Il settore del retail continua a sperimentare l’AI gen, oltre a rendersi conto di come questa tecnologia possa convertirsi in una leva strategica per rilanciare la crescita e sfruttare rapidamente le opportunità.
Del resto, l’intelligenza artificiale generativa è sempre più utilizzata del settore retail. Secondo l’articolo “LLM to ROI: How to scale gen AI in retail” della società di consulenza McKinsey – pubblicato lo scorso agosto 2024 – la IA gen è pronta a sbloccare tra 240 e 390 miliardi di dollari di valore economico nel settore retail, equivalente a un aumento del margine in tutto il settore di 1,2-1,9 punti percentuali. È interessante notare – secondo quanto si evince dall’articolo – che nell’ultimo anno, la maggior parte degli operatori del retail ha iniziato a testare diversi casi d’uso della Ai gen lungo la catena del valore al dettaglio. Tuttavia, ad oggi risulta che solo poche aziende sono riuscite a realizzare il pieno potenziale della tecnologia su larga scala.
Come l’Ai gen trasforma il settore retail
AI gen retail può aiutare a semplificare le operazioni, consentendo di prendere decisioni più rapide e meglio informate nelle catene del valore interne del settore. Inoltre, la tecnologia garantisce una efficienza immediata delle operazioni, oltre a contribuire a ridefinire il processo decisionale nel settore.
Gli operatori del settore retail stanno sperimentando la Ai gen per rafforzare le interazioni tra rivenditori e clienti lungo il customer journey, oltre a rendere l’esperienza del cliente più personalizzata e appagante. Di fatto, le capacità conversazionali avanzate delle chatbot della Ai gen retail, alimentate da modelli di linguaggio naturale, possono convertire l’assistente per lo shopping intelligente in un canale di acquisto primario. Di seguito alcuni dei principali casi d’uso dell’Ai gen nel settore Retail.
- Progettazione del prodotto e del display – L’Ai gen può creare nuovi design di prodotto basati sull’analisi delle attuali tendenze di mercato e delle interazioni con i clienti, sulle preferenze dei consumatori e sui dati storici di vendita. Il modello di Ai può generare più varianti, consentendo alle aziende di selezionare le opzioni più interessanti. Oppure, personalizzare le opzioni di visualizzazione in base alla scelta del cliente.
- Generazione automatizzata di contenuti – I player del settore Retail possono utilizzare l’Ai gen per creare descrizioni dei loro prodotti, contenuti promozionali per i social media, post di blog e altri contenuti che migliorano la SEO e stimolano il coinvolgimento dei clienti.
- Marketing personalizzato- L’Ai gen può generare esperienze personalizzate per i clienti tramite contenuti di marketing per singoli clienti, come e-mail o annunci pubblicitari. Questi vengono prodotti sulla base dei dati dei clienti, quali: il comportamento di acquisto e le preferenze passate. Di fatto, l’Ai può prevedere quale tipo di contenuto promozionale piacerà di più a ciascun cliente, aumentando l’efficacia delle campagne di marketing.
- Raccomandazioni sui prodotti – L’Ai gen può suggerire ai clienti prodotti nuovi o alternativi a cui potrebbero essere interessati, in base alla cronologia dei loro acquisti e alle loro preferenze, oltre che anticipare le loro esigenze e le preferenze future, migliorando così l’esperienza di acquisto.
- Gestione dell’inventario e ottimizzazione della supply chain – L’Ai gen può aiutare a prevedere la domanda di prodotti, generando previsioni basate su dati di vendita storici, tendenze, stagionalità e altri fattori. Ciò può migliorare la gestione dell’inventario, riducendo i casi di eccesso di scorte o l’esaurimento scorte. Pertanto, l’Ai gen può rivelarsi strategica per la gestione di molte operazioni della supply chain, t pra cuirevisione della domanda, valutazione del rischio del fornitore, rilevamento delle anomalie, ottimizzazione del trasporto e del routing
- Assistenti virtuali per lo shopping – L’Ai gen può alimentare assistenti virtuali conversazionali che aiutano i clienti nel loro percorso di acquisto, generando risposte alle loro domande e guidandoli attraverso il processo di acquisto.
