Intelli-tail: Intelligenza (Artificiale) nel Retail

Introduzione

Il successo dei leader mondiali dell’eCommerce, come Amazon, non è dovuto solo a prezzi bassi, qualità e comodità del servizio, ma dipende anche dall’uso di un ingrediente speciale: l’Intelligenza Artificiale (AI). Con queste tecniche, ad esempio, si analizza la storia delle visite al sito web e dei precedenti acquisti di ogni cliente, per fornire raccomandazioni utili ed incentivi interessanti. Nella gestione del magazzino sono invece utilizzate per ottenere il miglior servizio al minor costo (non rimanere praticamente mai senza merce, pur minimizzando gli investimenti) attraverso previsioni di vendita ottenute analizzando non solo la storia passata, ma anche molteplici fattori esterni.

Nessun algoritmo tradizionale sarebbe in grado di distinguere con la stessa efficacia le correlazioni significative fino al dettaglio del singolo cliente e prodotto e non sarebbe in grado di evolvere praticamente da solo. Infatti il Machine Learning (ML) è il sottoinsieme dell’Intelligenza Artificiale che si occupa di creare “algoritmi che imparano dai dati” per poi prevedere, riconoscere, capire e classificare. Una volta creato automaticamente il modello matematico, la risposta ad una interrogazione diventa infatti molto veloce.

Un esempio del livello raggiunto oggi da queste tecniche è il nuovo format di negozio che Amazon sta sperimentando. Per maggiori informazioni https://www.youtube.com/watch?v=NrmMk1Myrxc%20 All’obiezione che si tratta di tecniche troppo sofisticate per una piccola catena o un negozio indipendente, anticipiamo subito che è in corso una velocissima democratizzazione di queste tecniche per rendere più intelligenti gli strumenti di gestione quotidiani, a costi accessibili.

Perché ora?

L’Intelligenza Artificiale è una vasta disciplina scientifica che mette assieme matematica, statistica, informatica, neurologia… con risvolti etici, filosofici e anche politici per gli impatti sull’occupazione e sulle regolamentazioni. E’ nata circa 50 anni fa, ma in questi ultimissimi anni ha subito un’accelerazione sbalorditiva. Il ML è alla base, ad esempio, del riconoscimento vocale e dell’interpretazione del linguaggio umano utilizzabile da un qualunque smartphone attraverso strumenti come Siri, Cortana ed altri, oppure del riconoscimento di immagini, fino ad arrivare all’automazione di molte attività umane ad elevato contenuto di conoscenza.

Il motivo di questa “esplosione” è dato dalla convergenza del naturale progresso della scienza con la tecnologia del Cloud Computing, che mette a disposizione risorse per gestire i cosiddetti Big Data (dati che, per volume, velocità e varietà, non si riusciva a trattare in modo efficace con le tecniche tradizionali) e le enormi risorse di calcolo necessarie per insegnare agli algoritmi, il tutto a costi molto competitivi e senza investimenti iniziali. Infine, poiché il vero Cloud Computing è molto più di semplici macchine in self-service che devono essere gestite con metodi tradizionali, solo recentemente sono disponibili servizi utilizzabili direttamente da normali programmatori (e qualche volta anche da utenti finali evoluti) e non necessariamente da “data scientist”.

Per maggiori informazioni https://it.wikipedia.org/wiki/Intelligenza_artificiale

Perché il ML cambia le regole del gioco?

Per la prima volta nella storia, il ML consente di automatizzare attività che prima non era possibile affrontare con un computer, raggiungendo un livello di precisione e velocità che supera le capacità umane. Le automobili che si guidano da sole e ridurranno il tasso di incidenti, oppure le diagnosi mediche automatiche, sono solo alcuni esempi.

