Szeptember 9-10-én, a Városligetben rendezték az idei AI Summitot, amin saját szekciót kapott az e-kereskedelem. Az előadók és kerekasztal résztvevők – sok hasonló rendezvénnyel ellentétben – nem csak általában beszéltek a mesterséges intelligencia jelentette üzleti kihívásokról és lehetőségekről, hanem saját alkalmazási tapasztalataikat is megosztották. A szekciónak helyt adó Zene Házában lévő terem hamar csordulásig telt, pedig sokan be sem fértek a teltházas eseményre. Aki lemaradt volna, vagy eleve nem tudott eljönni: íme, összeszedtük az előadások legfontosabb megállapításait.
MI trendek a kereskedelemben
A nyitó előadást Deák András (Libri-Bookline) tartotta, aki 20 éve foglalkozik e-kereskedelemmel és aktívan közreműködött a szekció megszervezésében, az előadók kiválasztásában, felkérésében, valamint a program megtervezésében is. Az MI jelentette technológiai kihívás szerinte nem teljesen új, jól illeszkedik a mobile first, az omnichannel vagy a big data sorába, amelyek korábban már rendre felborították a kereskedelmi cégek működését.
Az MI-ből egyelőre senki sem akar kimaradni, Deák szerint évente 22 százalékkal nőhet az MI-vel támogatott e-kereskedelem.
De nem csak a kereskedők fantáziáját ragadta meg az MI, a hétköznapi emberek is kíváncsiak rá. Amit jól mutat, hogy minden idők leggyorsabban terjedő technológiája a 2022 végén debütált ChatGPT, aminek mindössze két hónap kellett a 100 millió felhasználó eléréséhez. Mindez a kereskedelemre is nyomást gyakorol. A Verint szerint a vásárlók 80 százaléka elvárja, hogy az MI javítsa a vásárlási élményt. Mivel a vásárlók kezdenek hozzászokni ahhoz, hogy az MI része a tranzakcióknak, azt szeretnék, hogy az adott vásárláshoz igazodó kontextusban szólítsa meg őket a kereskedő. A fogyasztók 76 százaléka ugyanis frusztrált, ha a kommunikáció nem személyre szabott.
De az MI nem csak a perszonalizációban, hanem további területeken is segítséget nyújthat. Ezeket foglalta össze Deák az előadásának gerincét adó e-kereskedelemmel kapcsolatos MI trendek bemutatásával. Ezek röviden a következők voltak:
-
Hiperperszonalizáció:
avagy a megfelelő üzenet, a megfelelő embernek, a megfelelő időben és a megfelelő csatornán, például termékajánló és marketing automatizáció segítségével. Már eddig is fontos volt, de tovább nő a jelentősége a fogyasztói profilozásnak. A személyre szabott MI támogatta omnichannel marketinghez folyamatosan adatokat kell gyűjteni. Ennek révén lehet sikeres a marketing, ami a következő lépésekből áll: insightok gyűjtése, valós idejű szegmentálás, prediktív marketing terv és célzott aktivizáció (ami figyelembe veszi a vásárlói viselkedésben található eltéréseket). Az MI minden lépésben kulcsfontosságú lehet.
-
Automatizált ügyfélszolgálat és chatbotok:
ennek része az automatizált tájékoztató hívások, bejövő hívások és üzenetek értelmezése, szövegjavaslatok generálása a fogyasztók megkeresésére és a célzott válaszadásra, minőségbiztosítás, illetve fordítás. Az MI ígérete, hogy 25-30 százalékkal képes csökkenteni az ügyfélszolgálati költséget. Bár ez régóta velünk van, korábban nem volt elég hatékony.
A kulcs az MI megfelelő trénelése. Különben még a végén elküldi a vásárlót a konkurenciához – vagy a fenébe, ha az túlzottan idegesítő. Esetleg olyan ajánlatot sikerül kicsikarni belőle a szemfüles vásárlónak, amit a cég nem igazán szeretne (például egy dollárért adni egy autót).
-
Vizuális keresés MI támogatással:
ez több mindent is jelenthet. Például, ha lát a vevő egy terméket, de nem tudja mi az, elég, ha lefotózza és arra keres rá. Ide sorolható az IKEA 2017 óta létező Place alkalmazása is, amivel eredetileg meg lehet nézni, hogy egy bútor hogyan nézne ki otthon. De az IKEA újabb megoldásaival javaslatot is lehet kérni olyan bútorra, ami jól illeszkedne a meglévőkhöz a kínálatból. Ez a terület is egy régóta beváltatlan ígéret, ami az MI segítségével végre elterjedtebb lehet és használhatóbbá válhat.