- Automazione del servizio clienti – L’uso dell’Ai gen e di altre tecnologie quali l’Ai conversazionale, i modelli linguistici di grandi dimensioni (LLM) e le chabot, può contribuire ad automatizzare e aumentare l’efficienza degli addetti al servizio clienti.
AI gen e retail, cosa dicono i dati
Lo scorso aprile 2024 è stato svolto un sondaggio che ha coinvolto 52 dirigenti del settore retail Fortune 500 a livello globale. Tale sondaggio si è concentrato sui progressi compiuti dal settore retail nell’esplorazione e nella sperimentazione della Ai gen. La maggior parte dei dirigenti del settore retail (90%) afferma di aver iniziato a sperimentare soluzioni di Ai gen e di scalare casi d’uso prioritari con effetti a catena sulle altre iniziative di Ai; mentre due terzi dei leader del settore affermano di voler investire e concentrarsi maggiormente sui dati e sull’analisi.
Inoltre, il sondaggio evidenzia che il 64% dei leader del settore Retail afferma di aver condotto progetti pilota di Ai gen che hanno aumentato le catene del valore interne delle loro organizzazioni. Ancora, l’82% operatori del retail risulta aver condotto progetti pilota per casi d’uso di Ai gen, soprattutto in termini di innovazione del servizio clienti.
È interessante notare che gli strumenti di Ai gen retail pronti all’uso sono diventati più facilmente disponibili nell’ultimo anno. Più della metà dei dirigenti intervistati (60%) ha optato per questa tipologia di piattaforme, sebbene il tasso di adozione di piattaforme di terze parti sia inferiore nelle aree del procurement (18%) e nel commercial (25%). Inoltre, i due terzi degli operatori del settore retail affermano di voler aumentare i propri budget in termini di Ai gen nel prossimo anno. Ancora, il 10 % degli intervistati afferma di adottare un approccio “attendista” nei confronti dell’Ai gen retail. Ovvero, hanno in programma di integrare la Ai gen nelle loro operazioni in un secondo momento, in particolare nelle aree in cui non ci sono ancora piattaforme full-service. Tale decisione scaturisce, di fatto, da fattori quali: l’insufficienza di competenze o risorse organizzative, problemi relativi alla qualità dei dati e alla privacy, nonché le spese associate all’implementazione della Ai gen.
Ai gen retail e aumento della catena del valore
La Ai gen ha il potenziale per aumentare la produttività e l’efficienza in ogni fase della filiera del Retail, compresi marketing, commercializzazione, distribuzione e attività di back-office, come si evince dalla tabella sotto riportata contenuta nell’articolo di McKinsey.
