IA no retalho

Não é novidade que o retalho físico está sob pressão. Os consumidores estão a passar rapidamente das lojas físicas para as lojas online, obrigando as primeiras a competir com empresas online capazes de oferecer produtos a qualquer hora, em qualquer lugar e com margens mais baixas. O retalho físico precisa de otimizar os processos e proporcionar aos clientes uma experiência mais atrativa do que a oferecida online. Na DSL, acreditamos que os dados podem desempenhar um papel importante no sucesso das empresas de retalho físico. Neste artigo, analisamos formas de recolher dados nas lojas físicas e apresentamos vários casos de uso de IA que utilizam esses dados para criar valor em diferentes departamentos da empresa.

Dados dos clientes

Parece contraditório. Centenas de clientes visitam diariamente uma loja física; os funcionários veem quem circula pela loja, ouvem aquilo que interessa aos clientes e têm contacto direto com eles quando fazem uma compra.

Numa loja online, os funcionários raramente têm contacto direto com os clientes. Ainda assim, é muito mais fácil para uma loja online recolher dados sobre eles. Num ambiente online, é possível acompanhar os clientes desde o momento em que clicam num anúncio até depois de saírem da loja online. Cada clique num produto, numa página de categoria ou no carrinho de compras, por exemplo, pode ser registado. Assim, existem inúmeras aplicações de data science no ambiente online que permitem criar um perfil detalhado dos clientes, abordá-los de forma direcionada e oferecer-lhes uma experiência personalizada.

O desafio no retalho físico é que os funcionários conhecem muitas vezes bem os clientes da sua loja, mas esse conhecimento é qualitativo e não pode ser convertido em dados utilizáveis. Por isso, não pode ser partilhado de forma sistemática com outras lojas, embora as decisões sobre promoções, sortido e operações sejam tomadas para toda a organização. Além disso, os sistemas de ponto de venda recolhem muitos dados transacionais, mas as possibilidades de utilização da IA são limitadas porque não é possível associar as compras a uma pessoa. Felizmente, também existem formas de recolher dados quantitativos sobre os clientes em grande escala e de os associar às compras nas lojas físicas.

A maioria das empresas de retalho já começou a usar programas de fidelização. Ao incentivar os clientes a apresentarem o cartão de fidelização ou a app para leitura quando fazem uma compra, é possível associar cada compra a um cliente. Assim, pode saber com que frequência os clientes regressam e que tipos de produtos são comprados pela mesma pessoa. Isto também permite aplicações de IA, como sistemas de recomendação e previsão de abandono. Se incentivar os clientes a partilharem alguns dados demográficos, pode relacionar o comportamento de cada cliente com as suas características. Torna-se assim possível segmentar os clientes e contactá-los de forma direcionada e personalizada. Se associar também uma app ao programa de fidelização, pode acompanhar todas as interações de um cliente com essa app.

Também há formas de recolher dados sobre clientes que não fazem uma compra. Vão desde dispositivos simples à entrada, que contam os clientes que entram, até métodos mais avançados, como câmaras que registam os percursos dos clientes ou conseguem identificar a idade e o género de um cliente.

Embora neste artigo façamos a distinção entre retalho físico e retalho online, a maioria das empresas de retalho físico também tem uma loja online. Os dados recolhidos na loja online podem ser usados para otimizar a loja física.

Portanto, também no retalho físico é possível recolher grandes quantidades de dados. No resto deste artigo, apresentamos alguns exemplos de como usaríamos esses dados.

Recomendações de produtos

Para maximizar a faturação, é habitual no retalho recorrer ao cross-selling para vender mais aos clientes. A experiência do cliente também melhora quando os produtos frequentemente comprados em conjunto não estão demasiado afastados uns dos outros. Com IA, pode identificar os produtos frequentemente comprados em conjunto (compras conjuntas) e os produtos adicionais que interessam aos clientes depois de comprarem um determinado produto.

Mesmo quando não é possível associar as diferentes compras de um cliente, os dados de vendas podem fornecer informação valiosa. A Market Basket Analysis identifica relações entre produtos num grande volume de transações anteriores. Com modelos estatísticos, descobre quais os produtos frequentemente comprados em conjunto e calcula a probabilidade de um produto ser adquirido juntamente com outro.

Com esta informação, pode determinar quais os produtos a colocar próximos uns dos outros para promover o cross-selling. Também é possível configurar os sistemas de caixa para alertar o operador quando um cliente compra apenas um produto de uma combinação frequente, mostrando-lhe que outro produto poderá interessar a esse cliente. Assim, o operador pode fazer uma recomendação direcionada durante a venda. Estes modelos também podem ajudar a decidir que produtos colocar em promoção: promover os produtos certos pode impulsionar as vendas de outros produtos associados a eles pelo modelo de Market Basket Analysis.

Um programa de fidelização permite associar as diferentes compras de um cliente. Também é possível associar-lhes um perfil de cliente. Um sistema de recomendação permite então fazer melhores recomendações de produtos. Enquanto a Market Basket Analysis considera apenas os produtos comprados numa única transação, um sistema de recomendação tem em conta os produtos que o cliente comprou anteriormente ou que clientes semelhantes compraram.

Existem duas categorias de sistemas de recomendação: collaborative filtering & content based. No collaborative filtering, as compras de um cliente são usadas para encontrar clientes semelhantes. Se o cliente ainda não comprou um produto adquirido por esses clientes, esse produto é-lhe recomendado. Por isso, este método não exige que esteja associado um perfil de cliente.