-
Szabad szavas, MI által támogatott hang alapú vagy írásos keresés és rendelés:
képzeljük el, hogy a MI alapú digitális asszisztens megkeresi, majd kérésre megrendeli amit szeretnénk, miközben kontextust ad a keresésnek. Persze: itt is lehetnek problémák. Nagy port vert fel például, amikor egy hat éves texasi kislány 2017 elején az Alexa-n rendelt babaházat magának.
-
Prediktív elemzés:
az MI képes szegmenseket létrehozni és azokhoz kapcsolódóan várható keresletet becsülni. (Erről később a MOL és a Kifli.hu, mint már élő gyakorlatról számolt be a saját működésükben). Deák András a Starbucks példáját említette, ahol az üzletek helyszínének megválasztásában, a termékek fejlesztésében, a lojalitás programban, a napi kínálat kialakításában és a karbantartás előrejelzésében is használnak már MI-t.
-
Ellátási lánc optimalizálás:
ennél a trendnél a Zara just in time intelligens automatizálási rendszerét ismerhettük meg, ahol valós idejű adatelemzés folyik. Ennek alapját a ruhákban levő chipek adják, ezek segítségével nézik a ruhák mozgását és bolti fogyást, így képesek a korábbiaknál pontosabban naprakészen készletet tervezni.
-
Ár optimalizálás, dinamikus árazás:
a mesterséges intelligencia segítségével képes az Amazon nagyjából 10 percenként frissíteni az árait a konkurencia árai és a vásárlók viselkedése alapján. Ez azért különösen fontos, mert nem csak idehaza, hanem világszerte árérzékenyek a vevők az e-kereskedelemben és sokszor az ár alapján választanak kereskedőt.
Előadása végén Deák András intelmekkel is ellátta a vájtfülű hallgatóságot. Ezek szerint tudatosan állítsuk az MI-t a szolgalatunkba, de kontrolláljuk a működését és a végső döntéseket mindig bízzuk az emberekre. Azokra, akik az adatokat felülbírálva akár intuíció alapján is dönthetnek. Pont úgy, ahogy azt Jeff Bezos, az Amazon alapítója is javasolta (abban a könyvében, melyről a Kosárértéken recenzió is megjelent).
Hot-dog és prediktív analitika a Molnál
A szekció második előadását Mag István (Mol Group) tartotta a prediktív analitika és döntéstámogatás kérdéskörében. Az utóbbi években a Mol elkezdte tudatosan alkalmazni az MI-t. Ehhez a megfelelő vízió és stratégia, illetve a méretgazdaságos működtetés lehetősége is adott volt a Molnál. Saját tapasztalatuk alapján a sikeres MI alkalmazáshoz először a szervezeti felkészültséget kellett javítani – Mag becslése alapján ez adta a 70 százalékát a munkának -, utána viszont erre lehetett építkezni.
Persze szükség volt adatokra is (ezek összegyűjtése és rendszerezése nagyjából a munka ötödét jelentette), illetve megfelelő MI algoritmusokra is (ez a maradék 10 százalék). Fontos ugyanakkor, hogy utóbbi csak az utolsó lépés. Az MI felhasználásához kb. 30 adatbázist integrálták egyetlen data lake-be, és ezen alapulnak a használt alkalmazásaik.
Az MI modelleket és algoritmusokat több mindenre használják a Molnál:
-
Előrejelzés:
kedvenc példájuk a hot dog fogyasztás előrejelzése. A kihívást az jelenti, hogy miközben 10-15 perc elkészíteni a hot dogot, a vásárlóknak nincs ideje ezt megvárni. Ezért előre el kell készíteni a virslit, viszont, ha túl sok van belőle, akkor sok a selejt, ami veszteséget okoz. Tehát meg kell becsülni az optimális fogyasztási mennyiséget kutanként és óránként. A saját előrejelzésüket folyamatosan monitorozzák, mostanára 10-ből 6 nap már annyi virslit raknak ki a kollégák, amennyit előírtak számukra. (Az ettől való eltérés nem feltétlenül hiba, mert bejöhet például egy busz, amikor a vártnál többet kell elkészíteni.)
Amióta bevezették az MI által támogatott prediktív hot dog rendszert azóta 20 százalékkal többet adnak el belőle és 40 százalékkal kevesebb a selejt.