Tornando all’Intelligent Retail, facciamo l’esempio delle liste di raccomandazione, ovvero “chi compera il prodotto x, di solito compera anche y” oppure del raggruppamento dei clienti in categorie omogenee (cluster) in modo da attivare le promozioni più efficaci per ciascuno. Per un programma software si tratta di problemi non banali ma molto più semplici del riconoscimento di sesso, età e addirittura stato emotivo di un cliente, semplicemente dalla sua immagine, come già possibile oggi con il ML. Nonostante sia possibile programmare direttamente degli algoritmi di raccomandazione in base alla conoscenza dettagliata del settore merceologico e della statistica, oggi è meglio affidarsi al Machine Learning che estrae automaticamente regole da grandi volumi di dati. Con l’evoluzione dei comportamenti d’acquisto e/o la disponibilità di nuovi dati, come ad esempio quelli metereologici o di popolarità dei vari prodotti sui social media, è sufficiente effettuare una nuova operazione di “training” per ottenere un algoritmo aggiornato e potenziato. Infine scegliere in pochi secondi il coupon più efficace, tenendo conto non solo dei dati storici, ma anche dei prodotti che il cliente sta acquistando in quel momento, è ben oltre ogni capacità umana.

Sul fronte dei servizi ai clienti, il ML consente già oggi di rispondere a domande e gestire delle conversazioni utili con i clienti per mezzo del linguaggio naturale parlato o scritto in un’App di messaggistica.

Per quanto riguarda la gestione dei prodotti e del magazzino, il problema principale è l’attenzione e la competenza del personale nell’analizzare i dati e prendere delle decisioni. Le tecniche di visualizzazione dei dati legate alla Business Intelligence (BI) e Data Warehouse (DWH) facilitano molto il compito di estrarre informazioni significative (insights), ma appena si scende al livello dei singoli clienti e prodotti, diventano insufficienti. Il ML può invece tener conto dell’impatto sui conti o sulla soddisfazione di un cliente importante oppure della forte difformità dalla media e segnalare al decisore i fatti più importanti, come se fosse un consulente esperto, aiutando non solo sul fronte della scarsità di tempo, ma anche di competenza.

In questo caso l’Intelligenza Artificiale non sostituisce le persone ma le aiuta a lavorare meglio, in un ambiente come il Retail dove tempo e competenze scarseggiano a causa dei margini sempre più ridotti. Un altro cambio di paradigma è dovuto al fatto che i modelli creati dal ML guardano avanti (a quello che sta per succedere), mentre i tradizionali strumenti di analisi e visualizzazione dei dati guardano al passato.

Perché l’Intelligent Retail è possibile solo nel Cloud?

Il ML richiede grandi volumi di dati ed enormi potenze di calcolo per la creazione dei modelli matematici, per poi rispondere velocemente alle richieste provenienti dai negozi. Simili risorse sarebbero molto costose da acquistare e gestire localmente ed inoltre fortemente sottoutilizzate. Ancora più decisivo è il fatto che le risorse e le competenze per offrire servizi di ML pronti per l’uso si trovano a costi accessibili solo sul Cloud.

Questo implica che il software di gestione dei negozi deve stare nello stesso Cloud dove risiedono i servizi di ML perché i dati sono soggetti ad una sorta di forza d’inerzia, nonostante siano elettroni che viaggiano alla velocità della luce e non atomi soggetti alla forza di gravità. Infatti spostare grandi volumi di dati richiede tempo, anche quando la banda a disposizione nei negozi e nel datacenter di una catena è elevata. Inoltre il ritardo tra domanda e risposta (detto latenza) non è affatto trascurabile anche per piccoli scambi di informazioni.

Come dimostrano i primi progetti, un software per la gestione dei negozi come aKite®, espressamente progettato per sfruttare i nuovi paradigmi del Cloud, è nelle migliori condizioni per avvantaggiarsi di questa nuova rivoluzione. I principali motivi sono l’architettura scalabile e aperta alla collaborazione con altri servizi Cloud e la diretta e immediata disponibilità dei dati storici ai servizi di ML.

Intelli-tail® ed aKite® sono marchi registrati di BEDIN Shop Systems srl