Wawasan industri: ai dan masa depan e-commerce

Intelegensi buatan (AI) dulunya adalah ungkapan yang digunakan hampir secara eksklusif dalam fiksi ilmiah untuk menggerakkan apa pun mulai dari superkomputer yang terobsesi dengan Armageddon hingga robot pabrik yang malang yang dibuat hidup oleh gerombolan petir yang menyimpang. Tapi hari ini, AI digunakan untuk menggambarkan masa depan hampir setiap aspek bisnis yang memanfaatkan data organisasi. Masalahnya adalah, mirip dengan hari-hari awal komputasi awan, pengembang teknologi AI masing-masing cenderung mendefinisikannya secara berbeda. Ini telah membuat kebingungan pemasaran yang membingungkan dari AI, pembelajaran mesin (ML), analitik prediktif, dan bahkan asisten virtual.

Selain itu, bagaimana tepatnya teknologi ini akan memengaruhi berbagai aspek bisnis telah menjadi lanskap yang sulit dinavigasi. E-commerce adalah salah satu bidang utama di mana AI dan teknologi terkaitnya telah lama berdampak di belakang layar. Dalam e-commerce, analitik cerdas telah menyediakan kemampuan baru, mulai dari pengalaman berbelanja yang dipersonalisasi hingga analisis perilaku pelanggan yang dapat diprediksi. Kami berbicara dengan Kris Hamrick, eksekutif Unit Bisnis yang bertanggung jawab atas Watson Customer Engagement IBM, untuk menjernihkan beberapa kebingungan seputar AI dan e-commerce. Kami juga membahas bagaimana Big Blue akan memanfaatkan IBM Watson di ruang e-commerce.

PCMag: Terima kasih telah meluangkan waktu untuk berbicara dengan kami. Sebagai permulaan, mudah untuk mengacaukan iklan hasil personalisasi dengan "perdagangan kognitif" karena keduanya melibatkan penggunaan data dan analitik untuk mencocokkan penawaran dengan preferensi dan kebiasaan pelanggan. Juga umum untuk membingungkan perdagangan kognitif dan asisten tervirtualisasi seperti Amazon Alexa dan Google Assistant. Bagaimana cara IBM melihat perbedaan antara konsep yang digerakkan oleh AI ini?

Kris Hamrick (KH): Anda benar: Ada banyak suara di sekitar AI di pasar. Melihat masa lalu apa yang dikatakan penyedia teknologi, bisnis B2C dan B2B harus bereaksi terhadap tekanan persaingan lebih cepat. Dalam banyak kasus, persaingan sebenarnya datang dari luar industri. Itu memaksa bisnis untuk mencari cara untuk meningkatkan proses mereka saat ini atau memikirkannya kembali.

Biarkan saya menjelaskan bagaimana IBM membedakan AI dari komputasi kognitif. AI adalah kemampuan komputer untuk memahami dan beralasan seperti manusia. Komputasi kognitif melibatkan kemampuan untuk memahami, bernalar, belajar, dan berinteraksi, menyatukan manusia dan mesin sehingga mereka belajar dari satu sama lain dan berinteraksi dengan cara yang lebih kuat ketika digabungkan.

Data membuka jalan bagi AI. Bagaimana dengan semua data di luar satu aplikasi, lintas unit bisnis, sumber eksternal, data gelap, dan banyak lagi? Kita hidup di dunia sistem yang berbeda yang, ketika digabungkan, ketika koneksi dilakukan lintas data atau pola baru yang diidentifikasi, dapat memberikan nilai 1 + 1 = 3. Apa yang membuat Watson unik adalah aksesnya ke semua sumber data yang berbeda ini, dikombinasikan dengan kemampuan kognitif untuk berinteraksi dengan manusia, memahami pertanyaan bisnis, menemukan alasan di balik tindakan, dan pada akhirnya belajar dari interaksi itu dan menggunakan pembelajaran itu dalam pertanyaan di masa mendatang.

Mengenai personalisasi versus perdagangan kognitif, Watson memungkinkan pengguna untuk melampaui, katakanlah, analitik berbasis manajemen hubungan pelanggan untuk mendapatkan wawasan lebih dalam dan mengambil tindakan pada informasi lebih lanjut, seperti data gelap seperti media sosial, ruang obrolan, transkrip layanan pelanggan, dan lainnya data yang mungkin ditambahkan ke CRM modern. Menggunakan Watson, kampanye dapat bekerja dari informasi dan wawasan yang lebih rinci, mengoptimalkan hal-hal seperti penetapan harga, pemenuhan, pelaksanaan pengiriman; mengantisipasi tantangan sebelum terjadi, dan pada akhirnya meningkatkan KPI. Ini secara eksponensial meningkatkan kemampuan bagi pengguna untuk bekerja bersama di seluruh area fungsional dan memiliki dampak yang lebih baik pada bisnis dengan sedikit usaha.

