Многие компании стремятся использовать искусственный интеллект а также машинное обучение возможности, хотя бы по той простой причине, что дать возможность своим сотрудникам, клиентам и деловым партнерам знать, что они находятся на переднем крае технологического прогресса.

В то же время многие компании стремятся улучшить впечатления клиентов и торговых партнеров, чтобы повысить лояльность к бренду, увеличить продажи и увеличить долю рынка – среди прочего.

Некоторые нашли способ объединить эти цели, используя инструменты на базе искусственного интеллекта, чтобы улучшить способы предоставления продуктов, услуг и поддержки своим клиентам и деловым партнерам. Вот два примера.

G&J Pepsi: прогнозирование потребностей магазинов в товарах

G&J Pepsi-Cola Bottlers начала свой набег на искусственный интеллект и машинное обучение в январе 2020 года, когда она стала партнером Microsoft, чтобы лучше понять компоненты искусственного интеллекта и машинного обучения в облачной платформе Microsoft Azure.

Под руководством группы специалистов по обработке и анализу данных Microsoft «мы потратили время на изучение среды, необходимые наборы навыков и начали поглощать различные компоненты данных в Azure ML для обеспечения прогнозируемых результатов », – говорит Брайан Балзер, вице-президент по цифровым технологиям и трансформации бизнеса компании G&J Pepsi.

Годом ранее руководство G&J Pepsi обратилось в свою организацию, занимающуюся цифровыми технологиями, с просьбой предоставить прогнозируемые заказы и оптимизировать полки магазинов для продуктов Pepsi. «Это было обусловлено большим объемом ручного труда, необходимого для обслуживания наших клиентов с широким спектром предлагаемых нами продуктов, торговых марок и артикулов», – говорит Бальцер.

Компания предлагает более 250 наименований товаров, и, как правило, большая часть этих товаров имеется в наличии в любом количестве магазинов на ее рынках. Руководители высшего звена хотели, чтобы у компании был автоматизированный механизм заказов, чтобы ускорить процессы и улучшить результаты.

По словам Бальцера, составители заказов в компании должны знать каждый магазин, поведение потребителей при покупках, коммерческую деятельность, рекламные акции, тактику конкурентов, изменения погоды и многое другое. «Все это делается вручную и на основе собственного опыта», – говорит он. «Некоторые могут прекрасно справляться со всем этим, но это требует много времени и очень зависит от человека».

Кроме того, по словам Бальцера, для приобретения этих знаний у людей может потребоваться много времени. «Что, если они уйдут из компании? Все эти знания идут с ними, и следующий человек должен пройти обучение и изучить его самостоятельно », – добавляет он.

Процесс повторного заказа обычно выполняется вручную, при этом сотрудники подсчитывают пустые места на полках и в подсобных помещениях. «Большая часть этой работы основана на многолетнем опыте работы в каждом магазине», – говорит Бальцер. «Мы начали собирать эти данные и закачивать их в модели машинного обучения Azure, которые уже встроены в платформу. Мы потратили время на настройку этих моделей, добавив в них больше данных ».

По мере того как в модели машинного обучения вводятся различные типы данных, они генерируют прогнозируемый порядок. G&J Pepsi занимается развертыванием платформы автоматизированных заказов для всех сотрудников, обслуживающих магазины Kroger, и планирует в ближайшие месяцы развернуть ее и для тех, кто обслуживает магазины Walmart. Компания хочет использовать ту же технологию, чтобы начать оптимизировать полки для своего сегмента продуктовых магазинов и магазинов товаров повседневного спроса.

«Одна из самых больших проблем, с которой сталкивается любая компания, производящая напитки, – это определить, какие продукты хранить в холодных помещениях» в розничных магазинах, – говорит Бальцер. По его словам, для этого необходимо иметь четкое представление о том, какое количество определенного продукта должно быть доступно в каждом магазине, правильное расположение в холодильных камерах и потенциальную прибыль от этих продуктов.