-
Perszonalizáció:
a Mol 6 millió vásárlói tranzakciót elemez, ami alapján 34 stratégiai vásárlói szegmenst kezel mind a nyolc országban, ahol jelen van, miközben 170 automatikusan szegmentált customer journey-t figyel folyamatosan. Ez alapján 9 millió automatizált omnichannel kommunikációt folytatnak havonta és ezeket automatizált módon vissza is mérik.
-
Marketing kommunikáció:
a személyre szabott ajánlatok generatív MI segítségével készülnek, bár ezeket még visszaellenőrzik a kollégák kiküldés előtt. Ami nehézzé teszi a dolgot, hogy mindezt nyolc országban és ugyanennyi nyelven csinálják.
Hat év alatt nagyjából 90 millió dollárt fektettek be a MOL-nál digitális transzformációba. A pénzt több mindenre költötték: a megfelelő csapatok felépítésére, adatgyűjtésre és adatelemzésre, hűségprogramra, CRM-re, marketing automatizációra és a mögöttes MI-re. Ez hatalmas összeg, de saját mérésük alapján megtérülést hoz. Az éves haszon fogyasztói szinten háromszor akkora, mint a szükséges költségek.
Olvasnak-e az androidok elektronikus könyveket? MI alapú termékajánlás a Libri-Bookline-nál
A harmadik előadást Móczár Rudolf (Libri-Bookline) tartotta, témája a személyre szabott vásárlói élmény volt. A közelmúltban két MI projektet is indítottak a Libri-Bookline-on, ami a vásárlói élményt javítja. A kiindulópontot az jelentette számukra, hogy a Móczár által hivatkozott kutatás alapján a vásárlók 71 százaléka elvárja a személyre szabott interakciót és 76 százalék frusztrált, ha ez nem történik meg. Vagyis már nem versenyelőny a személyre szabás, hanem versenyhátrány, ha nincs. Mindez a teljes vásárlási folyamatra hatással van.
-
Adatgyűjtés, – elemzés, -szűrés
A termékajánlás nagyon fontos az e-kereskedelemben. Minden második vásárló vásárolt már ez alapján, ráadásul 5,5-szer nagyobb valószínűséggel fejezik be a vásárlást és a személyre szabott ajánlás 2,2-szer hatékonyabb, mint egyszerűen a bestseller listákon szereplő termékek ajánlása. A termékajánlás már 30-40 éve létezik, nem az internet hozta létre, bár azt megelőzően még nem így nevezték.
Ma már összetett folyamat szükséges ahhoz, hogy versenyképes legyen a személyre szabott ajánlás: adatgyűjtés, adatelemzés, adatok szűrése pl. tartalom alapján (aki korábban ugyanezt a terméket vásárolta, az mit vásárolt még), vagy kollaboratív alapon (aki hasonló preferenciával rendelkező vásárló, az mit vásárolt még). Jelenleg a legfejlettebb termekajánló megoldásokat Machine Learning támogatja (pl. „Megvetted az összes Hararit, most vegyél mesekönyvet, biztos van gyereked” – egy ilyen feltételezéshez ugyanis már egészen sok adatra van szükség).
A Libri-Bookline az utóbbi időben a Google Vertex AI rendszerét kezdte el használni a saját MI alapú ajánló rendszerének kialakításához. Ez a megoldás azonban csak nagyobb webshopoknak jó, mert hatalmas az adatigénye (az elvárt tranzakció száma, ami alapján tanul). Viszont jól működik, a saját tesztjeik alapján csupán egyetlen kategóriában bizonyult jobbnak a régi ajánló rendszerük. A Google 30-40 százalékos javulást ígér a meglévő termékajánlókhoz képest, a Libri-Bookline-nak egyelőre 20 százalékot sikerült elérniük, de még optimalizálás alatt van a rendszer. Tapasztalataik alapján 3-6 hónap az implementációs időszak.
-
Ami a chat commerce helyébe érkezik
Móczár kitért egy másik MI megoldásukra is, ez egy chatbotba integrált virtuális asszisztens, ami segít könyvet választani. Ez egy szinte teljesen új terület. Elenyésző a verseny, mivel a webshopoknak csupán 9 százaléka alkalmaz chatbotot, ezeknek pedig csak a 4 százaléka segít terméket választani és mindössze 19 százalékuk használ ehhez MI-t. Korábban a chat commerce volt a tipikus chat felhasználás, ami végigvitte a vásárlót a tranzakciós folyamaton és helyettesítette a hagyományos checkout-ot is. Ezt válthatja le a konverzionális (párbeszéd alapú) commerce, aminek a célja egy hosszú távú kapcsolat kialakítása, a fogyasztó megismerése, bevonása, elköteleződésének kialakítása és nem csak az aktuális tranzakció kezelése.