Bisnis berusaha melakukan ini hari ini dengan sumber daya yang mereka miliki. Mereka memiliki laporan, banyak spreadsheet, dan banyak pertemuan tentang semua data dan intuisi mereka. Tetapi, pada akhirnya, dalam banyak kasus, mereka mengeksekusi berdasarkan pada bias kognitif - yang berarti mereka menyaring semua data dan kebisingan untuk menemukan data yang sesuai dengan cara yang telah dilakukan sebelumnya. Secara efektif, itu bias membentuk keputusan, bukan data.

Untuk meringkas, dalam Keterlibatan Pelanggan Watson, kami menanamkan kemampuan kognitif ke dalam proses untuk memaksimalkan kinerja bisnis, meningkatkan keputusan penjualan / penetapan harga, dan mengoptimalkan seluruh rantai pasokan. Klien juga dapat mengakses antarmuka pemrograman aplikasi Watson yang sama secara langsung untuk mengaktifkan aplikasi dan proses lama mereka sendiri dengan kemampuan kognitif. Yang paling penting, Watson memunculkan anomali, merekomendasikan tindakan, dan menjelaskan alasannya .

PCMag: Perdagangan B2B bisa dibilang lebih sulit daripada B2C dalam hal mengotomatisasi, dan meningkatkan tawaran, harga, ketentuan, dan transaksi. Misalnya, ketika konsumen berbelanja untuk harga, bisnis akan menambahkan negosiasi harga yang sulit dan bahkan mengharapkan pemanis kesepakatan di atas harga belanja. Bagaimana perdagangan kognitif, atau komputasi kognitif, siap untuk mengubah cara transaksi B2B dilakukan? Dan bagaimana hal itu mengandung biaya bagi pembeli dan meningkatkan laba bagi penjual?

KH: Perdagangan B2B adalah contoh yang bagus tentang bagaimana perusahaan belajar memanfaatkan beberapa revolusi luar biasa yang terjadi di dunia B2C untuk memaksimalkan keuntungan dan memberikan pengalaman perdagangan yang lebih baik kepada pelanggan dan mitra. Bisnis yang menjual ke usaha kecil hingga menengah memiliki beberapa tantangan yang sama dengan yang dimiliki rekan ritel mereka, termasuk erosi margin, konflik saluran, kepuasan pelanggan, "efek Amazon" (melalui Bisnis Amazon), membiarkan pelanggan memilih jalur pembelian yang diinginkan, memungkinkan orang penjualan untuk fokus pada peluang yang tepat dengan menyediakan saluran transaksional, dan sejenisnya.

Langkah pertama adalah memberikan mitra dan pelanggan Anda pengalaman keseluruhan yang lebih baik daripada pesaing Anda dan tingkat layanan pelanggan yang tinggi yang orang harapkan di zaman sekarang ini. Jika saya adalah pelanggan Anda, ini berarti Anda harus mengetahui persyaratan penetapan harga yang dinegosiasikan, riwayat pembelian saya, tunjukkan produk atau penawaran yang relevan dengan bisnis saya, dan izinkan saya untuk mengonsumsi produk dan layanan ini dalam solusi ramah. Kemampuan kognitif dapat dan harus dijalin di seluruh rantai nilai untuk memenuhi tujuan ini.

Hari ini, kita melihat ini terjadi di banyak industri. Untuk mengambil langkah lebih jauh, ambil pertanyaan di luar hanya "transaksi" dan mulai mempertimbangkan apa artinya B2B di berbagai industri dan bagaimana mereka melayani pelanggan mereka.

Misalnya, produsen terkemuka dapat mengantisipasi pola cuaca untuk menghindari gangguan rantai pasokan dan kekurangan persediaan selama peluncuran produk. Salah satu klien kami, Kone, menggunakan data IoT dari elevator untuk mengantisipasi keausan dan prioritas perawatan sebelum pemadaman layanan. Di bidang medis, Quest Diagnostics menggunakan Watson untuk menganalisis biopsi tumor individu dan membandingkan sekuensing DNA dengan jutaan halaman jurnal medis, makalah penelitian, dan uji klinis untuk memberikan rekomendasi perawatan terbaik bagi ahli kanker dengan rekomendasi perawatan terbaik untuk pasien tertentu..

