CONTENIDO ELABORADO POR ORISHA | OPENBRAVO
La inteligencia artificial (IA) está transformando la forma en que las empresas operan, y el retail no es una excepción. Con ella la IA generativa, con la que según Gartner, en 2027 el 90 % de los minoristas Tier 1 habrán ejecutado de forma exitosa al menos un caso de uso transformador del negocio. Empecemos primero con las diferencias entre la IA tradicional y la IA generativa.
La IA tradicional
La IA tradicional se centra en ejecutar tareas específicas inteligentemente, respondiendo a entradas particulares, aprendiendo de datos y tomando decisiones o predicciones basadas en ellos. Los asistentes de voz como Siri o Alexa, los motores de recomendación de Netflix o Amazon y el algoritmo de búsqueda de Google, son algunos ejemplos, todos entrenados para seguir reglas específicas y realizar su trabajo de manera eficiente, sin generar nada nuevo.
Algo de lo que muchos empezamos a oír, desde aquel 1997, cuando el computador Deep Blue de IBM venció al legendario ajedrecista Gary Kaspárov en una partida de ajedrez. Este suceso representó un gran logro, ya que demostró al mundo que la inteligencia artificial era una realidad.
La IA generativa: la evolución de la IA
La IA generativa, una nueva forma de IA y considerada su evolución, puede crear algo nuevo a partir de la información proporcionada, incluyendo texto, imágenes, música e incluso códigos informáticos. Los modelos de IA generativa se entrenan con un conjunto de datos y aprenden los patrones subyacentes para generar nuevos datos que reflejan el conjunto de entrenamiento. Un ejemplo es GPT-4, el modelo de predicción de lenguaje de OpenAI.
Así, mientras que la IA tradicional analiza datos y hace predicciones, la IA generativa crea nuevos datos similares a los de entrenamiento.
Factores que impulsan la adopción de IA e IA generativa en el retail
La eficiencia operativa, la optimización de la cadena de suministro, la gestión de la demanda, la optimización de precios y la mejora de la experiencia del cliente son los principales impulsores detrás de la adopción de la IA. En estos escenarios, la IA puede analizar grandes cantidades de datos en tiempo real, proporcionando información valiosa para la toma de decisiones y para responder rápidamente a las tendencias del mercado.
La necesidad de sistemas de IA más sofisticados y adaptables que puedan realizar tareas más complejas y adaptarse a nuevas situaciones sin necesidad de ser programados específicamente para ello impulsa la adopción de la IA generativa. Esto puede permitir a los minoristas automatizar más sus operaciones, ofrecer nuevas experiencias y un servicio al cliente aún más personalizado.
Casos de uso de IA y IA generativa en el retail de moda, deportes y hogar
Revisamos ahora 10 casos de uso representativos de la aplicación de inteligencia artificial en este tipo de minoristas.
1. Previsión de la demanda. Este es un caso de uso de alto valor para este tipo de minoristas, quienes a menudo deben comprar a proveedores o ser abastecidos con recursos internos de seis a nueve meses antes del inicio de la temporada. Una mejora en la precisión de los pronósticos puede impactar enormemente las ventas y beneficios.
2. Análisis de merchandising en la pretemporada y la temporada. Permite aplicar análisis avanzados a los procesos de planificación estacional para entender mejor lo que ocurrió en el pasado y combinarlo con indicadores clave que ayudarán a predecir lo que ocurrirá en el futuro. Para estos minoristas, un análisis detallado y guiado de la pretemporada y del rendimiento de los productos durante la temporada es de alto valor.
3. Merchandising centrado en cliente. Permite aprovechar la IA para determinar los artículos que se almacenarán, sustituirán y eliminarán en los puntos de contacto para maximizar las ventas, el margen, el inventario y la satisfacción del cliente. Ello a partir de distintas fuentes de información, como datos transaccionales, del CRM, competidores, redes sociales y proveedores de servicios de datos.
4. Búsquedas mejoradas. Se trata de mejorar la capacidad de los clientes para encontrar lo que buscan durante un proceso de compra y presentar opciones que aumenten la probabilidad de up-selling y cross-selling. Un caso particular es la búsqueda visual, mediante una foto, captura de pantalla u otra imagen, en lugar de con texto.
5. Mejores tallas. Soluciones que recopilan datos corporales de los compradores para una mayor precisión de las recomendaciones. Esto permite por ejemplo a los minoristas de moda reducir las devoluciones e-commerce. También mejora la satisfacción del cliente a través de una experiencia de compra más precisa.
6. Optimización de precios y promociones. Los algoritmos de IA pueden analizar una gran cantidad de datos para determinar los precios óptimos durante cada fase del ciclo de vida de la mercancía, con factores como la demanda, la competencia, las tendencias del mercado, y las preferencias de los clientes. Un caso particular es la fijación de precios dinámicos en tiempo real, el cual a pesar de su valor se ve muy limitado por las dificultades de cambiar los precios físicos.
7. Interfaz de chat conversacional. Permite el uso de lenguaje natural con inteligencia artificial y interfaces de asistente virtual para interactuar con clientes y asociados, lo que puede incluir facilitar una transacción. El principal impulsor de este caso de uso es la alta productividad.
8. Personalización. Los algoritmos de IA pueden analizar grandes cantidades de datos de los clientes para proporcionar una experiencia de compra personalizada. Los chatbots, por ejemplo, pueden interactuar con ellos en tiempo real, responder a sus preguntas, y ofrecer recomendaciones de productos personalizadas.
9. Experiencias inmersivas. Permiten transformar las experiencias de compra físicas con una superposición digitalizada para mejorar la experiencia del cliente, con tecnologías como la realidad aumentada, virtual o mixta. Las experiencias inmersivas serán de vital importancia en el futuro para impulsar los ingresos, mostrando ya hoy un importante progreso en sectores como el retail del mueble y decoración y de la mejora del hogar.
10. Detección de riesgo, fraude y amenazas. Permite identificar anomalías y amenazas anticipando y evitando la pérdida de ingresos, seguridad o activos. Es uno de los casos implementados con más frecuencia, ya que reduce el riesgo para la organización y puede conducir a una mayor productividad, al tiempo que mejora la imagen de marca.
Conclusión
La IA tiene el potencial de revolucionar el sector minorista, con un creciente número de retailers que reconocen su potencial, buscando formas de incorporarla en sus operaciones. La IA generativa es además una tendencia emergente, con ejemplos públicos ya conocidos como el asistente de moda personal para clientes basado en ChatGPT de Zalando o el asistente personal virtual para más de 50.000 empleados de Walmart.
Sin embargo, la adopción de la IA también plantea importantes desafíos, relacionados con regulaciones, privacidad de datos y derechos de propiedad intelectual. En este escenario, Europa ha sido el primer territorio en el mundo en introducir una ley para regular su uso: la Ley de Inteligencia Artificial de la UE.
Mientras tanto, los minoristas deberán analizar sus estrategias y objetivos de negocio para identificar los casos de uso de interés. Ello podrá significar adoptar nuevas tecnologías o aprovechar las ya existentes, como plataformas de comercio unificado, soluciones tipo POS y otras que permitan una fácil integración con las API de motores como el de ChatGPT.
