Empfehlungs-Engines und visuelle Suche

Das Verständnis des Verbraucherverhaltens war für den Einzelhandel noch nie so wichtig. Um das Wachstum voranzutreiben, werden intelligente Empfehlungen und Umgebungen mit Augmented Reality (AR) verwendet, um maßgeschneiderte Erfahrungen zu erstellen. Um die Umsätze zu verbessern, nutzen Online-Händler Maschinelles Lernen mit Grafikprozessoren (ml) und Deep Learning (DL)-Algorithmen für schnellere und genauere Empfehlungs-Engines. Und KI ist nun der Schlüssel für die zunehmende Tendenz, Online zu kaufen und im Geschäft aufzunehmen (BOPIS).

Wir nutzen KI, um unser Kundenerlebnis zu vereinfachen. Im Allgemeinen nutzen Einzelhändler KI, um Preise zu optimieren, indem sie Nachfrage und Angebot ausgleichen, die Leistung von Rabattprogrammen und Verkäufen analysieren und Preise festlegen, die für das Unternehmen und die Kunden funktionieren, während sie gleichzeitig in Echtzeit auf Marktveränderungen reagieren.

— Victoria Uti, Director, Principal Research Engineer, Kroger

Die Preisoptimierung hilft, die Auswirkungen der Preisänderungen, die wahrscheinliche Nachfrage zu diesen Preisen und die besten Empfehlungen zur Auswahl vorherzusagen. KI kann eine wichtige Rolle in dem Prozess spielen, in dem jeder Händler traditionell möglicherweise jede einzelne Preisempfehlung überprüfen müsste, die in Tausenden von Geschäften und unter Umständen in Millionen von Produkten abgegeben wird.

— Rob Armstrong, Director of Data Science, Tesco

Empfehlungsdienste

Auf einigen der größten kommerziellen Plattformen machen Empfehlungen bis zu 30% des Umsatzes aus, die in Milliarden von Dollar im Vertrieb umsetzen können. Aus diesem Grund verwenden Händler Empfehlungssysteme, um jede Aktion einzusetzen, die Käufer eingehen, vom Besuch einer Webseite bis hin zur Verwendung von sozialen Medien zum Einkaufen. Außerdem verbessern Sie die Konversion durch das Angebot relevanter Consumer-Produkte aus der exponentiellen Anzahl verfügbarer Optionen.

NVIDIA Merlin, ein durchgängiges Empfehlungs-on-GPU-Framework, ermöglicht schnelles Feature-Engineering und einen hohen Trainings Durchsatz, um schnelle Experimente und Produktions Umschulungen von DL-Empfehlungs Modellen zu ermöglichen. Merlin ermöglicht außerdem eine geringe Latenz, hohen Durchsatz und Produktions Inferenz. 

Personalisierte Empfehlungen

Um die Verbraucher zu begeistern, müssen Einzelhändler die Erwartung einer individuellen Personalisierung erfüllen. Olay Skin Advisor, ein Grafikprozessor beschleunigtes Ki-Tool, das auf jedem Mobilgerät funktioniert, beurteilt einen vom Nutzer bereitgestellten selfie und empfiehlt ein olay-Regime zur Verbesserung von Problembereichen. Nach vier Wochen haben 94% der Nutzer von Skin Advisor die empfohlenen Produkte weiter angewendet.

Stitch Fix, ein Unternehmen für Mode-e-Commerce, setzt ein nahtloses Gleichgewichtzwischen Ki-gestützter Entscheidungsfindung und menschlichem Urteilsvermögen zusammen. Durch die Verwendung von Algorithmen zum Verständnis der Kundenpräferenzen hat Stitch Fix einen Modedienst geschaffen, der die Kunst des persönlichen Stils mit Datenanalysen kombiniert - allesamt mit GPU-beschleunigtem DL.

Automatisches Tagging

Einzelhändler nutzen die nächste Generation von Computer Vision für eine ausgefeilte Bildattributerkennung, um automatisch ein umfassendes Meta-Tagging und eine Katalogisierung zu generieren. Der Zugriff auf umfassende Informationen zu Produkten und Dienstleistungen hilft dabei, Bilder zu identifizieren, was zu einem erfolgreichen personalisierten Empfehlungssystem führt.

Da sich Modetrends schnell ändern, bietet NVIDIA-Partner Omni eine KI-Tagging-API an, die B2B-Kunden dabei hilft, modischen Trends immer einen Schritt voraus zu sein. Ominous Tagger, die automatisierte Tagging-Lösung mit über 95 % Präzision, ist 100-mal schneller als das manuelle Tagging und steigert die Sucheffizienz um das Vierfache. Omnious bietet zudem einen Trendbericht, in dem Bilder von Mode-Influencern in den sozialen Medien analysiert werden.

 Video ansehen: Wie Clarifai die Datenkennzeichnung mit KI-Automatisierung verkürzt (39:15 Minuten)

Virtuelle Anpassung

Die 2019 Kosten der zurückgesendeten waren in den USA betrugen 309B. Die Online-Retouren entfielen auf 41B von insgesamt $.  Um die Anzahl der Retouren zu reduzieren und ein besseres Einkaufserlebnis zu bieten, können Händler jetzt Artikel für Kunden vorschlagen, die praktisch garantiert passen.

Cappasity ermöglicht es Kunden, eine virtuelle Anpassung zu erleben, um zu sehen, wie Kleidungsstücke vor dem Kauf anhand der 3D-Virtual-Try-On-Lösung aussehen. Mit der Leistung von NVIDIA-Grafikprozessoren und CUDA zur Beschleunigung der Berechnungen verarbeiten Cappasity-Algorithmen Daten in der Cloud, um Körper Messungen zu erkennen, während neuronale Netze menschliche Konturen Segmentierung durchführen.

Ich möchte Neuigkeiten zum Einzelhandel von NVIDIA erhalten.