Contoh-contoh ini jelas sangat berbeda tetapi hanya menekankan bahwa kemungkinan tidak terbatas. Kami hanya di awal perjalanan kognitif. Kami baru mulai menemukan banyak cara teknologi ini dapat membantu meningkatkan hubungan antara bisnis dan pelanggan mereka.

PCMag: Transformasi digital terjadi dengan sangat cepat di mana-mana dan menciptakan data yang jauh lebih banyak dari yang pernah kita lihat. Tetapi para ilmuwan data percaya - dan IBM tampaknya setuju - bahwa data tidak boleh ada dalam isolasi karena nilainya sebagian besar terletak pada penambahan kedalaman dan konteks yang bermakna pada pertanyaan kompleks. Mengapa Watson secara unik cocok untuk bekerja dengan data yang berbeda dan pertanyaan yang rumit?

KH: Seperti yang kita bahas sebelumnya, 88 persen dari semua data secara efektif gelap. Artinya, data yang berisi wawasan yang kita semua berusaha temukan tidak ada dalam sumber data yang mudah dicerna atau difilter. Lebih jauh, para ilmuwan data adalah sumber daya yang mahal dan tidak mudah mengukur pembelajaran mereka di seluruh bisnis atau ke perusahaan yang lebih kecil.

Dengan Watson, tujuannya adalah untuk mengambil data gelap ini dan membuatnya dapat ditindaklanjuti bagi siapa pun yang membutuhkannya. Kemungkinannya tidak terbatas. Watson memiliki kemampuan unik untuk mengkonsumsi sejumlah besar data terstruktur dan tidak terstruktur dalam berbagai bahasa, menindaklanjuti data dengan banyak layanan kognitif, mengoptimalkan pengalaman bagi pemirsa mana pun dari pengguna bisnis hingga konsumen, dan menyediakan layanan yang sama ini untuk ditanamkan oleh perusahaan lain dalam aplikasi mereka.

Ada banyak contoh di sini. Misalnya, "Watson Tone Analyzer" memungkinkan analisis konten linguistik yang dapat mendeteksi dan memahami nada dalam percakapan dan komunikasi untuk merespons dengan tepat. "Watson Personality Insights" mengekstraksi karakteristik kepribadian berdasarkan bagaimana seseorang menulis. "Watson Conversation" memungkinkan Anda untuk menggunakan bot atau agen virtual di seluruh perangkat, platform pengiriman pesan seperti Slack, atau bahkan pada robot.

Dan "Watson Visual Recognition" memahami isi gambar. Itu adalah salah satu favorit saya karena sangat fleksibel. Anda dapat menggunakan Pengenalan Visual untuk mendeteksi jenis pakaian tertentu di toko ritel, mengidentifikasi buah manja di inventaris toko bahan makanan, menganalisis kerusakan yang terjadi akibat hujan es terhadap atap salah satu pelanggan asuransi Anda, dan banyak lagi.

PCMag: Demokratisasi data sedang berlangsung - atau setidaknya direncanakan - di sebagian besar organisasi saat ini. Tetapi flipside - konsumerisasi data - juga cenderung naik karena konsumen membuat lebih banyak keputusan berbasis data setiap hari. Apa peran yang dapat atau dapat dimainkan Watson dan perdagangan kognitif dalam tren konsumerisasi data ini?

KH: Itu poin bagus: Data tidak hanya digunakan untuk mendorong lebih banyak keputusan bisnis, tetapi juga mendorong lebih banyak keputusan konsumen. Seperti halnya bisnis, konsumen menginginkan lebih banyak data untuk membuat lebih banyak pilihan informasi, tetapi mereka tidak ingin menghabiskan banyak waktu dan energi untuk menyaring lebih banyak data. Mereka menginginkan hasil yang cepat dan untuk mengetahui bahwa itu adalah keputusan yang optimal berdasarkan apa yang mereka butuhkan pada saat itu. Akhirnya, mereka ingin visibilitas ke data apa yang menginformasikan keputusan itu.

