機械学習はよりパーソナルな小売体験を提供している

買い物客はますます増えています より厳しい。彼らはデジタルショッピングとフィジカルショッピングを統合した体験を求めています。彼らは価値を求めています。彼らは効率を求めています。機械学習 (ML) は、小売業者がこうした期待に応えるのに役立つ、最も正確で費用対効果の高いツールです。

MLは、小売業者に顧客行動、最適な価格設定、サプライチェーン、フルフィルメントに関する洞察を提供します。この記事では、E コマースに ML を適用するための 5 つのユースケースについて説明します。

マーケティングと広告

ダイナミックなクリエイティブ最適化 顧客に関する情報（通常は以前の閲覧習慣や顧客のショッピングカートから収集された情報）に基づいて広告をパーソナライズします。これにより、小売業者は、顧客の好みに基づいて特定の商品を特定の方法で宣伝するために必要なデータが得られます。たとえば、フロリダの買い物客には断熱ボトルが水を冷たく保つと宣伝され、バーモント州の買い物客には同じボトルがコーヒーを温かく保つと宣伝されることがあります。

調査によると、顧客は実際に これらのカスタマイズされた体験を好む:

• 消費者の 80% パーソナライズされた体験を提供するブランドから購入する傾向が高い
• お客様の 74% ウェブサイトのコンテンツがパーソナライズされていないとイライラする
• 消費者の 63% パーソナライゼーション戦略が不十分なブランドからの購入をやめます。

機械学習は、広告の意思決定から人間の偏見を取り除くことで、小売業者が顧客とつながり、顧客のニーズを満たすのに役立ちます。

感情応答技術

小売業者は機械学習を通じて、微妙な顧客の手がかりを得て、よりパーソナライズされた、収益性の高い小売体験を設計できます。

メタ例えば、複数収納可能 感情に基づく AI 特許 キーボード、マウス、タッチスクリーン、その他の入力デバイスの操作方法に基づいて、タイピング速度、ハードキーの押し方、タッチスクリーンでのジェスチャーの性質、場所、デバイスの動きなどの要因を分析することで、ユーザーの感情状態を測定できます。Metaはソーシャルメディア企業かもしれませんが、収益のほとんどは広告を通じて稼いでいます。116.61億ドル 2022年に。その感情ベースのテクノロジーは、小売業者が複数のプラットフォームで商品に興味を示した顧客をターゲットにして販売を完了させたり、明らかに興味がない顧客への広告配信を停止したりするのに役立ちます。

小売業者は、自社のチャネルを通じて感情反応データを利用して顧客にリーチすることもできます。これには、商品ページの直帰率、顧客が写真の確認やズームや360度表示などの拡張表示機能の使用に費やした時間、顧客が同じ商品ページに戻る頻度の分析が含まれます。これらのデータポイントは、小売業者が広告で同じ商品の顧客をターゲットにしているのか、あるいは購入を促すために割引を提供しているのかを知ることができます。

ダイナミック・プライシング・モデル

値切り交渉は、販売において最も古くから行われてきた慣習の1つです。eコマースでは、動的価格設定と呼ばれる一方的な芸術形態になっています。データポイントを利用して市場の状況や顧客の関心レベルに合わせて商品の価格を調整することで、小売業者は取引を成立させるための適切な価格を見つけることができます。

たとえば、顧客がカート内の商品を放棄した場合、残したものを思い出させる割引コードが記載されたメールが届く場合があります。これは、eコマースが実店舗よりも明らかに有利な分野の1つです。現実のほとんどの販売員には、購入について迷っている顧客に割引を提供する余裕や権限がありませんが、小売業者は価格弾力性のためにeコマースのアルゴリズムルールを設定できます。

データによると、この戦略は成功しています。 マッキンゼー 動的価格設定との連携により、クライアントの売上成長率は2〜5％、利益率は5〜10％向上したと報告しています。

需要予測

ML は次のような場合に効率的です。 需要予測 人間だけじゃなくて小売規模のデータセットを処理し、外部要因 (天候、内乱、労働争議など) を組み込むことで、正確で詳細な短期および長期の予測を作成できます。

時系列予測は小売業界では古くから受け入れられてきた手法ですが、多くの場合、MLベースの需要予測の方が正確です。これは、時系列モデルでは過去のパターンを将来の需要にしか適用できないのに対し、機械学習は変数とそれに関連する需要パターンとの実際の関係を定義しようとするためです。

たとえば、時系列予測では、独立記念日が月曜日または金曜日に当たり、週末が3日になる方が、週の半ばに当たる場合よりもビーチ用品の需要が高くなると予測できます。ML では、暴風雨システムや熱波などの要因に基づいてデータをさらに絞り込むことができます。

ロジスティクスの観点から見ると、小売業者はデータに基づいてサプライチェーンを調整するにはまだ時間が必要ですが、機械学習の需要予測により、需要が最も高いと思われる場所に在庫を送るという点で有利なスタートを切ることができます。つまり、実店舗では、顧客が地元の店舗を訪れると、品揃えの豊富な棚が表示されます。eコマースにとっては、より迅速なフルフィルメントと顧客の満足度向上につながる可能性があります。

返品データの活用

マクロレベルでは、小売業者は返品データを使用して、品揃え、サプライヤー、およびロジスティクスパートナーに関する意思決定を行うことができます。ミクロレベルでは、MLはそのデータを使用して商品のレコメンデーションをカスタマイズしたり、個々の顧客にプロモーションを提供したりできます。

このようなパーソナライゼーションは、アパレルや靴など、従来より高い収益が見込まれるセクターで特に魅力的です。顧客が小さすぎるという理由で繰り返し商品を返品する場合、小売業者は商品ページにユーザー固有のメッセージを記載して予測サイズを示すことができます（たとえば、「過去の購入履歴に基づいて、サイズ8をお勧めします」など）。同様に、小売業者は、到着が遅すぎる商品を頻繁に返品するVIP顧客に、無料の速達配送を提供する特別なルールを設ける場合があります。

おおよそ 81% の顧客が購入前にオンラインで製品を調べています。「欲しい」という探索段階から購入のライフサイクル、そして返品に至るまでのデータを収集して活用することで、小売業者は買い物客にパーソナライズされた体験を提供することで、売上と顧客ロイヤルティを高めることができます。ML は、顧客とのやり取りから推測に頼る作業を排除し、小売業者が買い物客が必要とするものを正確に提供できるよう支援します。