A Libri-Bookline-nál egyelőre nem tudnak más chat alapú vásárlás támogató megoldásról itthon. Saját pilotjuk folyamatban van, ami minden terméket és terméktípust tartalmaz, és a Bookline.hu-n bejelentkezett vásárlóknak elérhető. Az eddigi tapasztalatok nagyjából 1500 beszélgetésen alapulnak, ami alapján 71,4 százalék az elégedettség (ez kicsit az iparági átlag felett van) és 3,7 százalék a konverzió.
MI a CRM-ben és a GDPR mumus kezelése
A szekció utolsó előtti előadását Horváth Tibor (Salesforce) és Nagy Áron (Attention CRM) tartotta az MI CRM integráció előnyeiről. A CRM területén az MI várhatóan növelni fogja a dolgozói produktivitást, több ügyfél kapcsolatot és jobban tudnak menedzselni az ezzel foglalkozó kollégák. A most 25 éves a Salesforce 2016 óta épít MI képességeket a szoftvereibe, 300 MI szabadalmuk van, napi szinten 215 milliárd(!) előrejelzést generálnak.
Az MI fejlődésében három szint különíthető el:
- múlt: a prediktív MI már régebb óta velünk van és abban segít, hogy megmondja mi a helyzet és ez alapján mi várható, tehát mit érdemes csinálnunk – az MI támogatja a munkát
- jelen: a generatív MI velünk együtt végzi a munkát
- jövő: várható, hogy az MI autonóm módon önmaga is képes lesz elvégezni bizonyos feladatokat
Az előadás során láthattunk néhány példát arra, hogy mire lehet a Salesforce MI eszközeit használni, mint például az e-mail kiküldési idő optimalizálása a jobb megnyitási arány érdekében, a tartalom szelektálása, büdzsé ajánlások készítése (feltéve, hogy össze van kapcsolva a marketing csatornákkal a rendszer), sales lead scoring, marketing szegmensek létrehozása, személyes asszisztens alkalmazása (Einstein Agent), videóhívásokból automatikus memó készítése, a CRM mezők automatikus előzetes kitöltése ügyfélbesorolás alapján, vagy mellékletek feldolgozása és kezelése. A McKinsey szerint a munkaidő 30 százalékát meg lehet spórolni az MI alkalmazásával. Persze mindehhez megfelelő adatokra van szükség, illetve be kell oktatni a csapatot is, hogy tudják használni az adatokat megfelelő módon kezelő rendszereket.
-
Az etikus MI
A délelőtt utolsó előadását Dr. Nagy Dániel Attila (Deloitte) tartotta az adatvédelemről és az MI etikus használatáról. Mivel az MI nagy mennyiségű adaton alapul, kulcsfontosságú az adatvédelem, ami azért komoly kihívás a legtöbb vállalat számára, mert alapvető konfliktus van az MI alkalmazásával kapcsolatos üzleti elvek és elvárások, illetve az adatvédelem elvei között. Részletesen végigvette az előadó, hogy egy MI rendszer bevezetésének milyen adatvédelmi lépései lehetnek: felelősök kijelölése és szervezeti megfontolások, adatkezelés céljának és jogalapjának meghatározása, adatvédelmi hatásvizsgálat, garanciális intézkedések azonosítása és mérlegelése, garanciális intézkedések alkalmazása, rendszeres felülvizsgálat és az átláthatóság, valamint a jogérvényesítés biztosítása az érintettek számára.
Ahogy Nagy doktor fogalmazott erősen ajánlja mindenkinek a privacy by design elv alkalmazását az iparágban annyira elterjedt privacy by disaster helyett, hogy ne akkor kezdjünk el kapkodni, amikor beütött az adatvédelmi ménkű, hanem eleve az adatvédelmi elveket figyelembe véve tervezzük meg az MI alkalmazását.
A délelőttöt kerekasztal beszélgetés zárta, ahol az „MI hatása a kereskedelmi versenyképességre” kérdés kapcsán Fináczy Eszter (Decathlon, ügyfélszolgálati vezető), Mag István (Mol Group, Digital Factory vezető), Maksimovic Ágnes (Kifli.hu, marketing menedzser) és Nagy Szabolcs (Scitec, Chief Marketing officer és Biotech USA, Marketing Manager) saját üzleti példákat hoztak az MI használatára és hitet tettek amellett, hogy még sokáig szükség lesz az MI alkalmazásán túl az emberi munkára, illetve az emberi érintésre a vásárlók kiszolgálásában.
