Alcune tecnologie chiave stanno portando le aziende che investono nel retail al livello successivo della vendita al dettaglio.
Alimentate da l’entusiasmo per la computer vision, il machine learning e dall’Intelligenza Artificiale (AI) le piattaforme per l’omnicanalità si stanno rapidamente evolvendo e oggi la vendita al dettaglio si trova di fronte non solo a un grande potenziale di miglioramento incentrato su un’eccellente esperienza del cliente, quanto ad una scelta potenzialmente esiziale: partecipare a questo cambiamento proattivamente o arroccarsi in una strategia difensiva incentrata sul contenimento dei danni a breve termine.
La vendita al dettaglio in ambito consumer non può prescindere dalla capacità di evolversi, adattarsi e trasformarsi. Molti dei migliori rivenditori hanno effettuato transizioni nei processi e nelle operazioni aziendali per garantire esperienze del cliente seamless.
Le tecnologie sono state implementate nei negozi fisici per offrire i vantaggi di acquisti online.
Le tecnologie al dettaglio giocano un ruolo fondamentale nella trasformazione dei processi di vendita al dettaglio frammentati in operazioni omnicanale perfettamente integrate. Questo articolo discute brevemente e in forma didascalica il ruolo della computer vision applicata al machine learning in questo nuovo panorama della vendita al dettaglio e diversi tipi di tecnologie che supportano la vendita al dettaglio omnicanale.
Come migliorare la soddisfazione nell’esperienza attraverso la computer vision?
La magia è nei dati.
Come per la maggior parte delle attività umane, le probabilità di avere successo dipendono in buona parte dalla qualità dei dati, vogliamo prendere decisioni razionali basate sui fatti e, se saremo bravi, su patterns e per poterlo fare i nostri dati dovranno essere:
Significativi: i numeri devo saper rappresentare delle situazioni rilevanti per il nostro business, a meno che il nostro business e la nostra value proposition siano molto specifici, concentriamoci inizialmente sulle KPI più rilevanti (tralasciando cose come barba, baffi, colore degli occhi etc…) per formarci un quadro concreto della situazione:
- I click: qual’è il potenziale della location?
- Le sessions: quanto “convertiamo” questo potenziale in utenti che entrano?
- Il bounce rate: quanti di questi utenti escono senza vivere l’esperienza nello store?
- La duration: quanto tempo resta in negozio, in media, il nostro utente.
A queste KPI di base possiamo aggiungerne altre, mano a mano che prendiamo confidenza con lo strumento e se integriamo nel flusso di dati anche quelli provenienti dai sistemi di cassa.
Consistenti: non è fondamentale sapere con precisione cardinale se sono entrate 97 o 99 persone, o se 62 invece di 64 erano donne, gli strumenti di people counting basati sulla computer vision possono sbagliare estemporaneamente, introducendo piccole aberrazioni, l’importante è che il dato sia consistente nel tempo e capace di far emergere dei trend rilevanti.
Estesi: i numeri devono essere come pezzi di puzzle, messi ciascuno nella posizione corretta devono rappresentare qualcosa di significativo, altrimenti tanto vale non raccoglierli. Se, ad esempio, il sistema non è in grado di rilevare il numero di unique users (come ad esempio nei sistemi people counting a fotocellula di vecchia generazione) e la durata di ciascuna sessione, diviene impossibile creare uno scenario qualitativo di come i nostri utenti si comportano nello store.
Affidabili: non è così scontato come potrebbe sembrare, il sistema di sensori deve essere in grado di funzionare in tutte le condizioni ambientali previste e On Premise per minimizzare il TCO e garantire un ROI positivo, restare operativo senza connettività, capire quando c’è un problema tecnico e cercare di risolverlo in autonomia o segnalarlo, essere spento senza shutdown e ripartire in autonomia al ritorno della corrente.
Aggiornati: più ampio è il ritardo nella ricezione (e nell’elaborazione) dei dati minore sarà la capacità di reagire tempestivamente. Anche se la maggior parte delle analisi strategiche possono (o devono) essere fatte a distanza di settimane o mesi, per le azioni tattiche (ad esempio dei picchi di traffico inaspettati) è importante disporre dei dati entro poche ore dalla loro rilevazione.
I dati sono i pezzi del puzzle della customer journey map, se sono troppi, pochi, tagliati male, rovinati o incoerenti non servirà a molto cercare di metterli assieme per prendere decisioni, ci offriranno comunque una rappresentazione distorta o parziale dalla quale discendono scelte pseudo-razionali.
Nel prossimo post inizieremo il percorso di analisi dei dati e cercheremo di identificare con casi pratici quali KPI ci forniscono le informazioni più interessanti per prendere decisioni critiche per il nostro store fisico.