«Это может быть сложная формула, которая меняет рынок на рынок», – говорит Бальцер. Например, настоянная вода или чай могут продаваться быстрее в городе, чем на сельском рынке, тогда как в отношении энергетического напитка может произойти обратное. Разработка правильных наборов продуктов и оптимизация складских помещений имеют решающее значение для успеха G&J Pepsi.

Разработанный компанией инструмент машинного обучения, Cold Space Allocator, учитывает все переменные и предлагает оптимизированный выбор продуктов для каждого клиента на каждом рынке. «Он также предоставит рекомендации по продуктам, которые могут быть лучше в аналогичных местах, чтобы заменить более медленно продаваемые продукты», – говорит Бальцер. «Оптимизация продукта является огромным рыночным преимуществом, если она сделана должным образом с учетом требований потребителей».

Компания также может использовать данные, чтобы показать своим клиентам, какие продукты больше всего увеличивают их прибыль, а какие пользуются наибольшим спросом.

С момента внедрения платформы автоматизированных заказов G&J Pepsi добилась значительного повышения эффективности заказов. Время, необходимое для написания заказов, сократилось с более чем 60 минут на магазин до примерно 10 минут.

Компания действительно столкнулась с несколькими проблемами, когда начала внедрять новую технологию. «Первым и самым важным было сосредоточиться на процессе», – говорит Бальцер. «Хорошая технология в плохом процессе каждый раз терпит неудачу. Перед внедрением технологии крайне важно исправить проблемы процесса. Мы нашли время, чтобы сотрудничать с нашими непосредственными сотрудниками, чтобы понять, как они управляют своими текущими процессами, получают поддержку и устраняют любые проблемы с процессами ».

Например, для того, чтобы сработал процесс прогнозирования заказов, компании необходимо было убедиться, что все сотрудники, работающие с клиентами, одинаково обслуживают клиентов. «Это означает, что им нужно ходить по магазину таким же образом, сначала определять запасы на складе, разбираться в рекламных акциях, продажах и т. Д., – говорит Бальцер. «Им также необходимо было понять, как покупательское поведение влияет на нашу способность предоставлять прогнозируемый заказ и когда им следует или не следует приспосабливаться».

G&J Pepsi также требовала, чтобы пользователи поняли, почему платформа автоматизированных заказов ценна для них, как она делает их более эффективными и как она улучшает их способность обслуживать клиентов. У сотрудников были свои опасения.

«Их нужно было убедить, что мы не увольняем их работу», – говорит Бальцер. «На самом деле мы упрощаем их работу и даем им время, чтобы обслуживать больше клиентов или проводить больше времени с менеджерами магазинов, чтобы сосредоточиться на продажах. Поскольку у них будет больше времени на построение отношений с каждым магазином, они увидят улучшенные результаты от развития этих отношений и наших брендов ».

Zipline: доставка медикаментов туда, где они больше всего нужны

Zipline – это служба доставки с помощью дронов, заявленная миссия которой – не меньше, чем предоставить каждому человеку на Земле мгновенный доступ к жизненно важным медицинским товарам, включая кровь, вакцины и средства индивидуальной защиты. Дроны компании пролетели более пяти миллионов миль в разных странах и выполнили более 115 000 коммерческих поставок, в том числе доставили расходные материалы в больницы и клиники в некоторых из самых отдаленных населенных пунктов мира.

Компания проектирует, собирает и эксплуатирует свою систему беспилотных летательных аппаратов в США и продвигается к сертификации FAA своих дронов и сертификации авиаперевозчиков для своих операций в США.

«Искусственный интеллект и машинное обучение были более или менее« встроены »в Zipline с самого начала, – говорит Мэтт Фэй, руководитель группы данных компании. «Я не думаю, что вы могли бы создать совместный парк автономных самолетов без этих инструментов».

По словам Фэй, на ранних этапах, до того как Zipline летала сотни часов в день, для разработки интеллектуального поведения требовалось меньше методов, основанных на данных, потому что у компании не было таких наборов данных, которые заставляли бы работать эти алгоритмы. «Только когда мы начали летать, доставляя медицинские товары каждый день в Руанду, мы собрали достаточно данных, чтобы потребовать новых инструментов», – говорит он.