Os métodos baseados em conteúdo utilizam informação adicional sobre o cliente (por exemplo, idade e género) ou sobre o produto (por exemplo, preço e categoria). Com base nessa informação, constrói-se um modelo que procura identificar relações entre clientes e produtos (por exemplo: as mulheres entre os 25 e os 45 anos compram frequentemente artigos mais caros da categoria de artigos para casa). Em seguida, pode recomendar-se um determinado produto a uma pessoa com certas características. Este método exige que o cliente forneça informação adicional sobre si. No entanto, ao contrário do collaborative filtering, permite dar a um cliente uma recomendação de produto relevante mesmo que ainda não tenha feito compras.

Pode fazer-se uma recomendação de produto na caixa, quando o cartão de fidelização de um cliente é lido. Se houver um endereço de email disponível, também é possível contactar os clientes quando não estão na loja. Uma recomendação de produto adequada pode incentivá-los a visitá-la.

Análise com computer vision

Como referimos anteriormente, recolher dados sobre os visitantes das lojas é um desafio. Muitas vezes, o público-alvo é definido para toda a organização com base na ‘intuição’ ou através de métodos pouco eficientes, como os inquéritos. Os funcionários têm uma ideia geral dos percursos e do comportamento dos clientes, mas estes não são medidos de forma sistemática. Já mencionámos que estes dados podem ser recolhidos com câmaras. Com computer vision, as imagens das câmaras podem ser convertidas em dados quantitativos.

As câmaras com reconhecimento facial permitem estimar o género e a idade de cada visitante da loja. Também podem registar se um visitante entra sozinho ou acompanhado. Assim, é possível traçar um perfil claro do público-alvo de cada loja. Além disso, pode medir-se a que horas os diferentes segmentos de clientes fazem compras e quanto tempo permanecem na loja. Uma loja numa localidade rural atrai de manhã um público diferente do de uma loja na cidade? À hora de almoço, os visitantes são sobretudo pessoas entre os 25 e os 45 anos, que ficam pouco tempo e compram pouco? Aos sábados, vêm sobretudo famílias? Com informação sobre os visitantes de cada loja em cada horário, é possível criar promoções direcionadas a lojas e segmentos de clientes específicos.

Além de estimarem a idade e o género, as câmaras também podem registar os percursos dos visitantes numa loja. Que percurso faz um cliente até chegar ao produto que acaba por comprar? Como circulam pela loja os visitantes que acabam por não comprar nada? Toda a loja é percorrida ou os visitantes raramente passam dos primeiros corredores? Conhecer estes percursos permite otimizar a disposição da loja. Como os dados chegam continuamente, pode medir de imediato o efeito de uma alteração. Também pode experimentar novos desenhos de loja através de testes A/B, por exemplo, dando uma nova disposição à loja A e mantendo a loja B inalterada.

Com computer vision, também é possível registar as ações dos visitantes da loja. O que fazem os clientes com os produtos na loja? Com que frequência pegam num produto e voltam a colocá-lo no lugar, e como se relaciona isso com as vendas desse produto? Os produtos colocados a uma determinada altura nas prateleiras são observados e manuseados com mais frequência? Esta informação permite tomar decisões orientadas por dados sobre a colocação dos produtos nas prateleiras. Também aqui pode experimentar diferentes disposições das prateleiras para tomar uma decisão fundamentada.

Naturalmente, ao utilizar computer vision em câmaras, é necessário cumprir a legislação de proteção da privacidade. As informações pessoais não podem ser armazenadas sem consentimento, e a última coisa que pretende, enquanto retalhista, é que os clientes deixem de visitar a sua loja por motivos de privacidade. Ao armazenar apenas os dados estimados de idade e género, e não o rosto registado, evita que os dados possam ser associados a uma pessoa e que sejam armazenados dados sensíveis do ponto de vista da privacidade.

Previsão da procura com machine learning

Uma previsão precisa da procura é importante para qualquer empresa de retalho. Uma previsão demasiado alta imobiliza mais capital em existências e gera custos de armazenamento superiores ao necessário. Uma previsão demasiado baixa leva à perda de vendas por falta de produto. Além disso, uma boa previsão da procura permite elaborar um orçamento adequado. No entanto, fazer uma previsão precisa não é fácil. Muitos fatores variáveis — desde as oscilações meteorológicas, a concorrência e a disponibilidade (online/offline) até ao tipo de loja e às novas avaliações de produtos — influenciam a decisão dos clientes de visitar a sua loja e fazer uma compra.

A previsão da procura é feita há muito tempo com métodos estatísticos tradicionais, como a time series analysis. Estes métodos são muitas vezes adequados para empresas que operam num mercado estável e vendem produtos com um ciclo de vida longo. Uma desvantagem é que se baseiam exclusivamente em dados históricos de vendas e partem do princípio de que o que aconteceu no primeiro ano se repetirá no segundo. São menos adequados para mercados dinâmicos e não permitem prever a procura de produtos que ainda não foram vendidos.

Os modelos preditivos que utilizam machine learning baseiam-se em modelos estatísticos, mas podem recorrer a fontes de dados internas e externas adicionais (como dados meteorológicos, indicadores económicos e avaliações nas redes sociais). Aplicam algoritmos complexos capazes de identificar relações que vão além das lineares. Em vez de fazerem uma previsão única no início do ano, os modelos de machine learning podem ser treinados novamente de forma automática e adaptar-se à evolução das circunstâncias.

Conclusão

Também no retalho físico é possível recolher grandes quantidades de dados de clientes. Neste artigo, apresentámos apenas parte das possibilidades de utilização da IA com estes dados. Estamos convencidos de que a aplicação da IA também pode criar um valor significativo no retalho físico! Contacte-nos para falar sobre as possibilidades para a sua organização!