Bagaimana AIoT Mentransformasi Ritel:Toko yang Lebih Cerdas, Layanan yang Lebih Baik, dan Rantai Pasokan yang Dioptimalkan
Sektor ritel juga tidak kebal terhadap perkembangan perangkat dan sensor berkemampuan IoT di seluruh toko, saluran layanan pelanggan, pergudangan, dan rantai pasokan. Kini, retailer menerapkan Kecerdasan Buatan untuk memanfaatkan data ini dengan lebih baik.
Dengan demikian, kecerdasan buatan (AIoT) menjadi hal yang penting bagi pengecer. Mengapa? Menggabungkan AI dengan data dari perangkat IoT membantu retailer menata ulang pengalaman di dalam toko, meningkatkan penyampaian layanan, dan menjaga visibilitas produk di setiap tingkat operasional.
Dalam laporan tematik Global Data IoT in Retail and Apparel, peningkatan integrasi AI ke dalam produk dan layanan IoT di ritel tidak dapat dihindari dan sudah terjadi:"Lapisan utama dalam rantai nilai IoT adalah fisik, konektivitas, data, aplikasi, dan layanan. Meskipun lapisan-lapisan ini terpisah secara logis, solusi IoT skala besar mengalami pengaburan besar dari batas-batas logis ini.
Misalnya, meskipun akan terus ada lapisan data yang dapat diidentifikasi dengan jelas di bagian atas tumpukan, semakin banyak pemrosesan data yang terjadi di dalam dan di tepi jaringan. Percepatan pengembangan AI generatif, khususnya ChatGPT, telah meningkatkan relevansi AI di semua lapisan IoT. Oleh karena itu, semakin banyak produk dan layanan IoT yang menggabungkan AI ke dalam kemampuannya, terutama di seluruh antarmuka berbasis pelanggan.
Pemilihan peristiwa menghasilkan hasil dan solusi real-time
Perutean yang terperinci melalui streaming peristiwa memungkinkan sistem menjadi lebih selektif dalam menganalisis apa yang dilakukan oleh AI sehingga bisa lebih murah dan lebih reaktif terhadap peristiwa. Peristiwa mewakili perubahan status, atau pembaruan, seperti item ditempatkan di keranjang belanja, pengajuan kartu loyalitas, atau pesanan siap dikirim.
Acara “diterbitkan” dengan topik yang menunjukkan topiknya, dan sistem dapat “berlangganan” untuk menerima semua acara dengan topik yang relevan. Sistem AI menerima peristiwa untuk menghasilkan hasil real-time yang memungkinkan solusi/tindakan real-time terpicu secara otomatis, namun data feed ini juga menyediakan aliran pembelajaran yang konstan, baik dengan memasukkan ke dalam database vektor atau dengan menyempurnakan model itu sendiri.
Memenangkan pemangku kepentingan dengan kasus penggunaan cerdas
Banyak penerapan awal AI di bidang ritel kemungkinan akan berfokus pada AI generatif (Gen-AI) dan Model Bahasa Besar (LLM). Ini dapat digunakan untuk interaksi pelanggan langsung melalui aplikasi toko, interaksi layanan pelanggan omnichannel, dan bahkan untuk membantu pekerja di gudang.
Namun salah satu masalah terbesar dengan AI berbasis LLM saat ini adalah biayanya yang relatif mahal dan lambat. Hanya dengan memindahkan data IoT ke LLM untuk diproses akan dengan cepat menjadi sulit dan sangat mahal. Manfaat terbesar dari konvergensi AI dan IoT di ritel akan diwujudkan dengan organisasi ritel yang mengidentifikasi kasus penggunaan cerdas untuk memberikan manfaat kepada pelanggan, anggota staf, dan bisnis secara keseluruhan.
… dan biarkan manfaatnya berbicara sendiri
Aliran IoT yang mendukung peristiwa dapat memberikan manfaat bagi pelanggan ritel dan karyawan di dalam toko, melalui saluran layanan pelanggan, dan bahkan di pergudangan.
Berikut adalah tiga kasus penggunaan di mana konvergensi AI dan IoT di bidang ritel, yang didukung oleh streaming peristiwa, dapat memberikan perbedaan nyata.
1) Memperkenalkan pekerja pabrik yang terhubung
Dimulai dari gudang, AI dapat membantu penanganan pengecualian bagi pekerja pabrik. Sebagian besar retailer kini menggunakan perangkat seluler atau tablet dalam operasional pergudangan, dan perangkat ini didukung oleh perangkat IoT yang tersedia untuk memantau stok dan tugas terkait inventaris lainnya.
Semua ini memberikan potensi manfaat yang besar sehingga AI dapat memperoleh wawasan baru dan mengatasi potensi masalah. Misalnya, solusi Gen-AI dapat memberi semua pekerja cara yang sangat mudah untuk melaporkan masalah, insiden/nyaris celaka, atau pemikiran untuk efisiensi. Ini adalah informasi kualitatif, namun AI berbasis LLM kemudian dapat meninjau, menyortir, mengelompokkan, dan memberikan saran yang dikurasi kepada manajemen.
Tanggapan darurat secara real-time untuk menjaga keamanan operasional
Dalam situasi darurat, misalnya, terdapat potensi untuk meningkatkan kecepatan organisasi dalam memberikan respons secara real-time di gudang atau pabrik. Memiliki sistem berbasis peristiwa untuk menyampaikan informasi dan AI untuk menyalinnya, melihatnya, dan menampilkannya kepada orang yang relevan sesegera mungkin dapat meningkatkan keselamatan, waktu, dan uang di pabrik.