Catena del valore al dettaglio
Prima dell’IA generativa Dopo l’IA generativa
| Procurement | Tutte le trattative con i fornitori (compresa la creazione del contratto end-to-end) sono gestite manualmente dai collaboratori, il che porta spesso a trascurare alcuni dettagli Noiose valutazioni dei fornitori basate su dati limitati che inducono a scelte non ottimali | Il round iniziale di trattative con i fornitori è gestito dalle chatbots di AI gen. Gli addetti all’approvvigionamento utilizzano l’AI per la chiusura delle trattative (i.e. ad esempio, brief basati sull’AI e riepiloghi automatizzati dei termini dei fornitori e delle informazioni chiave) |
| Distribuzione | Comunicazione end-to-end con logistica conto terzi gestita da collaboratori. Risposta ritardata alle interruzioni della distribuzione a causa della complessità delle operazioni della supply chain | Comunicazione iniziale e messaggi e-mail alla logistica di terze parti gestiti dalle chatbot che si basano sulla AI gen Processo di gestione dei resi e di azione all’interruzione della distribuzione, supportati dalla AI gen |
| In store operations | Ricerche di informazioni (ad esempio, prezzo, posizione in negozio, livello delle scorte) gestite manualmente dagli addetti al lavoro, con conseguente ritardo nel servizio clienti | I dipendenti utilizzano assistenti basati sull’AI per l’accesso vocale istantaneo alle informazioni (ad esempio, prezzi e promozioni, posizione del prodotto, livello delle scorte) |
| E-commerce | Centinaia di ore spese per la generazione di contenuti e-commerce Personalizzazione manuale del sito web basata su regole, che consuma le risorse dei dipendenti | Generazione automatizzata di contenuti e-commerce (es. profili di prodotto, descrizioni) in pochi minuti Esperienza cliente e-commerce personalizzata spontaneamente grazie a tecniche di sviluppo front-end automatizzate |
| Marketing | Approccio di marketing unico per tutti a fronte delle limitate informazioni sui clienti derivate dai dati strutturati Creazione di materiali di marketing attraverso un lungo processo iterativo | Approfondimenti efficaci estratti da diverse fonti non strutturate (ad esempio, recensioni di prodotti) Materiali di marketing completamente personalizzati per ogni cliente e generati con maggiore efficienza |
| Back office | Processi amministrativi dispendiosi in termini di tempo, i.e. gestione risorse umane e buste paga, soggetti a errori e inefficienze | Il lean dei “colletti bianchi” di nuova generazione: trasferisce i processi amministrativi delle funzioni di supporto a chatbot e interfacce basati sulla AI (ad esempio, copilot di sviluppo software, copilot HR/finanziari) |
| Commercial | Strumenti analitici di diverso livello di maturità, a volte difficili da adottare | Potenziamento degli strumenti analitici con interfaccia AI gen, automazione delle attività creative (merchandiser copilot) |
| Catena del valore end-to-end | Processo decisionale indipendente da parte delle singole funzioni, che porta a un ciclo ricorrente di ricerca delle cause sottostanti degli eventi commerciali, spesso non riuscendo a identificare i veri fattori sottostanti | Ottimizzazione end-to-end del processo decisionale lungo tutta la catena del valore attraverso approfondimenti più rapidi, più precisi e personalizzati da fonti di dati strutturati e non strutturati, alimentando le decisioni su prezzi, promozioni, allocazione delle scorte, marketing digitale e altre leve di performance |
Fonte McKinsey article – LLM to ROI: How to scale gen AI in retail – traduzione in italiano
È doveroso sottolineare che il settore retail può anche disporre di casi d’uso quick-in per intraprendere l’utilizzo della Ai gen lungo la catena del valore, dato che questi casi d’uso richiedono generalmente meno risorse per l’implementazione e possono distribuire più facilmente gli attuali strumenti standard senza la necessità di molta personalizzazione.
Inoltre, l’Ai gen può anche aiutare il settore Retail ad accelerare il processo decisionale generando automaticamente approfondimenti, analisi root causes e domain level e company-wide response. Come si evince dalla immagine sotto riportata.
Fonte immagine McKinsey article – LLM to ROI: How to scale gen AI in retail
Settore retail e costi delle chatbot basate su AI gen
Molti player del settore retail stanno cercando di quantificare i costi derivanti dall’adozioni delle chatbot basate su Ai gen. Di fatto, è necessario considerare alcuni fattori quali:
- Le metriche delle prestazioni del prodotto o la durata di una conversazione tra un cliente e una chatbot – La durata della conversazione è inversamente correlata alla qualità della personalizzazione, il che significa che più una chatbot è personalizzata per un determinato cliente, più breve è la sua conversazione.
- Le conversioni di acquisto – Più alto è il tasso di conversione – che è legato all’efficacia della chatbot – minori sono i costi operativi netti di quella chatbot.
