Inhoud
Q:
Kunnen dezelfde machine learning tools werken voor zowel detailhandel als productiebedrijven?
EEN:
Als het gaat om het afstemmen van machine learning tools voor zowel retail als productiebedrijven, zijn er enkele belangrijke overeenkomsten, maar er zijn ook fundamentele verschillen.
In de detailhandel zijn de meeste tools en processen voor machine learning gericht op verkoop en klantgerichte initiatieven. Bedrijven gebruiken de enorme kracht van machine learning om door gegevens te graven waarmee ze kunnen verkopen, die de conversie en dus de winst verhogen. Een uitstekend voorbeeld dat de grens tussen machine learning en kunstmatige intelligentie overschrijdt, is het nastreven van klantbereik rond het verlaten van de winkelwagen. De sets met tools die actief klanten bereiken die artikelen in een winkelwagentje hebben achtergelaten, worden vaak geclassificeerd als kunstmatige intelligentie-tools, maar andere tools die eenvoudig gegevens verzamelen en analyseren om door mensen aangedreven systemen te ontwikkelen, zijn voorbeelden van machine learning die in de detailhandel worden toegepast.
In de industrie ziet het landschap van machine learning er heel anders uit. Machine learning is op een aantal unieke manieren van toepassing op de productie en de productie van fysieke goederen. Veel van de waarde van machine learning in de industrie wordt toegepast op de afhandeling van supply chains. Machine learning informeert onderhoud, reparatie en revisie (MRO) processen en andere aspecten van het bouwen, verpakken of assembleren van afzonderlijke of massaproductie-items. Met andere woorden, veel van de meest waardevolle hulpmiddelen voor machinaal leren in de productie zijn gericht op de werkvloer, niet gericht op klanten, maar op het bouwen van de perfecte "slimme fabriek" en het verbeteren van fysieke processen. (Dit Forbes-artikel is slechts een voorbeeld van tien van de manieren waarop machine learning de productie snel en fundamenteel verandert.) De machine learning tools voor retail zijn daarentegen vooral gericht op de 'slimme verkoopvloer' en het grootste deel van de handel dat vindt nu plaats online of via digitale platforms.
Dat gezegd hebbende, kunnen retailbedrijven ook hulpmiddelen voor machinaal leren gebruiken om fysieke processen, bijvoorbeeld inventaris, af te handelen. Bij voorraadbeheer kunnen machine learning voorspellers retailbedrijven helpen enorme hoeveelheden geld te besparen door alleen de inventaris die ze nodig hebben op een bepaald moment beschikbaar te houden en magazijn- en opslagactiviteiten veel efficiënter te maken. Een grote waarde van machine learning in de detailhandel is echter nog steeds gericht op beslissingsondersteuning voor verkoop, meer leren over de klant op basis van diepgaande gegevensaggregatie en analyse, het onderzoeken van demografie en persoonlijke informatie en het verkrijgen van uiterst waardevolle verkoopinformatie.
Het komt erop neer dat, als een voorbode van een sterke AI, hulpmiddelen voor machinaal leren en diep leren eenvoudigweg 'slim' zijn. Ze verzamelen gegevens en bieden een holistisch beeld van een bepaald concept, of dit nu in een geografische, fysieke ruimte of een digitale is milieu. Verschillende industrieën maken dus op verschillende manieren gebruik van de kracht van machine learning. Het verschil tussen machine learning in de detailhandel en machine learning in de productie is een duidelijk voorbeeld van hoe bedrijven hun behoeften vaststellen en dienovereenkomstig machine learning-technologieën toepassen.