri göstermem ve bu ürünleri ve hizmetleri bir müşteride tüketmeme izin vermeniz gerektiği anlamına gelir. dostça bir çözüm. Bilişsel yetenekler, bu hedeflere ulaşmak için tüm değer zinciri boyunca dokunabilir ve dokunmalıdır.
Bugün, bunun birçok endüstride gerçekleştiğini görüyoruz. Bir adım daha ileri gitmek için, soruyu sadece bir "işlem" in ötesine geçin ve B2B'nin çeşitli sektörlerde ne anlama geldiğini ve müşterilerine nasıl hizmet ettiklerini düşünmeye başlayın.
Örneğin, önde gelen üreticiler, bir ürün lansmanı sırasında tedarik zinciri bozulmalarını ve stok sıkıntısını önlemek için hava koşullarını tahmin edebilir. Müşterilerimizden biri olan Kone, servis kesintisinden önce yıpranmayı ve aşınmayı öngörmek için asansörlerden IoT verileri kullanıyor. Tıp alanında Quest Diagnostics, bir bireyin tümörünün biyopsisini analiz etmek ve DNA sekansını milyonlarca sayfadaki tıbbi dergi, araştırma makaleleri ve belirli bir hasta için en iyi tedavi önerisine sahip bir onkolog sağlamak için klinik denemelerle karşılaştırmak için kullanıyor. .
Bu örnekler açıkça geniş ölçüde farklıdır ancak bu sadece olasılıkların sonsuz olduğunu vurgulamaktadır. Biz sadece bilişsel yolculuğun başlangıcındayız. Bu teknolojinin, işletmeler ve müşterileri arasındaki ilişkileri geliştirmeye yardımcı olabilecek birçok yolunu keşfetmeye yeni başlıyoruz.
PCMag: Dijital dönüşüm her yerde çılgınca bir hızda gerçekleşiyor ve gördüğümüzden çok daha fazla veri oluşturuyor. Ancak veri bilimcileri - ve IBM'in hemfikir olduğu görülüyor - verinin büyük ölçüde karmaşık sorgulara anlamlı derinlik ve içerik katmakta yattığı için, verilerin izolasyonda olmaması gerektiğine inanıyor. Watson neden farklı verilerle ve karmaşık sorgularla çalışmak için benzersiz olarak uygun?
KH: Daha önce tartıştığımız gibi, tüm verilerin yüzde 88'i etkili bir şekilde karanlık. Yani, hepimiz bulmaya çalıştığımız bilgileri içeren veriler, sindirimi veya filtrelenmesi kolay veri kaynaklarında değildir. Dahası, veri bilimcileri pahalı kaynaklardır ve öğrenmelerini kolay bir şekilde tüm bir işletme veya daha küçük şirketlere göre ölçeklendirmezler.
Watson ile amaç, bu karanlık veriyi almak ve ihtiyacı olan kişi için eyleme geçirilebilir hale getirmek. İmkanlar sonsuzdur. Watson, farklı dillerde çok sayıda yapılandırılmış ve yapılandırılmamış veri tüketme, çok sayıda bilişsel hizmetle verilere göre hareket etme, iş kullanıcılarından tüketicilere kadar herhangi bir kitleye yönelik deneyimi optimize etme ve diğer şirketlere yerleştirmeleri için aynı hizmetleri sağlama becerisine sahiptir. uygulamaları içinde.
Burada birçok örnek var. Birincisi, "Watson Tone Analyzer", uygun şekilde yanıt verebilmek için konuşmalardaki ve iletişimdeki sesleri algılayan ve anlayabilen dilsel bir içerik analizini mümkün kılar. "Watson Personality Insights", bir kişinin nasıl yazdığına bağlı olarak kişilik özelliklerini gösterir. "Watson Conversation", bir bot veya sanal aracı cihazlara, Slack gibi mesajlaşma platformlarına ve hatta bir robota dağıtmanıza olanak tanır.
Ve "Watson Visual Recognition" görüntülerin içeriğini anlıyor. Bu benim favorilerimden biri çünkü çok yönlü. Bir perakende mağazasında belirli bir elbise türünü tespit etmek, bir bakkalın envanterinde şımarık meyveleri tespit etmek, dolu bir fırtınanın sigorta müşterilerinizden birinin çatısına verdiği hasarı analiz etmek için Görsel Tanıma'yı kullanabilirsiniz.
PCMag: Günümüzde çoğu kurumda verilerin demokratikleşmesi devam ediyor - ya da en azından planlı -. Ancak, veri her zaman daha fazla veriye dayalı kararlar aldıkça, veri-tüketicinin tüketicileşmesi-aynı zamanda yükselişe geçiyor. Watson ve bilişsel ticaret bu veri tüketicileşme eğiliminde ne gibi roller üstlenebilir?
KH: Bu harika bir nokta: Veriler sadece daha fazla iş kararını almak için kullanılmıyor, aynı zamanda daha fazla tüketici kararları da veriyor. İşletmeler gibi, tüketiciler daha bilinçli seçimler yapmak için daha fazla veri ister, ancak daha fazla veriyi elemek için çok fazla zaman ve enerji harcamak istemezler. Hızlı bir sonuç istiyorlar ve o anda ihtiyaç duydukları şeye dayanarak en uygun karar olduğunu bilmek istiyorlar. Son olarak, bu kararı hangi verilere bildirdiğine dair görünürlük isterler.
