Некачественные данные о продуктах обычно имеют серьезные последствия для ритейлеров. Если их не решать, плохие данные снижают эффективность бизнес-операций, поиска и обнаружения продуктов, удовлетворенности клиентов и продаж.
Неправильные данные о продукте, часто скрывающиеся на виду, могут критически повлиять на прибыль ритейлеров. Согласно данным компании Gartner, занимающейся информационными технологиями , занимающейся информационными технологиями , низкое качество данных обходится организациям в среднем в 12,9 млн долларов США в год. Это усугубляет немедленное влияние на доход в долгосрочной перспективе. Помимо увеличения сложности экосистем данных, плохие данные приводят к принятию неверных решений.
Чтобы сделать влияние неверных данных на ритейлеров более заметным, SaaS-платформа поиска и обнаружения товаров в электронной коммерции GroupBy провела в сентябре вебинар с партнером Google Cloud Sada и фирмой электронной коммерции Rethink Retail. . Мероприятие под названием «Плохие данные, большие проблемы: как переломить ситуацию с некачественными данными о продуктах» было посвящено тому, как компании могут использовать ИИ для обогащения данных, улучшения релевантности поиска и обнаружения продуктов, повышения удовлетворенности клиентов, сокращения операционных расходов и увеличения доходов.
Ключ к такому уровню успеха кроется в анализе качества данных о продуктах и выявлении областей для улучшения. Лучшие практики включают в себя создание стандартной модели сбора данных, проведение регулярных проверок и внедрение решений на базе ИИ для автоматизации очистки, стандартизации и оптимизации данных о продуктах с большой скоростью и в больших масштабах.
Таким образом, обогащение данных с помощью ИИ может повысить операционную эффективность, стимулировать рост и улучшить репутацию бренда. По словам Арвина Натараджана, директора по продуктам GroupBy, некачественные данные о продуктах сегодня досаждают почти каждому ритейлеру, влияя на каждое приложение, работа которого зависит от данных.
«В долгосрочной перспективе нехватка данных негативно влияет на качество обслуживания клиентов и, в конечном итоге, на вашу прибыль», — сказал он.
Он предположил, что сложные генеративные модели искусственного интеллекта, обученные на основе собственной глобальной библиотеки таксономии GroupBy, способны выявлять распространенные проблемы с данными и производить революцию в атрибуции и управлении данными о продуктах.
Использование ИИ в облачном обнаружении продуктов
Платформа поиска и обнаружения продуктов электронной коммерции GroupBy, работающая на базе Google Cloud Vertex AI, предлагает розничным и оптовым торговцам уникальный доступ к поисковой системе нового поколения Google Cloud. Разработанная для электронной коммерции, платформа использует ИИ и машинное обучение для обработки 1,8 триллиона событий и ежедневного сбора 85 миллиардов новых событий из всего набора продуктов Google.
Имея доступ к этим данным, GroupBy предоставляет цифровой опыт с глубоким пониманием намерений пользователя. Натараджан отметил, что его партнерство с Google гарантирует, что клиенты получат выгоду от любых будущих инноваций в области ИИ, которые разработает Google.
Неполные, неточные и непоследовательные данные о продуктах могут затруднять поиск и обнаружение, что приводит к потере дохода и снижению лояльности клиентов. Натараджан подчеркнул важность ИИ в обогащении данных, сославшись на 20%-ный рост продаж в электронной коммерции после оптимизации данных каталога продуктов для поиска и обнаружения.
Выявление потерь доходов из-за неверных данных
Технологии или их неправильное использование могут затруднить для розничных торговцев распознавание существования неверных данных. Приводя пример из своих ранних дней работы в eBay, стратег электронной коммерции компании Rethink Винни О’Брайен представил пример того, как неправильное индексирование привело к постоянной потере дохода из-за внезапно исчезнувших списков товаров.
Потребовалось сотрудничество с партнером, чтобы обнаружить, что eBay не смог нормализовать данные о продуктах. Так, если кто-то искал, например, кроссовки Nike, но в данных о продукте не было заглавной буквы N в форматировании при загрузке продукта, этот продукт исчезал после первой фазы поиска.
Этот провал не ограничился только этим одним продуктом. Это был системно повторяющийся результат для других ритейлеров на платформе.
«Итак, вы просто исчезли. Вы потеряли около 30% вашего объема поиска. Когда мы в конце концов исправили проблему, что было непростой задачей для компании такого размера, мы восстанавливали доход в размере около 20–25% для организаций, особенно тех, у которых были большие каталоги, потому что мы получали много длинных, длинных поисковых запросов и так далее. Но это существенно влияющая область», — подробно рассказал он.
