Η εμφάνιση του κορωνοϊού επιτάχυνε την ανάπτυξη των e-shops και των ηλεκτρονικών αγορών στην Ελλάδα. Τάση η οποία είχε ήδη αρχίσει να κερδίζει έδαφος αφού είχε στραφεί προς αυτήν η πιο νεανική και δυναμική μερίδα της κοινωνίας. Η Τεχνητή Νοημοσύνη έρχεται να ενισχύσει το ηλεκτρονικό εμπόριο, με πολλαπλά οφέλη.

Η εμφάνιση του κορωνοϊού επιτάχυνε την ανάπτυξη των e-shops, αλλά γενικότερα και των ηλεκτρονικών αγορών στην Ελλάδα. Τάση η οποία είχε ήδη αρχίσει να κερδίζει έδαφος αφού είχε στραφεί προς αυτήν η πιο νεανική και δυναμική μερίδα της κοινωνίας. Η Τεχνητή Νοημοσύνη έρχεται να ενισχύσει το ηλεκτρονικό εμπόριο, με πολλαπλά οφέλη.

Αν και οι οικονομικές συνθήκες είναι δύσκολες, αργά ή γρήγορα οι ηλεκτρονικές αγορές θα κερδίσουν ένα σημαντικό μερίδιο που σε ορισμένους μάλιστα κλάδους θα είναι μεγαλύτερο από αυτό των πωλήσεων σε φυσικό κατάστημα. Πώς μπορεί να βοηθήσει η Τεχνητή Νοημοσύνη στην αύξηση πελατών και κερδοφορίας;

Μεγάλο πλεονέκτημά της είναι τα δεδομένα που συλλέγονται σε πραγματικό χρόνο, σε επαρκείς ποσότητες και από διαφορετικές διαδικασίες που εκτελεί ο πελάτης (απλή περιήγηση, αγορά, ακύρωση καλαθιού, σχόλια, κ.λπ.). Ας δούμε την εφαρμογή της στη πράξη μέσα από ένα παράδειγμα και παράλληλα τη διαφορά ανάμεσα σε ένα απλό λογισμικό, ακόμα και μηχανικής μάθησης, και την τεχνητή νοημοσύνη.

ΑΠΛΕΣ ΕΦΑΡΜΟΓΕΣ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
Το να επιλέξει ένας πελάτης σε ένα e-shop κάποιο προϊόν (έστω έναν φούρνο μικροκυμάτων) ανάμεσα σε πολλές επιλογές είναι ένα challenge από μόνο του, που πολλές φορές οδηγεί στην αναβολή και στο τέλος στην ακύρωση μιας αγοράς. Η εφαρμογή μηχανικής μάθησης μέσω ενός recommender system, χρησιμεύει ώστε να βοηθήσει έναν πελάτη παρουσιάζοντας προϊόντα που καλύπτουν τις ανάγκες του. Έτσι, από το ιστορικό περιπτώσεων περιήγησης πελατών σε διάφορα προϊόντα με θετική (αγορά) και αρνητική εξέλιξη (ακύρωση ή μη ολοκλήρωση αγοράς) ο αλγόριθμος θα εκπαιδευθεί ώστε να ανακαλύψει πρότυπα που υπάρχουν μεταξύ των διαδικασιών περιήγησης και κατάληξης.

Όταν ο αλγόριθμος λάβει νέα δεδομένα από περιήγηση ενός νέου επισκέπτη, θα συγκρίνει το μοτίβο που υπάρχει σε αυτή με το πρότυπο που έμαθε από την ανάλυση όλων των προηγούμενων επισκέψεων και θα είναι σε θέση να προβλέψει το αποτέλεσμα. Με βάση αυτήν την πρόβλεψη, οι παρουσιάσεις προϊόντων θα προσαρμοστούν, αυξάνοντας έτσι τις πιθανότητες μετατροπής της περιήγησης του νέου χρήστη σε αγορά προϊόντος.

Με τον ίδιο τρόπο μπορούμε να προβλέψουμε την επιτυχία προωθητικών ενεργειών ή να τεστάρουμε προϊόντα πριν γίνει η τελική τοποθέτησή τους στους καταλόγους της επιχείρησης ή ακόμα και να ανακαλύψουμε τις αιτίες των εγκαταλελειμμένων καλαθιών (επιλογές που ακυρώνονται λίγο πριν την οριστικοποίηση μιας αγοράς).