По словам Фэй, в то время у компании было двоякое желание. «Во-первых, мы хотели перейти от локального рабочего процесса – отдельные инженеры загружают и анализируют серию полетов на своих машинах – к облачному подходу, при котором вся наша история полетов уже была доступна», – говорит он.

Во-вторых, Zipline хотел создать среду анализа с мощными возможностями пакетной обработки и общим рабочим пространством для совместной работы. Команда разработчиков программного обеспечения уже свободно владела Python, поэтому компания развернула Блокнот Jupyter, веб-приложение с открытым исходным кодом, которое позволяет пользователям создавать и обмениваться документами, содержащими живой код, уравнения, визуализации и повествовательный текст, выполняемые в кластере Apache Spark движки аналитики.

Ключевым компонентом является платформа для науки о данных и машинного обучения от Databricks, которая сочетает в себе масштабируемую облачную вычислительную среду с потоками данных по всем аспектам деятельности Zipline – от журналов полетов до технического обслуживания и отслеживания происхождения и состояния деталей и запасов на предприятии. каждый распределительный центр.

«Поскольку Databricks – это общая среда для совместной работы, мы можем инвестировать в платформу: создавать собственный набор утилит для пакетной обработки, поддерживать графическую библиотеку наших наиболее полезных визуализаций данных для полетов, создавать простой набор руководств и учебная программа для адаптации новых членов команды », – говорит Фэй.

«Когда большинство людей думают об инициативах« демократизации данных », они обычно думают о платформах инструментальных панелей, которые предоставляют доступ к аналитике», – говорит Фэй. «Хотя это важная часть арсенала любой сильной группы данных, с [the Databricks platform], мы смогли демократизировать науку о данных, дав каждому сотруднику компании возможность комбинировать, исследовать, визуализировать и действовать на основе всех данных Zipline ».

Эта широко доступная возможность помогла Zipline повысить качество обслуживания. По словам Фэй, клиенты компании и обслуживаемые ею системы здравоохранения «рассчитывают на то, что мы надежно доставим основные лекарственные средства в срок». «Для этого требуется нечто большее, чем просто надежный самолет; он требует достаточной производственной мощности на каждом этапе процесса, связанного с выполнением заказа ».

Экстренная доставка может быть отложена по любому количеству причин: от нехватки персонала для подбора и упаковки каждого продукта до исчерпания полностью заряженных аккумуляторных батарей самолета. «Чтобы понять компромиссы и узкие места в более крупной системе, которая представляет собой распределительный центр Zipline, наша команда создала инструмент моделирования на основе событий, моделирующий каждый шаг, связанный с доставкой медицинских продуктов», – говорит Фэй.

Без настройки этой симуляции на «реальные данные», взятые из операций Zipline, «этот инструмент был бы бесполезно неточным», – говорит Фэй. «Только после завершения калибровки мы сможем задавать все виды бесценных гипотетических вопросов и отвечать на них:« Как открытие трех новых точек доставки повлияет на нашу своевременность в этом распределительном центре? Если мы увеличим скорость зарядки на 10%, на сколько меньше аккумуляторов и зарядных устройств нам понадобится? Каков наилучший алгоритм отправки самолетов? »

Zipline обнаружил, что идеи, полученные с помощью этого инструмента, влияют практически на каждую команду в компании. «По этой причине, наряду с простотой непрерывной калибровки и обновления модели, мы решили разместить ее в Databricks», – говорит Фэй. «Это позволяет аналитикам с разными потребностями в компании видеть одни и те же результаты моделирования и исследовать соответствующие части».

Для клиентов Zipline и их пациентов эта технология означала более надежную доставку жизненно важных материалов.

Авторские права © 2021 IDG Communications, Inc.


#Как #ИИ #может #улучшить #качество #обслуживания #клиентов

Source link