GUIDE E HOW-TO

Smart Retail, moltiplicare le occasioni e l’efficacia delle esperienze d’acquisto con l’Intelligenza Artificiale

Dall’analisi dell’espressione del nostro viso mentre guardiamo una vetrina alla ricerca visiva nell’eCommerce, dal geofencing al marketing di prossimità, quali sono gli ambiti di applicazione più promettenti dell’AI nel retail

Pubblicato il 25 Nov 2022

Federico Della Bella

Partner P4I, Partners4Innovation - Data Driven Customer Experience

Michele Zanelli

Data Insights & Organization Associate Partner P4I – Partners4Innovation

Michele Haile

Data Scientist P4I – Partners4Innovation

Nella realtà quotidiana, incontriamo e interagiamo ormai in maniera continua e naturale con l’Intelligenza Artificiale. A volte, probabilmente, senza neppure accorgercene. Diverso è quando nelle organizzazioni si pensa a quali applicazioni sviluppare: in questo caso, infatti si fanno strada dubbi, scetticismi, difficoltà a individuare – nel ventaglio di tante soluzioni disponibili e teoricamente ottime – opportunità concrete per la propria impresa, per il proprio caso specifico. Negli operatori e nei manager resta, a volte, la percezione di una grande confusione e le infinite possibilità sembrano molto teoriche e poco applicabili. In questo senso, lo Smart Retail è la risposta giusta ai bisogni di consumatori sempre più sofisticati ed esigenti, che ricercano esperienze memorabili da vivere più che prodotti o servizi da acquistare.

Si tratta, tuttavia, di applicazioni che incontriamo tutti i giorni, a volte con effetti dirompenti sul modo in cui interagiamo con prodotti, servizi, piattaforme, con la realtà stessa, contribuendo a cambiare il senso e la nostra percezione. Questo vale in particolare per le esperienze di consumo online e in store, che stanno cambiando in modo sostanziale grazie agli algoritmi e alla sensorizzazione.

Intelligenza artificiale nel Retail

Smart Retail, Netflix e l’iper-personalizzazione della raccomandazione

Parlando di AI e dei benefici per il business, non si può non partire da Netflix. Netflix ha un catalogo sterminato di contenuti digitali in cui non è facile orientarsi: la personalizzazione della proposta diventa fondamentale per non abbandonare l’utente in un mare di proposte in cui naufragare alla ricerca del contenuto perfetto.

WHITEPAPER
Gartner: l’iperautomazione tra i principali trend tecnologici
ERP
SaaS

Le diverse locandine di Stranger Things estratte e proposte alle diverse tipologie di utenti

Sapendo sia quanto importante agli occhi del cliente la frequenza di utilizzo nella giustificazione dell’abbonamento mensile pagato, Netflix investe moltissimo nel miglioramento dell’esperienza e, in particolare, della ricerca di prodotti apprezzati – in grado di creare un forte ingaggio e una costanza nella visione.

Proprio per questo motivo, è molto rilevante nel modello di business l’investimento in soluzioni basate sull’Artificial Intelligence e, in particolare, sui motori di raccomandazione in grado di suggerire all’utente il contenuto per lui più rilevante.

Un pilastro fondamentale del servizio Netflix è abilitato dalla raccolta dei dati comportamentali e socio-demografici di dettaglio, che permette di costruire profili di fruizione individualizzati, a cui proporre attraverso il Recommendation Engine i contenuti più adatti.

Netflix si spinge oltre arrivando a costruire le pagine, viste come tabelle di righe e colonne, in cui ogni locandina proposta ha un posto non casuale ma un ordinamento basato sulla probabilità di click per il singolo profilo. Nel tempo, Netflix ha condiviso anche tecnologie e approcci utilizzati, pertanto in rete si trovano diversi articoli che analizzano nel dettaglio il modo in cui le pagine sono costruite e in cui funzionano le raccomandazioni. (Se ne trovano ottimi esempi qui, qui e qui).

Come visto, la personalizzazione viene applicata sia alla proposizione dei contenuti che alla veste grafica, arrivando a organizzare le pagine, con un approccio dinamico e data-driven alla proposizione dell’intero catalogo.

Ma c’è di più: anche la singola immagina di preview, la locandina, la thumbnail è personalizzata, a seconda del profilo. Come si vede nell’immagine sopra riportata della serie Stranger Things, utenti diversi possono vedere diverse locandine a seconda che il loro profilo sia associato a una preferenza per la commedia romantica, la spy story, il film di fantascienza, la serie brillante. Tutto finalizzato a massimizzare il tasso di click. (Un approfondimento sul tema).

bottone-smart-retail

Smart Retail, la Visual Search di Asos Style Match

Quando è nato Shazam, sembrava finalmente arrivata la soluzione a uno dei problemi principali dell’appassionato di musica: rintracciare brani ascoltati per caso in radio o su qualche supporto e poterseli riascoltare, oppure riconoscere brani noti ma di cui si è scordato titolo e autore.

