Введение

Розничная торговля модной одеждой составляет огромную долю розничного бизнеса в регионе Северной Америки и во всем мире (1,9 трлн долларов США по состоянию на 2021 г.). Значительная часть розничной торговли модной одеждой приходится на Североамериканский регион (369 миллиардов долларов по состоянию на 2021 год). С растущим спросом в регионе EMEA, в частности в Азиатско-Тихоокеанском регионе, электронная коммерция наряду с розничной торговлей в магазинах играет ключевую роль в формировании будущего розничной торговли модной одеждой. С CAGR (Совокупный годовой темп роста) в 10,4% рядом с розничной торговлей мебелью и бытовой техникой модная одежда представляет собой замечательную возможность для восходящей мобильности и прорывных инноваций в ближайшие годы. Цель этой статьи — проанализировать и представить передовые приложения машинного обучения для решения сложных задач в сфере розничной торговли, опираясь на исследовательскую литературу и отраслевую практику.

Путь ритейлера и цифровой прорыв

Роль ритейлеров в управлении многоканальным спросом, запасами и удовлетворением потребностей клиентов становится все более сложной и динамичной. Опыт работы с каналами электронной коммерции и выполнение заказов, управляемые мобильными и голосовыми помощниками, обеспечивают бесперебойную работу и становятся новой нормой.

Парадигма Six P (6P) в процессе принятия решений в розничной торговле модной одеждой.

В эпоху новой цифровой технологической эры ритейлерам нужна комплексная технологическая стратегия, учитывающая все шесть P принятия решений о продуктах. Благодаря облачным платформам искусственного интеллекта и машинного обучения и собственным поставщикам облачных услуг (Google, Amazon, Microsoft), предлагающим сквозные конвейеры машинного обучения на основе SAAS, у розничных продавцов есть значительные возможности для экспериментов, обучения и промышленного масштабирования решений с использованием искусственного интеллекта и машинного обучения.

Приоритеты AI для ритейлера:

С 2014 года, когда мобильная коммерция стала мейнстримом, ритейлеры приняли несколько стратегий для перехода к облачной архитектуре для своего ИТ-портфолио. Несмотря на то, что внедрение облачных технологий обеспечивает определенное преимущество гибкости эксплуатационных расходов по сравнению с ежегодными капитальными затратами, основной движущей силой является унификация данных и доведение аналитики до лиц, принимающих решения, практически в режиме реального времени для принятия оптимальных решений на основе поведения клиентов. Согласно недавним исследованиям, следующие области имеют первостепенное значение для автоматизации решений с использованием ИИ и МО.

  • Оптимизация клиентского опыта (обеспечение того, чтобы клиенты получали то, что они хотят, и там, где они хотят)
  • Оптимизация спроса, покупка без трения
  • Повышение лояльности клиентов -› (превращение посетителей в постоянных клиентов за счет глубокого понимания потребностей клиентов и перехода к индивидуальному подходу)
  • Улучшите опыт мобильных покупок (передавайте ассортимент покупателям в любое время благодаря подходу, ориентированному на мобильные устройства)
  • Бесшовный опыт работы с несколькими каналами (резонанс бренда, сходство с брендом и повышение доверия по каналам)

Эти приоритеты занимают до 90% вариантов использования, которые ритейлеры автоматизируют с помощью ИИ и машинного обучения.

Примеры расширенного использования от Retail для машинного обучения

Розничная торговля модной одеждой имеет свою долю сложности в сфере розничной торговли. Из них оптимизация запасов и прогнозирование спроса выделяются как две наиболее важные точки бизнес-процессов, где возможность инноваций имеет первостепенное значение. Почему? Розничная торговля модной одеждой имеет множество сезонных SKU, длительный срок реализации, влияние экзогенных факторов (погода, сезон, местоположение и местные события) и полностью выходит за рамки традиционных статистических методов прогнозирования. Часто традиционный подход к страховому запасу на всех уровнях, от производителя до дистрибьютора и розничного продавца, приводит к эффекту кнута. Точное прогнозирование спроса в сочетании с эффективной автоматической межканальной оптимизацией запасов приводит к улучшению качества обслуживания клиентов, их удержанию, повышению лояльности к бренду и оптимизированным сценариям запасов. Это позволяет ритейлерам сосредоточить свой бренд на продажах по оптимальной цене и избежать частых уценок, чтобы избавиться от неиспользуемых запасов.

Прогноз спроса

Прогнозирование спроса в розничной торговле модной одеждой требует тщательного изучения того, как организация управляет своими источниками и запасами, как планируется ассортимент на уровне магазина и на межканальном уровне, как производится группировка продуктов и, что более важно, культура управления спросом на уровне организации. . Традиционные подходы к розничной торговле основывались на той или иной форме статистического моделирования и подхода (скользящее среднее, прогнозирование на основе тренда, линейная и полилинейная регрессия, экспоненциальное сглаживание, Холт и Винтерс, Бокс и Дженкинс и ARIMA). » (авторегрессивное скользящее среднее) в сочетании с искусством планировщика Int Nut Feel Instinct. К сожалению, традиционные статистические методы оказались весьма неэффективными при прогнозировании спроса на основе различных исследований. Почему? Повсеместный характер SKU модной одежды заключается в том, что она сильно сезонна, на спрос влияют внешние факторы и не существует линейного способа корреляции предикторов, влияющих на решения клиентов о покупке. обычно идентифицирует линейную прогнозирующую тенденцию Чистая природа эвристических сил — прогнозирование спроса для розничной торговли модной одеждой должно использовать алгоритмы нейронной сети, основанные на глубоком обучении.

Что дальше?

В следующей серии мы больше сосредоточимся на методах и сравнениях моделей линейного прогнозирования и моделей нейронных сетей, основанных на научных статьях и новейших наборах инструментов, таких как Facebook’s Kats и Prophet… Следите за обновлениями.