- Il prezzo delle LLM API (Large Language Model Application Programming Interface) – Il costo dell’utilizzo delle LLM API è diminuito drasticamente nell’ultimo anno (ad esempio, se si confronta il costo dei token di input, GPT-4o, rilasciato a maggio 2024, è la metà del GPT-4 Turbo, rilasciato un anno prima). Gli esperti di Ai ritengono che, entro i prossimi due o tre anni, il prezzo delle LLM API continuerà diminuire anche dell’80%.
Se le chatbot risultano troppo onerose, gli operatori del settore retail possono considerare una soluzione meno complessa come la ricerca intelligente che semplifica il processo d’acquisto mantenendo i costi bassi e con minori rischi legati a risposte inaccurate o dannose.
Come scalare l’uso dell’Ai gen retail
Man mano che le aziende capiscono come implementare la tecnologia per creare valore reale, i maggiori player del settore retail dovranno passare dal test alla scalabilità per rimanere competitivi e mantenere i propri clienti.
McKinsey individua i seguenti fattori per garantire la scalabilità dell’Ai gen retail e, precisamente:
- Identificare i domini da trasformare – Si tratta di identificare i vari domini in cui è necessaria una trasformazione e successivamente determinare quali strumenti – quali ad esempio l’RPA (Robotic Processing Automation) o l’analisi avanzata rafforzeranno l’impatto della AI gen.
- Migliorare le competenze del personale in termini di Ai – Si tratta di stabilire programmi di apprendimento per talenti sia tecnici sia non tecnici incentrati, ad esempio, sullo sviluppo di software di Ai e sull’ingegneria rapida.
- Costituire team interfunzionali per facilitare la scalabilità – Si tratta di costituire team interfunzionali per aiutare ad accelerare la scalabilità a breve termine, condividendo gli obiettivi aziendali e, così facendo, rafforzare la strategia complessiva dell’operatore retail.
- Configurare l’architettura per la scalabilità – Prima di optare per una soluzione specifica di Ai gen retail, i vari operatori del settore dovrebbero poter sperimentare alcune di queste soluzioni in modo da valutare quale si adatta meglio alle proprie esigenze. Si tratta, di fatto, di individuare quell’architettura di Ai gen retail abbastanza agile da rendere più facile il passaggio da un LLM all’altro, rendendo così più facile anche la scalabilità della tecnologia in tutta l’organizzazione.
- Garantire la qualità dei dati per i modelli – Ogni operatore del settore Retail dovrà identificare le fonti di dati non strutturate che lo differenziano dai vari e stabilire standard di tagging dei metadati in modo che i team tecnici possano alimentare in modo più efficiente i modelli di Ai gen retail. Si evidenzia che le decisioni sui dati dovrebbero essere supportate da una chiara comprensione dell’applicazione aziendale dei dati.
Conclusione
La Ai gen applicata al settore del retail, è destinata a diffondersi sempre più in futuro, inaugurando una nuova era di esperienze di acquisto personalizzate e operazioni ottimizzate che porteranno ad una trasformazione del settore.
Guardando al futuro, il settore retail con la Ai gen sarà in grado di garantire una maggiore personalizzazione, catene di fornitura più efficienti ed esperienze di acquisto innovative che confondono i confini tra il mondo fisico e quello digitale.
Si ritiene che, man mano che questa tecnologia continua a evolversi, il panorama del Retail subirà una trasformazione, offrendo ai vari player interessanti opportunità di connettersi con i clienti in modi più significativi ed efficienti.
Pertanto, guardando al futuro, l’adozione della tecnologia Ai gen retail potrebbe diventare la norma piuttosto che l’eccezione. Tuttavia, dobbiamo essere consapevoli che ogni tecnologia introdotta in qualsiasi ecosistema comporta cambi di paradigma ed è necessario valutarne gli impatti, oltre che garantire la conformità a normative vigenti che adottano sempre più un approccio risk-based e resilience-based, implicando l’adozione dei principi di risk management, business continuity e cybersecurity.