Qualcosa di simile a quello che fa Shazam con la musica lo fa lo strumento di ricerca visiva Asos Style Match che permette all’utente di caricare tramite l’app la foto di un look che ci piace e ricevere in cambio una selezione di outfit simili provenienti dal catalogo. Anche in questo caso, si trovano descrizioni più dettagliate degli algoritmi di Deep Learning utilizzati da Asos, in cui la tecnologia costituisce un valido supporto dell’esperienza di ricerca.

Graphical user interface, application Description automatically generated

Un esempio di ricerca visiva con l’app di Asos: caricando una foto si arriva a selezioni di outfit simili a quello desiderato

Smart Retail, Video Recognition e comprensione delle emozioni

Le sperimentazioni vanno anche molto oltre. Sono ormai in uso soluzioni che vanno anche molto oltre e applicazioni che possono anche spaventare per gli impatti sulla privacy e sulla sicurezza delle persone.

Un altro caso di Smart Retail è costituito dalle applicazioni degli algoritmi di Image e Video Recognition che permettono di catturare immagini fisse o in movimento, analizzandone e comprendendone il contenuto. Si va dagli strumenti con cui sblocchiamo gli smartphone o computer, attraverso l’autenticazione biometrica, fino ad applicazioni che permettono di ipotizzare le emozioni e le sensazioni dell’utente.

Graphical user interface, application, Teams Description automatically generated

Esempi di applicazione di video-recognition per il riconoscimento delle emozioni

Ad esempio, Affdex for Market Research, realizzato da Affectiva, uno spinoff del MIT Media Lab, è una emotion-detection app che cattura, misura e analizza le espressioni facciali, utilizzando la Computer Vision. In pratica, l’app è in grado di misurare le reazioni delle persone mentre guardano un contenuto digitale, un programma, una vetrina, una pubblicità.

Le applicazioni del riconoscimento visivo, e facciale in particolare, sono numerose, e non tutte desiderabili, come osserva il Guardian. in questo articolo.

AI nel retail: arricchire automaticamente i tag di prodotto

Attraverso algoritmi di Visual AI si possono arricchire le immagini di prodotto di tag e metadati, selezionando, grazie al Natural Language Processing quali termini i clienti associano più facilmente a un prodotto o un servizio, analizzando grandi quantità di ricerche, commenti o condivisioni.

Le soluzioni di tagging automatico, realizzate attraverso strumenti di labelling, permettono di rendere più comprensibili e rispetto a molteplici dimensioni le descrizioni dei prodotti: una declinazione dell’ipotetico web semantico in cui ogni oggetto è classificato e inserito in ontologie e descritto attraverso tag che ne migliorano l’identificazione e il riconoscimento da parte dei motori di ricerca.

Si potrebbe continuare all’infinito, vedendo come soluzioni di geofencing e marketing di prossimità, casse autonome e negozi senza personale, da Amazon Go in giù, assistenti alla clientela, chatbot e così via, abbiano trasformato il retail nell’attuale contesto dello Smart Retail.

Sephora costituisce un caso di successo nell’applicazione del geofencing applicato al punto vendita
WHITEPAPER
Nel 2023 dovrai conoscere (e usare) l'Account Based Marketing: da dove partire
Inbound
Social Network
@RIPRODUZIONE RISERVATA

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Federico Della Bella
Partner P4I, Partners4Innovation - Data Driven Customer Experience

Partner P4I-Digital360, Adjunct Professor Strategia e Marketing presso Politecnico di Milano, Polidesign, IES Abroad, Polimi Graduate School of Managment. Si occupa di strategia digitale e marketing data-driven, con particolare focalizzazione sulle applicazioni di Intelligenza Artificiale per la Customer Experience

Michele Zanelli
Data Insights & Organization Associate Partner P4I – Partners4Innovation

Si occupa di estrarre valore dai dati, sviluppando modelli matematici a supporto delle decisioni e introducendo nuovi assetti organizzativi per gestire e governare i dati in modo efficace. Svolge attività di ricerca all’interno dell’Osservatorio Artificial intelligence del Politecnico di Milano, dove di occupa principalmente di Intelligent Process Automation. Proviene dal mondo dell’Information Technology, dove ha una pluriennale esperienza negli ambiti IT Strategy, IT Governance e Organization.

Michele Haile
Data Scientist P4I – Partners4Innovation

Data Scientist, esperto nello sviluppo di algoritmi di Machine Learning per applicazioni che mirano a migliorare la Customer Experience: previsione dei comportamenti dei consumatori, sistemi di recommendation, soluzioni di performance monitoring, analisi rischi-opportunità.

Articolo 1 di 4