Beberapa contoh: Pertama, 1-800-Flowers baru-baru ini memperkenalkan "Gwyn" sebagai bot concierge pribadi untuk membantu pembeli dalam menemukan produk terbaik berdasarkan sentimen dan preferensi pribadi penerima hadiah. Menggunakan Watson, Gwyn dapat berinteraksi dengan pelanggan online menggunakan bahasa alami. Misalnya, pelanggan mungkin mengetik, "Saya mencari hadiah untuk ibu saya, " dan Gwyn akan dapat menginterpretasikan pertanyaan itu, dan kemudian mengajukan sejumlah pertanyaan yang memenuhi syarat tentang kesempatan dan sentimen untuk memastikan dia memberikan yang sesuai dan saran hadiah yang disesuaikan untuk setiap pelanggan. Ini mempersonalisasi katalog, menunjukkan lebih sedikit data kepada pembelanja, dan memfokuskan interaksi secara spesifik pada apa yang ingin dicapai pembelanja pada saat itu.

Demikian pula, The North Face menyediakan pendekatan interaktif berbasis dialog untuk membantu pembelinya. Anda mungkin tidak akan menganggap jaket sebagai produk yang rumit tetapi sebenarnya. Ada banyak faktor seperti rentang cuaca, tingkat aktivitas, dan mobilitas yang mungkin tidak dipertimbangkan oleh pembelanja pada awalnya. Menggunakan kemampuan Watson untuk menerapkan penalaran logis dan kemampuannya memahami, mengkategorikan, dan mengevaluasi bahasa alami, sistem North Face mengajukan serangkaian pertanyaan pemurnian untuk memberikan produk dan rekomendasi konten yang disesuaikan dengan keinginan dan preferensi yang diartikulasikan oleh pembelanja. Ini juga menyatakan alasan mengapa fitur produk cocok dengan kebutuhan spesifik tersebut. Ini memperlihatkan data yang Anda butuhkan untuk memvalidasi rekomendasi.

Merupakan keyakinan kuat kami bahwa pelanggan mengharapkan tingkat layanan yang disesuaikan dan dipersonalisasi ini di semua saluran. Mereka ingin pengalaman itu menjadi lebih dari sebuah percakapan, sebuah pengalaman, di mana mereka ditanyai, "Bagaimana saya bisa membantu Anda hari ini?" Ini seperti layanan yang Anda dapatkan ketika Anda memasuki toko ritel yang terkenal dengan layanan pelanggan yang hebat. Perusahaan yang mampu memberikan pengalaman merek terbaik, pada akhirnya, akan menjadi orang yang meraih pangsa pasar terbanyak.

PCMag: Tampaknya kita sudah mendekati hari ketika bahkan analisis data waktu nyata terlalu sedikit, terlambat untuk beberapa kasus penggunaan. Kita akan segera membutuhkan dan mengharapkan asisten proaktif - atau asisten virtual - yang tidak hanya memprediksi, tetapi sebenarnya mengantisipasi apa yang akan kita butuhkan atau inginkan bahkan sebelum kita memintanya. Kita melihat kilau awal dari itu di Google yang baru-baru ini diumumkan "Asisten Proaktif." Apa yang dilakukan IBM dalam hal analitik proaktif?

KH: Ini adalah area di mana IBM telah mencurahkan banyak energi. Kami telah fokus pada penyediaan kemampuan kognitif yang membantu bisnis memberikan pengalaman keterlibatan pelanggan yang bermakna untuk skenario B2C dan B2B. Kami sudah membahas beberapa contoh.

Saya percaya bahwa bisnis secara historis ingin mendapatkan akses ke data yang relevan sebanyak mungkin. Dengan ledakan data yang terjadi selama beberapa tahun terakhir, sekarang kami memiliki banyak data. Masalahnya sekarang adalah bagaimana membuat semua data ini dapat digunakan tanpa bias. Selain itu, kita harus menyeimbangkan data historis yang terkandung dalam, katakanlah, sistem CRM dengan realitas dari apa yang dibutuhkan pembeli potensial sekarang. Kami tidak dapat dibutakan hanya oleh apa yang dikatakan sistem CRM bahwa ia telah membeli sebelumnya.

Kognitif dapat mengaktifkan CRM baru atau setidaknya menjadi variabel yang efektif dalam keputusan keseluruhan. Perusahaan dapat memiliki ribuan titik data pada setiap B2B tunggal atau bahkan pelanggan B2C. Tetapi pandangan historis ini perlu mempertimbangkan beberapa poin data yang mungkin paling penting pada saat pelanggan mempertimbangkan pembelian. Ini mungkin termasuk variabel seperti niat, emosi, tren, dan faktor eksternal lainnya.

Untuk memprediksi tindakan terbaik berikutnya, setiap bisnis perlu menilai pola pembelian pelanggan mereka dan menentukan kapan realitas lingkungan mereka saat ini atau yang dapat diprediksi mengalahkan data CRM historis. Itulah visi analitik proaktif ke arah mana IBM bekerja.