Πώς θα μπορούσαμε όμως να ξέρουμε εάν εκτός απο τον φούρνο μικροκυμάτων, ο υποψήφιος πελάτης έχει ανάγκη και άλλα προϊόντα τα οποια ίσως κοιτάζει σε άλλα ηλεκτρονικά καταστήματα; Ποιες είναι οι μελλοντικές του ανάγκες και πώς βλέπει τις οντότητες κουζίνα – σπίτι στο συνολό τους;

ΕΦΑΡΜΟΓΗ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ, ΟΛΙΣΤΙΚΗ ΠΡΟΣΕΓΓΙΣΗ
Εκτός από τις παραπάνω συγκεκριμένες περιπτώσεις, αν είχαμε να απαντήσουμε σε ερωτήματα τύπου: Πόσο πρέπει να είναι το βάρος των ηλεκτρονικών πωλήσεων σε σχέση με τα φυσικά καταστήματα στο επιχειρηματικό mix; Είναι κατάλληλη η στιγμή για μια επέκταση της εταιρείας και των δραστηριοτήτων της; Το δυναμικό ανάπτυξης του κλάδου ποιο είναι; Ποιες εκ των παραμέτρων προμηθευτές, ποικιλία προϊόντων, εμπορική και marketing στρατηγική χρίζουν επανασχεδιασμού;

Τι αντίκτυπο έχει η επιχειρηματική στρατηγική στις διακριτές ομάδες πελατών με βάση τον τρόπο ζωής και όχι απλά κατανάλωσης; Πως θα αυξηθεί η κερδοφορία της επιχείρησης; Τις απαντήσεις σε τέτοιου είδους ερωτήματα θα τις δώσει η τεχνητή νοημοσύνη, η οποία μπορεί να προσεγγίσει συνολικά μια επιχείρηση και να αναλύσει τη γενικότερη στρατηγική της, να προβλέψει μελλοντικές εξελίξεις, αλλά και να προτείνει επιχειρηματικά σενάρια. Πώς γίνεται αυτό; Με τη χρήση deep learning και σύστημα τεχνιτών νευρωνικών δικτύων (artificial neural networks).

Το σύστημα νευρωνικών δικτύων θα επεξεργασθεί όλα τα δεδομένα μιας επιχείρησης, δομημένα και αδόμητα από διαφορετικού τύπου λογισμικά (ERP, CRM, Analytics) ακόμα και μη μηχανογραφημένα δεδομένα (Excel, έγγραφα, φωτογραφίες, κ.λπ.) και θα παράξει ένα «χάρτη» (κυριολεκτικά χάρτη, δηλαδή ένα Self Organized Map) όπου θα αποτυπώνονται οι αλληλοσυσχετίσεις διαδικασιών: προμηθευτές – εταιρεία – πελάτες – ανταγωνισμός – κοινωνικό, οικονομικό περιβάλλον, κ.λπ., καθώς και η αποτελεσματικότητά τους. Σε αυτόν τον «χάρτη» θα μπορούν να προστεθούν εκτιμήσεις, σενάρια, ακόμα και σκέψεις στελεχών της επιχείρησης και θα υπάρξει έτσι μια συνολική και συγκεντρωτική εικόνα για το πού βρίσκεται η επιχείρηση και σε ποια κατεύθυνση πρέπει να κινηθεί.

Τα νευρωνικά δίκτυα με κάθε νέο σετ δεδομένων θα αποκτούν όλο και καλύτερης ποιότητας γνώση με αποτέλεσμα όχι μόνο να κάνουν πιο αποτελεσματική την πρόβλεψη αλλά και να αναδεικνύουν κατευθύνσεις στις οποίες πρέπει κινηθεί η εταιρεία διαφοροποιούμενα πολλές φορές ακόμα και με τις αντιλήψεις στελεχών, γιατί τα νευρωνικά δίκτυα λαμβάνουν υπόψη ακόμα και ασήμαντα, φαινομενικά, δεδομένα που δεν μπορούν να επεξεργασθούν από τον ανθρώπινο εγκέφαλο. Η εγκατάσταση και χρήση ενός τέτοιου συστήματος είναι πλέον εύκολη και ιδιαίτερα προσιτή και μπορεί να αποτελέσει ένα ισχυρό ανταγωνιστικό πλεονέκτημα για κάθε επιχείρηση.

Ο Δρ. Γρηγόρης Φιλιππάτος είναι Διευθύνων Σύμβουλος της εταιρείας Directing Intelligence (www.directingintelligence.com).