3 trinn for detaljhandlere til å generere og fange verdi fra AI-investeringer

Detaljhandelssektoren vokser og blir stadig mer konkurransedyktig, da selskaper kjemper om forbrukernes oppmerksomhet og penger. Ifølge National Retail Federation, økte kjerneomsetningen med 3,2% fra år til år i første halvår 2024, og totalomsetningen forventes å overstige 2023 med mellom 2,5% og 3,5%. I en tett markedssituasjon søker detaljhandlere etter en konkurransefordel, og mange vender seg mot kunstig intelligens (AI).

AI har blitt fremstilt som en disruptiv kapasitet som kan omdefinere tilbud, utvide valg og drive nye forretningsmodeller. Detaljhandlere har gjort betydelige investeringer i AI, men de må bedre forstå hvordan de kan bruke teknologien til å skape verdi for kunder og fange verdi for seg selv.

Mens teknologien har eksistert i noen form i årevis, har algoritmene blitt bedre og raskere, datamaskinkapasiteten har forbedret seg, og prisene har blitt mer overkommelige. NVIDIA grafikkprosessorer (GPU-er) kan gjøre hva som tidligere tok syv dager til å beregne, til å bli gjort på syv minutter, og Snowflake har lagt til fleksibilitet i sin AI-kostnadsstruktur ved å også beregne prisen per beregning. Disse faktorene har låst opp flere AI-bruksområder for detaljhandlere og gjort teknologien bedre egnet for IT-budsjettene.

Likevel sliter mange detaljhandlere med å se konkrete avkastninger på sine AI-investeringer. De eksperimenterer innen måneder, ikke år, og kan ikke tillate seg å bruke en spre-og-bøn-tilnærming med disse forsøkene. Detaljhandlere må nærme seg AI strategisk, så de kan møte sine ROI-mål, spesielt siden industrien står overfor endrede forbrukeratferd.

La oss dykke dyptere og undersøke de tre trinnene til å låse opp verdioppretting og verdifanging.

Moderne data til en strategisk verdi

For å kunne utnytte AI på en suksessfull måte, må detaljhandlere først sikre at deres data er moden, ren og harmonisert. Uten høykvalitetsdata vil selv de mest avanserte AI-algoritmene mislykkes, og det fører til advarslen ” skralle inn, skralle ut.”

I detaljhandel kommer data fra forskjellige kilder: salgssteder, e-handelsplattformer, lagerstyringssystemer, kundehåndteringssystemer (CRM) og selv eksterne kilder som sosiale medier og værmeldinger. For å skape en strategisk verdi, må detaljhandlere integrere data fra alle disse kildene, rense og standardisere den, sikre dens nøyaktighet og fullstendighet, og implementere robuste datastyringspraksiser.

Et område hvor høykvalitetsdata kan ha en betydelig innvirkning på både verdioppretting og verdifanging, er prognoseplanlegging. Nøyaktig prognose er avgjørende for detaljhandlere for å optimalisere lagerbeholdninger, redusere avfall og møte kundenes etterspørsel. Vurdér moteindustrien, hvor planleggingscyklene kan strekke seg opp til 18 til 24 måneder. Detaljhandlere må forutsi trender, kundepreferanser og etterspørselsnivå langt i forveien, ofte med begrensede data.

Ved å utnytte AI med en solid datagrunn, kan detaljhandlere inkorporere et utenforliggende antall variabler i sine prognosemodeller, som historiske salgstall, demografisk informasjon, værmønster, økonomiske indikatorer og sosiale medietrender.

Oppmuntre en kultur for eksperimentering

Dette tilnærmingen er avgjørende for verdioppretting, da den tillater detaljhandlere å teste og forbedre AI-drevne initiativer som direkte fordeler kundene. Ved å kjøre målrettede eksperimenter, kan detaljhandlere identifisere hvilke AI-applikasjoner som virkelig resonerer med kundene og driver lojalitet uten å binde seg til større implementeringer for tidigt.

En kritisk aspekt i å drive en kultur for eksperimentering, er å skape konsise bruksområder og avlede KPI-målinger for å bestemme dens eventuelle suksess. Samarbeid mellom forretnings- og teknologistakeholdere, som inkluderer ingeniører, analytikere og dataforskere, er nødvendig mens eksperimentet utvikler seg fra konsept til realitet. Like viktig er det å ha en mentalitet som tillater å trekke tilbake et eksperiment når den realiserte verdien ikke møter forventningene.

Denne kulturen oppmuntret til innovasjon og hjelper detaljhandlere å forbli agile mens markedssituasjonen endrer seg. Den tillater dem å teste nye ideer raskt og kostnadseffektivt, og reduserer risikoen forbundet med større AI-implementeringer.

Bygge ut økosystemet

Mens de foregående trinnene fokuserer primært på å skape verdi for kundene, er dette trinnet avgjørende for verdifanging — å sikre at detaljhandlere kan effektivt moneterisere sine AI-initiativer.

Et detaljhandelsøkosystem kan inkludere teknologileverandører, merker, influensere, innholdsskapere og selv andre detaljhandlere. Ved å konstruere et slikt økosystem, kan detaljhandlere skape nye inntektsstrømmer, forbedre tilbudene og styrke sin markedsposisjon.

For eksempel kan en detaljhandel samarbeide med et datamaskinsynsselskap for å skape et AI-drevet visuelt søkeverktøy, som tillater kundene å finne produkter ved å laste opp bilder. Dette forbedrer kjøpeopplevelsen og åpner opp muligheter for målrettet annonsering og produktanbefalinger.

Influensmarkedsføring er et annet område hvor AI og økosystembygging møtes. Detaljhandlere kan bruke AI til å identifisere og analysere de mest effektive influenserene for deres merke basert på faktorer som publikumsdemografi, engasjementsrater og innholdsgjeldende. Ved å integrere influensere i sine AI-drevne markedsføringsstrategier, kan detaljhandlere utvide sin rekkevidde og skape mer autentiske forbindelser med potensielle kunder.

Detaljhandlere må nøye navigere problemene rundt datavern, konkurranse og merkealignering. Men når det gjøres suksessfullt, kan det skape en syklus hvor verdien som skapes for kundene gjennom AI-initiativer, effektivt fanges og moneterisieres av detaljhandelen og dens økosystemspartnere.

Dette strategiske tilnærmingen til AI-implementering tillater detaljhandlere å gå utenfor hypen og mot praktiske, resultatorienterte applikasjoner. Mens AI fortsetter å utvikle seg, vil de som mestrer disse trinnene være godt posisjonert for å trives i detaljhandelslandskapet. Å balansere verdioppretting og verdifanging i AI-initiativer på en dyktig måte, omdanner teknologisk potensial til en konkurransefordel.