Hogyan használja ez a kiskereskedő a gépi tanulást és a számítógépes látásmódot, hogy megtelje a polcait
A feltörekvő technológia segíthet a kiskereskedőknek növelni a termelékenységet és megőrizni a vásárlók elégedettségét - és más ágazatok szakemberei számára is nagy tanulságokkal szolgálhat.
A Home Depot munkatársai számítógépes látást használnak a polcokon lévő tárgyak megtalálásához.
Ha otthonfejlesztési szakemberként több ezer üzlettel rendelkezik az Egyesült Államokban, nehéz lehet nyomon követni a termékeket az üzletekben és raktárakban. Ha hozzáadjuk a fekete pénteket és a mozgalmas ünnepi időszakot, a kihívás szinte megoldhatatlannak tűnik.
A The Home Depot ennek a tesztnek a gépi tanulás (ML) és a számítógépes látástechnológia egyvelegével valósult meg, hogy segítsen a munkatársaknak gyorsan és hatékonyan megtalálni az ügyfeleknek szánt termékeket.
Hari Ramamurthy, a The Home Depot technológiai munkatársa egy videóinterjúban elmagyarázza a ZDNET-nek, hogy a feltörekvő technológia bevezetése mennyire egyenrangú a kiskereskedelmi óriás számára.
"Nagyon technológia-központú vállalat vagyunk" - mondja. "Megkeressük a módját, hogy kihasználhassuk a legújabb és legjobb technológiákat, hogy lényegesen javíthassuk munkatársaink és végső soron ügyfeleink élményét."
Ramamurthy szerint a The Home Depot kifejlesztett egy Sidekick néven ismert ML-alapú alkalmazást a személyzet termelékenységének növelésére.
A számítógépes látást is használó alkalmazás a "hdPhones" telefonokra van telepítve, amelyek a The Home Depot munkatársai által használt mobileszközök. Ezeket az eszközöket a Zebra Technologies, a HPE és az Aruba együttműködésével fejlesztették ki.
A Sidekick 2023 elején indult élesben, és Ramamurthy szerint az alkalmazás csak a legújabb állomása az üzletág számos adatvezérelt kezdeményezésének.
"Az olyan technológiákban, mint a gépi tanulás vagy a mesterséges intelligencia, egyértelműen óriási lehetőségek rejlenek abban, hogy munkatársaink és ügyfeleink számára megfelelő eredményeket érjenek el" - mondja.
Ami a Sidekick fejlesztését illeti, a The Home Depot olyan testre szabott rendszert hozott létre, amely felhőalapú ML algoritmust használ, hogy lehetővé tegye a személyzetnek - akikre Ramamurthy munkatársként hivatkozik - a fontos feladatok rangsorolását.
Az alkalmazás biztosítja, hogy a munkatársak figyelmüket a leginkább keresett termékekre összpontosítsák, és segít nekik megtalálni az elemeket a nehezen megtalálható helyeken, például a felső polcokon.
"Azt akartuk biztosítani, hogy munkatársaink mindig a legmagasabb értékű feladatot kapják a tartózkodási helyükhöz kapcsolódóan, hogy eredményesek lehessenek az elvégzett feladatokban" - mondja. "Több, belső adatforrásból generált jelet használunk algoritmusunk tájékoztatására."
Az ML-modell tranzakciós rendszerekből veszi az adatokat, beleértve az értékesítési pont-technológiákat és a készletkezelési platformokat.
A modell azonban túlmutat a kiskereskedelmi adatok hagyományos strukturált forrásain, és félig strukturált forrásokból merít betekintést, például a videokamerás hírcsatornákból, amelyek bemutatják a vásárlók áramlását az üzleteken belül.
Az alkalmazás számítógépes látást is használ, ahol a képeket a munkatársak a Sidekick alkalmazásban rögzítik hdPhone-jukon.
A személyzet tagjai képeket készítenek az üzlet helyeiről. A Home Depot az adatokat arra használja fel, hogy további részleteket tudjon meg a polcokon elérhető termékekről.
"A számítógépes látás jó példa arra, hogy az adatok nem tranzakciós rendszerből származnak, és amelyek az algoritmusainkat szolgálják" - mondja Ramamurthy.