Проблемы изолированного решения проблемы неверных данных
По словам Джойс Мюллер, директора по решениям для розничной торговли в Sada, проблема плохих данных — это скорее неожиданное последствие, чем преднамеренная попытка деприоритезировать данные о продуктах. Это всегда была давняя проблема.
Плохие данные возникают из-за неполных, неточных или отсутствующих полей. Возможно, предоставлены неверные спецификации данных или имеет место несоответствие в SKU, предположила она. Не имея чистых конвейеров данных, чтобы свести все воедино, мы в итоге получаем данные, которые не обязательно настолько полны, как нам бы хотелось, продолжила Мюллер.
«В основном это было проблемой для внутренних систем. Но теперь, если данные о продукте не полные, неточные, не описанные должным образом или не в хорошем стиле и характере, это на самом деле создает проблемы для цифровых покупателей. Это делает ваш продукт менее обнаруживаемым», — предупредила она.
Неуловимая цель стандартизации данных
Применение метода единых стандартов — это проигрышная битва. Предыдущие попытки не увенчались успехом во всем мире.
О’Брайен отметил, что около 2010 года все основные платформы электронной коммерции подталкивали маркетологов к соблюдению стандартного набора данных для каждого продукта, чтобы сделать их видимыми. Принятие этой предпосылки было хорошей стратегией только до определенного момента.
«Я думаю, что управление масштабом данных — это вызов, когда у вас есть крупные компании, которые дают такие распоряжения», — предложил он. «Это должно быть принято всеми, и все должны соответствовать».
Масштаб этого управления и управления данными огромен, добавил он. В игру вступают различные отрасли, будь то бизнес-бизнес или бизнес-потребитель. В рамках этих вертикалей могут быть приложения для пищевых продуктов или медицинские продукты, сказал он, учитывая другие сложности в соблюдении.
«Различные типы отраслей также имеют свои собственные нюансы. Управлять всем этим в масштабе чрезвычайно сложно», — утверждал О’Брайен.
Устранение пробелов в управлении данными
Натараджан добавил, что, общаясь с ритейлерами или дистрибьюторами на конференциях, он видит разрыв между производителями и ритейлерами. В конце концов, это дыра, которую ритейлерам тоже приходится заполнять, поэтому приходится учитывать множество нюансов.
«Управление данными такого типа в больших масштабах сопряжено со множеством проблем, и я думаю, что именно поэтому мы не увидели уровня стандартизации данных о продуктах, распространенного на все различные отрасли, все различные вертикали и розничных торговцев всех размеров», — рассуждает он.
Мюллер из Sada сказала, что не знает ни одной розничной субвертикали, которая бы с этим хорошо справлялась. Но она видит, что цифровые аборигены справляются с этим лучше просто потому, что это ново.
«Когда мы думаем о традиционных ритейлерах, у них есть давно существующие системы, которые не обязательно общаются друг с другом. Для кого-то более действующего сложнее решать такие проблемы и формировать и формировать себя таким образом, чтобы принять новые технологии. У них большее наследие с большим техническим долгом», — заметила она.
Некоторые отрасли могут иметь больше шансов на управление своими данными, поскольку продукты менее сложны. По словам Натараджана, в некоторых из этих категорий у вас будет меньше атрибуции продуктов, чем в более технически сложных продуктах, таких как машины и двигатели и тому подобное.
«Существует разница в типах продуктов, которая приведет к лучшему управлению данными, просто потому, что управлять некоторыми из этих менее сложных продуктов проще», — сказал он.
Решения ИИ для обогащения данных
Группа экспертов обсудила шаги, которые могут предпринять дистрибьюторы и розничные торговцы, чтобы стать более осознанными в отношении действий, которые они могут предпринять для решения проблемы неверных данных.
- Проведите аудит данных о продуктах, начиная с наиболее важных категорий.
- Внедряйте решения по обогащению и очистке данных на основе искусственного интеллекта для повышения качества данных о продуктах.
- Измерьте влияние улучшений качества данных на такие показатели, как доход, удовлетворенность клиентов и возвраты.
- Создайте процесс управления данными, чтобы гарантировать последовательность и точность данных о продуктах в будущем.
- Ознакомьтесь с бесплатными пробными версиями инструментов обогащения данных на базе искусственного интеллекта, чтобы оценить их влияние на каталог продукции.
- Определите лидера в организации, возможно, из команды по мерчандайзингу продукции, который будет возглавлять инициативу по обогащению данных.
- Модернизируйте конвейеры данных и консолидируйте данные о продуктах в централизованную облачную систему, чтобы обеспечить более расширенную аналитику и автоматизацию.