Birkaç örnek: İlk olarak, 1-800-Flowers geçenlerde, hediye alıcısının duygularına ve kişisel tercihlerine dayanarak en iyi ürünü bulmalarında alışveriş yapanlara yardımcı olmak için kişisel bir konsiyerj botu olarak "Gwyn" i tanıttı. Watson kullanarak, Gwyn doğal dili kullanarak çevrimiçi müşterilerle etkileşime girebilir. Örneğin, bir müşteri "Annem için bir hediye arıyorum" yazabilir ve Gwyn bu soruyu yorumlayabilecek ve uygun bir durum sağladığından emin olmak için fırsat ve duygular hakkında bir dizi nitelikli soru sorabilecek ve her müşteriye özel hediye önerisi. Bu, kataloğu kişiselleştirir, alışverişçiye daha az veri gösterir ve etkileşimi müşterinin o anda ne yapmak istediğine odaklar.
Benzer şekilde, Kuzey Yüz, müşterilere yardımcı olmak için etkileşimli, diyalog bazlı bir yaklaşım sunmaktadır. Muhtemelen ceketlerin karmaşık bir ürün olduğunu düşünmezsiniz ama onlar. Bir müşterinin başlangıçta dikkate almadığı hava durumu, faaliyet düzeyi ve hareketlilik gibi birçok faktör vardır. Watson'un mantıksal akıl yürütme yeteneklerini ve doğal dili anlama, kategorilere ayırma ve değerlendirme yeteneğini kullanma becerisini kullanan North Face sistemi, müşterinin ifade ettiği arzu ve tercihlerine uygun özel ürün ve içerik önerileri sunmak için kısa bir dizi hassaslaştırma sorusu sorar. Ayrıca, ürün özelliklerinin bu özel ihtiyaçlarla eşleşmesinin nedenini de belirtir. Bu, öneriyi doğrulamak için ihtiyaç duyduğunuz verileri gösterir.
Müşterilerimizin tüm kanallarda bu seviyede kişiselleştirilmiş, kişiselleştirilmiş hizmet beklediğine inanıyoruz. Tecrübenin daha fazla sohbet, tecrübe, “Size nasıl yardımcı olabilirim?” Diye sordukları bir deneyim olmasını isterler. Bu, mükemmel müşteri hizmeti için bilinen bir perakende satış mağazasına girdiğinizde aldığınız hizmet gibidir. En iyi marka deneyimlerini sağlayabilen şirketler, sonuçta en fazla pazar payını yakalayanlar olacaktır.
PCMag: Gerçek zamanlı veri analizinin bile çok az olduğu, bazı kullanım durumları için çok geç olduğu bir güne hızla yaklaşıyoruz. Yakında, sadece tahmin etmeyen proaktif asistanlara ya da sanal asistanlara ihtiyaç duyacağız ve bekleyeceğiz, ancak sormadan önce bile neye ihtiyaç duyacağımızı ya da ne isteyeceğimizi tahmin edeceğiz. Google’ın son zamanlarda duyurduğu “Proaktif Asistan” da bunun erken zamanlarını görüyoruz. IBM, proaktif analitik açısından ne yapıyor?
KH: Bu, IBM'in çok fazla enerji harcadığı bir alan. İşletmelerin hem B2C hem de B2B senaryoları için anlamlı müşteri katılımı deneyimleri sunmasına yardımcı olan bilişsel yetenekler sağlamaya odaklandık. Şimdiden birkaç örnek tartıştık.
İşletmelerin tarihsel olarak mümkün olduğunca ilgili verilere erişmek istediklerini düşünüyorum. Son birkaç yılda meydana gelen veri patlaması ile, şimdi çok fazla veriye sahibiz. Şimdi sorun, tüm bu verilerin önyargısız kullanılabilir hale getirilmesidir. Ayrıca, bir CRM sisteminde bulunan geçmiş verileri, potansiyel bir alıcının şimdi ihtiyaç duyduğu şeylerin gerçekleriyle dengelemek zorundayız. Sadece CRM sisteminin daha önce satın aldığı şeyi söylediklerinden dolayı kör olamayız.
Bilişsel yeni bir CRM sağlayabilir veya en azından genel kararda etkili bir değişken olabilir. Şirketler tek bir B2B'de hatta B2C müşterisinde binlerce veri noktasına sahip olabilir. Ancak bu tarihsel görüşün, müşterinin bir satın alma yapmayı düşündüğü anda en önemli olabilecek çok az veri noktasını dikkate alması gerekir. Bu, niyet, duygular, eğilimler ve diğer dış faktörler gibi değişkenleri içerebilir.
Bir sonraki en iyi eylemi tahmin etmek için, her işletmenin müşterilerinin satın alma alışkanlıklarını değerlendirmesi ve ortamlarının mevcut veya öngörülebilir gerçekliklerinin tarihsel CRM verilerini ne zaman attığını belirlemesi gerekir. IBM'in çalıştığı proaktif analitik vizyonu budur.