Di sini, event mesh dapat menghubungkan banyak agen AI, masing-masing disesuaikan dengan serangkaian peristiwa tertentu. Hal ini dapat dilakukan dengan mudah seperti berlangganan semua acara yang berisi audio mentah dan menggunakan model ucapan-ke-teks untuk membuat transkripsi, yang kemudian dipublikasikan kembali ke mesh. Semua komponen ini berkomunikasi secara asinkron melalui event mesh menggunakan pesan yang terjamin untuk memastikan bahwa tidak ada peristiwa yang hilang saat transit dan dikirimkan ke orang atau perangkat yang tepat untuk memicu tanggap darurat.
2) Lebih memahami preferensi pelanggan untuk menyesuaikan pengalaman berbelanja
AIoT memungkinkan pengecer secara cerdas memanfaatkan data di dalam toko dan pelanggan untuk menawarkan pengalaman berbelanja yang sangat disesuaikan. Dengan menggunakan AI untuk menganalisis data pelanggan dari perangkat IoT, pengecer dapat menyesuaikan rekomendasi produk, penawaran, dan bahkan pengalaman di dalam toko sesuai preferensi individu. Ambil contoh penyediaan asisten layanan pelanggan di dalam toko yang mengetahui di mana pelanggan berada dan, yang lebih penting, di mana semua barang lainnya berada.
Misalnya, pelanggan dapat memberi tahu aplikasi toko bahwa mereka ingin membangun pagar. Mereka tidak lagi harus menunggu perwakilan toko perangkat keras memberi tahu mereka di mana produk yang mereka butuhkan dan produk mana yang harus mereka gunakan. Sebaliknya, asisten AI akan menggunakan informasi khusus toko untuk memberikan respons yang disesuaikan dengan kebutuhan setiap pelanggan. Ia akan membuka databasenya, menjawab pertanyaan dengan cerdas, dan berkata, Oke, sekarang kita sudah mengetahui jenis bahan yang Anda perlukan, mari kita berkeliling toko dan menemukannya.
Memaksimalkan pengalaman pelanggan front-end memerlukan perpindahan data back-end
Mampu menindaklanjuti permintaan ini dengan cepat, akurat, dan efektif berarti memungkinkan semua informasi stok dan pemrosesan AI. Pelanggan perlu mengetahui secara real-time apakah bahan yang mereka butuhkan tersedia, dan hal ini juga memerlukan penggunaan sensor kontekstual di dalam toko untuk mengarahkan mereka ke area toko untuk menemukan barang mereka.
Pendekatan berbasis peristiwa untuk mengintegrasikan data perangkat dan pemrosesan AI akan menggunakan mesh peristiwa – jaringan pialang peristiwa yang saling terhubung yang memungkinkan distribusi informasi peristiwa di antara aplikasi, layanan cloud, dan perangkat – untuk memungkinkan pemrosesan real-time dan wawasan prediktif. Setelah dibeli, acara juga dapat menyertakan dokumentasi back-end dan petunjuk yang menjelaskan kepada pelanggan cara membuat proyek yang diperlukan saat mereka tiba di rumah.
3) Agen Copilot yang tepercaya muncul di pusat kontak
Pusat kontak pelanggan modern kini hadir dengan kopilot AI yang dirancang untuk layanan pelanggan yang lebih baik. Microsoft Copilot, misalnya, kini terintegrasi dengan Microsoft 365 dan memperluas saluran pusat kontak yang ada dengan AI generatif untuk meningkatkan pengalaman layanan dan meningkatkan produktivitas agen.
AI dapat membantu memproses panggilan terekam atau real-time ke layanan pelanggan untuk menyoroti masalah serius apa pun yang memerlukan bantuan darurat. Perlu diperhatikan bahwa ini bukan AI yang menggantikan staf dukungan pelanggan, melainkan reaksi terhadap masalah yang muncul melalui panggilan antarmanusia untuk memberikan konteks real-time tentang pelanggan dan masalah yang mereka alami.
AI yang mendukung peristiwa untuk lebih menambahkan konteks bagi perwakilan layanan pelanggan
Dengan mengaktifkan kopilot AI ini dan mengaitkannya dengan berbagai titik data di seluruh proses layanan pelanggan (data CRM untuk riwayat pelanggan, jenis perangkat/saluran tempat mereka berkomunikasi, skrip/protokol layanan pelanggan, dan pelaporan BI), organisasi dapat memberikan tingkat wawasan real-time baru kepada perwakilan layanan pelanggan.
Agen AI dapat berlangganan serangkaian peristiwa tertentu, menyediakan templat cepat khusus untuk langganan tersebut, dan kemudian menggunakan LLM untuk menyempurnakan peristiwa tersebut dengan informasi tambahan. Misalnya, melakukan analisis sentimen pada interaksi pengguna untuk mengidentifikasi pelanggan dengan masalah yang memerlukan rujukan ke pakar, pelanggan yang siap untuk melakukan upsell, atau mensintesis peristiwa baru berdasarkan kombinasi data yang terakumulasi.
Perdagangan yang terhubung menciptakan masa depan ritel yang lebih cerdas
Kombinasi AI dan IoT dalam industri ritel mewakili perubahan transformatif dalam cara pengecer memanfaatkan teknologi dan data yang mereka miliki. Strategi berbasis peristiwa adalah komponen penting dalam proses ini dan akan membantu organisasi retail meningkatkan pengalaman pelanggan, menyederhanakan operasi, dan memberdayakan karyawan mulai dari pabrik hingga di dalam toko dan pusat kontak.
