AI i detaljhandeln mÄste vara halvautomatiserad. HÀr Àr varför

 AI i detaljhandeln mÄste vara halvautomatiserad.  HÀr Àr varför


ÅterförsĂ€ljare behöver mer beslutsautomatisering, snabbare samordning av försörjningskedjor och snabbare interaktion med konsumenter, vilket innebĂ€r att de i allt högre grad kommer att förlita sig pĂ„ AI. Automatiserade beslutssystem kommer snart att fatta finkorniga mikrobeslut pĂ„ Ă„terförsĂ€ljarens vĂ€gnar, vilket pĂ„verkar kunder, anstĂ€llda, partners och leverantörer. Men dessa system kan inte köras sjĂ€lvstĂ€ndigt – de behöver mĂ€nskliga chefer.

SÄ exakt hur ska denna mÀnskliga ledning se ut?

Varje system för att fatta mikrobeslut mĂ„ste övervakas. Övervakning sĂ€kerstĂ€ller att beslutsfattandet Ă€r “tillrĂ€ckligt bra” samtidigt som det skapar den data som behövs för att upptĂ€cka problem och systematiskt förbĂ€ttra beslutsfattandet över tid.

TÀnk pÄ följande detaljhandelsexempel: En modeÄterförsÀljare som historiskt hade tillÀmpat trubbiga regler för att faststÀlla nedsÀttningar beslutade att implementera en ny AI-driven lösning. Systemet fungerade bra under de första veckorna och fattade oftare och mer kirurgiska beslut Àn vad mÀnskliga chefer kunde tÀnka sig. Men i början av badklÀderssÀsongen identifierade systemet en lÄngsam initial genomförsÀljning som gjorde att alla badklÀder mÀrktes ner till slutsÄld. Som ett resultat förlorade ÄterförsÀljaren miljontals dollar i marginal och lÀmnades utan badklÀder.

Varför hÀnde det hÀr? De aggressiva nedskÀrningarna utlöstes eftersom de första tre veckornas försÀljning var lÀgre Àn vÀntat. En mÀnniskohandlare skulle inte ha fÄtt panik och skulle ha insett att detta berodde pÄ ett par sÀrskilt kalla veckor. Men det ohanterade och oövervakade AI-systemet kördes helt enkelt pÄ sin logik.

Exemplet ovan illustrerar varför det bÀsta sÀttet att distribuera AI vanligtvis Àr semi-automation: automatisering som involverar en viss nivÄ av mÀnsklig tillsyn. NÀr den Àr optimerad för varje beslut, kan halvautomatisering hjÀlpa ÄterförsÀljare att spara tid, stÀrka de anstÀllda och avsevÀrt förbÀttra lönsamheten, samtidigt som man undviker kostsamma fallgropar.

4 tillvÀgagÄngssÀtt till semi-automation

De fyra modellerna för semi-automation strÀcker sig frÄn tungt till mycket lÀtt mÀnskligt engagemang.

Först, mÀnniska i slingan (HITL) Àr det mest grundlÀggande ramverket för semi-automation, dÀr beslut sÀllan fattas utan mÀnsklig inblandning. Ett sÄdant system ger rekommendationer baserade pÄ automatiserade berÀkningar, men en mÀnniska fattar i slutÀndan beslutet. Till exempel berÀknar prissÀttningsprogramvaran det ideala priset pÄ en klÀnning för att maximera lönsamheten, men prissÀttningschefen mÄste skriva under pÄ varje beslut.

NÀsta modell Àr mÀnniska i slingan för undantag (HITLFE), dÀr mÀnniskor tas bort frÄn standardbeslutsfattande, men systemet engagerar en chef nÀr mÀnskligt omdöme krÀvs. Till exempel, om det automatiserade systemet har tvÄ leverantörsalternativ för lagerpÄfyllning, mÄste köparen gÄ in och ringa det sista samtalet.

Sedan finns det mÀnniska pÄ slingan (HOTL), vilket innebÀr att maskinen fÄr hjÀlp av en mÀnniska. Maskinen fattar mikrobesluten, men mÀnniskan granskar beslutsresultaten och kan justera regler och parametrar för framtida beslut. I en mer avancerad instÀllning rekommenderar maskinen Àven parametrar eller regelÀndringar som sedan godkÀnns av en mÀnniska.