"Ez egy nagyon izgalmas technika, mert láthatjuk, hogy ezen az adatfolyamon keresztül rengeteg információ érkezik az adatforrásaink bővítésére. Ez azt jelenti, hogy teljesebb jelzéskészletet tudunk felépíteni, és megkapjuk a megfelelő feladatokat, amelyeket létrehozhatunk és eljuttathatunk munkatársainkhoz. "
Míg az alkalmazás egy nagy adatmennyiségű eszköz, amely a hatékony és produktív munkavégzéshez az alkalmazottak hozzájárulását igényli, Ramamurthy szerint az volt a cél, hogy a személyzettel szemben támasztott követelmények ne legyenek túlságosan megterhelőek - és a bemeneteik nagy előnyökkel járjanak a kimenetek tekintetében. .
„Az a célunk, hogy a technológiák háttérbe szoruljanak, és a lehető legzökkenőmentesebbek legyenek” - mondja. "A munkatársaknak nem igazán kell megérteniük az összes tényezőt, amelyek szerepet játszottak abban, hogy egy feladat létrejött. Célunk egyszerűen az, hogy megpróbáljuk a megfelelő feladatokat rangsorolni."
A The Home Depot technológiai munkatársaként Ramamurthy mindig keresi a módokat a Sidekick alkalmazás tökéletesítésére és az adatvezérelt innováció egyéb forrásaira.
"Az én szerepem az, hogy áthidaljak különböző termékcsapatainkat, üzleti partnereinket és technológiai csapatunkat" - mondja. "Folyamatosan keressük a módokat bizonyos feladatok végrehajtásának optimalizálására, valamint gondolkodásmódunk megkérdőjelezésére. Ez azt jelenti, hogy fontolóra kell venni a technológiák bevezetését, és sok esetben kísérletezni kell, hogy olyan új generációs tapasztalatokat fejlesszünk ki, amelyek rontják a munkánkat. az ügyfelek problémái."
A Home Depot több éve kísérletezett különféle ML és mesterséges intelligencia (AI) technikákkal, köztük a saját gyártású Sidekick alkalmazással.
Egyes digitális vezetők számára jelentős kockázatnak tűnhet a feltörekvő technológia egyedi fejlesztési útvonala.
Avivah Litan, a Gartner elismert alelnöke korábban azt mondta a ZDNET-nek, hogy az olyan feltörekvő technológiák, mint az ML és az AI, jelentős termelékenységnövekedést ígérnek, ugyanakkor jelentős kihívásokat kell leküzdeni, mielőtt az eszközök nagy eredményeket arathatnak vállalati környezetben.
A The Home Depot esetében Ramamurthy azt állítja, hogy a vállalat rendelkezik a házon belüli tehetséggel és a koncepció bizonyítékát szolgáló tanulmányokkal annak bizonyítására, hogy az ML és a számítógépes látás nagy változást hozhat.
A feltörekvő technológia kiaknázása során a többi digitális és üzleti vezető számára az az üzenet, hogy a megközelítés tesztelésére és csiszolására összpontosítsanak.
"Tapasztalataink nagyon ismétlődőek. Belsőleg úgy gondolunk erre, mint egy "kúszni, sétálni, fuss megközelítésre" az értékteremtés érdekében. Taktikai fejlesztéseket hajtottunk végre, és voltak olyan kihívásaink, amelyeket az út során le kellett küzdenünk" mondja.
"De az iteratív megközelítés, amit alkalmaztunk, valóban segített abban, hogy meg tudjuk valósítani az elvárásokat. És jelenleg elégedettek vagyunk az eredményekkel a teljesítmény és a munkatársak általános tapasztalata tekintetében."
Ramamurthy és ez a csapat továbbra is olyan kis iterációkat keres, amelyek nagy fejlesztéseket hoznak a Sidekick alkalmazásban.
Úgy véli, hogy a vállalat sokkal többet tehet annak érdekében, hogy ne csak a megfelelő feladatokat állítsa elő a személyzet számára, hanem hogy az üzlet minden területén a tényezőkre összpontosítson, legyen szó az értékesítési helyszínek adatainak elemzéséről vagy az értékesítési terület elrendezéséről.
"Ezek mind további feltárásra váró területek" - mondja. "Emellett továbbra is vizsgáljuk, hogyan javíthatnánk statisztikai ML-modelleinket és egyes általunk generált feladatok minőségét, különösen akkor, ha azokat más jelekkel egészítjük ki."
Ramamurthy azt mondja, hogy szívesen használja a Sidekick alkalmazásból nyert betekintést annak biztosítására, hogy a munkatársak megfelelő készségekkel és erőforrásokkal rendelkezzenek feladataik elvégzése során.
„Úgy gondolom, ezek azok a területek, mind a feladatgenerálás, mind a feladatellátás szempontjából, ahol van lehetőség a további finomításra” - mondja.