Hvad onlineforhandlere tog fejl af algoritmer og kunstig intelligens

Omkring det tidspunkt, hvor COVID-19-pandemien tog fat i 2020, blev en gruppe af e-handel, direkte til forbrugermode, personlig pleje og tilberedte måltidspakker hyldet som førende detailhandlere, der genopfinder online shoppingoplevelsen ved at knuse data om kundeadfærd.

I 2018, industri fagblad RetailDive.com erklærede Katrina Sø "Årets Disruptor” for hendes rolle som stifter og administrerende direktør for Stitch Fix, et modewebsted, der tilbyder en abonnementsservice af varer, der er kurateret af 3,900 deltidsstylister. I en artikel offentliggjort i Harvard Business Review omkring samme tid beskrev Lake hendes virksomhed som "en datavidenskabsoperation", med omsætning "afhængig af gode anbefalinger fra dens algoritme."

Stitch Fix har været blandt de mere synlige eksempler på fremkomsten af ​​såkaldte abonnementsboksforhandlere. Listen omfatter skønhedsprodukter forhandler Birkekasse, som "kuraterer" og sender til abonnenter en samling af produkter baseret på tidligere køb og algoritmer, der kategoriserer forbrugere baseret på alder, placering og andre datapunkter. Blå Forklæde, en abonnementstjeneste til tilberedt måltid, var en anden bemærkelsesværdig deltager.

I begyndelsen af ​​2021, tre år efter, at selskabet blev børsnoteret, var Stitch Fix's markedsværdi en kæmpestor $10 milliarder.

I dag, blot atten måneder senere, har aktien mistet omkring 95% af sin værdi, og det er selskabet forventes at poste sit første årlige salgsfald siden den blev offentliggjort i 2017.

Tilsvarende Blå Forklæde er blevet til et endnu grimmere investeringstogvrag - fem år efter at aktien debuterede til 140 dollars pr. aktie, handles den til mindre end 4 dollars.

Hvorfor blev disruptorerne forstyrret?

Som det viser sig, var advarselsskiltene tydelige tilbage i 2018. I et stykke, der dukkede op på Quartz.com, Luis Perez-Breva, en underviser og en forsker ved MIT's School of Engineering, advarede om, at "Mange detailhandlere har glemt, hvad der virkelig hjælper kunder: Hjælp i butikken fra menneskelige arbejdere."

Ifølge Perez-Breva, "For at modtage rene data til maskinlæring (kunstig intelligens eller AI), sender mange forhandlere for eksempel kunderne spørgeskemaer, som er nemmere for computere at behandle."

Men, siger han, "Kunder er ikke AI'er. De fleste svarer aldrig på spørgeskemaerne, og mange udfylder det, de husker. Dette efterlader detailhandlere med fejlagtige ... data."

Også i 2018 konsulentgigant McKinsey & Co. undersøgte mere end 5,000 amerikanske forbrugere om abonnementstjenester og fandt ud af, at "afgange er høje (næsten 40 procent) ... og forbrugere annullerer hurtigt tjenester, der ikke leverer overlegne end-to-end-oplevelser."

McKinsey-rapporten konkluderede, at "Forbrugerne har ikke en iboende kærlighed til abonnementer. Om noget dæmper kravet om at tilmelde sig en tilbagevendende efterspørgsel og gør det sværere at skaffe kunder.”

I mellemtiden har flere akademikere skrevet om de risici, der er forbundet med at indsamle data om individuelle shoppere. Det kan være nyttigt for en forbruger, at en forhandler kender deres skostørrelse og yndlingsfarve. Men hvad sker der, når de data, der indsamles af AI og algoritmer, inkluderer køb af p-piller?

For en mangeårig deltager i og iagttager af detailbranchen kommer en gammel maksime til at tænke på: Jo flere ting ændrer sig, jo mere forbliver de det samme. AI er et kraftfuldt værktøj til styring af logistik, lagerbeholdning og en lang række andre forretningsledelsesproblemer. I tilfælde af at forudse forbrugeradfærd er noget af det værdifuldt, men kun hvis det bruges korrekt.

Hvis detailhandlere ønsker at vide, hvad forbrugerne ønsker, har de en gennemprøvet måde at finde ud af det på - ved at forbrugerne teste produkter og priser, før de begår værdifuld kapital. I stedet for at knuse data baseret på tidligere adfærd eller "kuratere" profilerne for forbrugerundergrupper baseret på maskinlæring, kan detailhandlere mere præcist forudsige tendenser og fremtidig efterspørgsel ved at bruge reel intelligens indsamlet fra real-time online med rigtige shoppere. Og hvis du vil anvende en algoritme, skal du bedre kunne bevise, at den virker igen og igen.