Äntligen finns det mĂ€nniska ur slingan (HOOTL), vilket Ă€r dĂ€r en mĂ€nniska helt enkelt övervakar maskinen. Maskinen fattar varje beslut, och mĂ€nniskan ingriper endast genom att sĂ€tta nya begrĂ€nsningar och mĂ„l.

Vanliga fallgropar med full automatisering

Att vĂ€lja rĂ€tt modell att anvĂ€nda Ă€r ett designproblem. Som vi har sett Ă€r automatisering inte “allt eller ingenting”, och beslut skapas inte lika. RĂ€tt modell bör bestĂ€mmas baserat pĂ„ beslutets komplexitet, volym, hastighet och “sprĂ€ngradie”, som mĂ€ter den potentiella nackdelen. Till exempel, om beslutet helt enkelt Ă€r att rekommendera en blĂ„ klĂ€nning istĂ€llet för en röd eftersom blĂ„ Ă€r slut i lager, Ă€r det ett lĂ„griskbeslut som kan automatiseras helt med begrĂ€nsad tillsyn. Men om det vĂ€rsta resultatet resulterar i felordning av tusentals klĂ€nningar eller i dyra nedskĂ€rningar som i exemplet med badklĂ€der, dĂ„ Ă€r mĂ€nsklig tillsyn och ansvarsskyldighet viktigare. Det Ă€r ocksĂ„ viktigt att inse att automatiserade system kan och kommer att utvecklas över tid, möjliggjort av ny teknik, viljan att fatta allt mer finfördelade beslut och ledningens förtroende för att automatisera affĂ€rsverksamheten.

Att göra ett framgÄngsrikt skifte till semi-automation

Nyckeln till en framgĂ„ngsrik implementering av alla AI-system Ă€r att börja med ett kvantifierat affĂ€rsproblem. Med detta mĂ„ste Ă„terförsĂ€ljare frĂ€mja en datadriven kultur dĂ€r hela teamet Ă€r engagerat i att bestĂ€mma hur man bĂ€st kan förbĂ€ttra specifika affĂ€rsbeslut. Detta krĂ€ver ocksĂ„ en förĂ€ndring i hur Ă„terförsĂ€ljare gör sina jobb. Till exempel kan merchandisingchefer tidigare ha varit tvungna att sĂ€tta priser för flera dussin klĂ€nningar om dagen baserat pĂ„ lager, försĂ€ljningsdata och konkurrentaktivitet. Men nu, med personliga kampanjer och rekommendationer, kan samma chef vara ansvarig för miljontals beslut om dagen. Detta krĂ€ver en grundlĂ€ggande förskjutning frĂ„n att fatta beslut till att fatta – dvs att hantera regler och parametrar snarare Ă€n att fatta specifika prisbeslut.

Halvautomatisering av affĂ€rskritiska beslut mĂ„ste hanteras försiktigt, med hĂ€nsyn till den potentiella ökningen av sprĂ€ngriskens radie. NĂ€r beslutet att automatisera har fattats mĂ„ste Ă„terförsĂ€ljare vĂ€nda sin uppmĂ€rksamhet mot beslutsalgoritmer – logiken och reglerna som gör det möjligt för Ă„terförsĂ€ljare att utföra mikrobesluten. Felkommunikation mellan datavetenskapsteamet och resten av organisationen kan leda till fel och missade möjligheter, vilket potentiellt skapar en motvilja till förĂ€ndring som kan vara ganska svĂ„r att vĂ€nda.

Automatisering Àr framtiden, men inte utan mÀnsklig inblandning

Oavsett vilken modell du anvÀnder Àr det viktigt att sÀtta AI pÄ organisationsschemat för att sÀkerstÀlla att mÀnskliga chefer kÀnner ansvar för dess produktion. För att lyckas mÄste ÄterförsÀljare förstÄ de olika sÀtten de kan interagera med AI och vÀlja rÀtt hanteringsalternativ för varje AI-system. Att vÀlja den bÀsta nivÄn av semi-automatisering kommer att sÀkerstÀlla att detaljhandeln realiserar den fulla potentialen av AI.

VentureBeats uppdrag ska vara ett digitalt stadstorg för tekniska beslutsfattare att fÄ kunskap om transformativ företagsteknik och handla. LÀs mer om medlemskap.