Thị trường hàng hóa
Mục đích của nghiên cứu này là xác định những lợi ích thiết thực và rủi ro liên quan đến việc triển khai trí tuệ nhân tạo (AI) trong bán lẻ và giải pháp phát triển khung phần mềm (Framework) để tích hợp công nghệ AI trong hệ thống thông tin của các công ty bán lẻ.
Bài viết đưa ra nhiều giải pháp với những lợi ích và nguy cơ rủi ro khi sử dụng AI trong bán lẻ, trong các phân đoạn khác nhau của chuỗi giá trị (CECoR), từ việc cải thiện trải nghiệm khách hàng (Customer Experience - CE) với sự trợ giúp của các hệ thống ảo (Chatbot, trợ lý ảo...), giảm chi phí, tăng doanh thu do đề xuất sản phẩm và ưu đãi hoặc chiết khấu được cá nhân hóa. Khung đề xuất tập trung vào hồ sơ khách hàng và bao gồm các khuyến nghị về việc triển khai AI trong một công ty bán lẻ, từ quan điểm của các CECoR. Khung CECoR có thể là một công cụ hữu ích cho cả chuyên gia bán lẻ và AI, cung cấp các hướng dẫn chung để bắt đầu và giám sát các dự án tích hợp AI trong hệ thống thông tin của một công ty.
Trong môi trường kinh doanh siêu kết nối ngày nay, các tổ chức buộc phải sử dụng các hệ thống, cơ chế và công cụ cho phép họ đạt được lợi thế cạnh tranh. Với nhiều ứng dụng đa dạng, AI được coi là đột phá và mang tính cách mạng vì nó cho phép mô phỏng trí thông minh của con người, thay thế con người trong các nhiệm vụ phức tạp. Các khía cạnh được nghiên cứu đến như xử lý ngôn ngữ tự nhiên, nhận dạng hình ảnh, điều khiển đối tượng... Bán lẻ là một trong những ngành có nhiều ứng dụng thành công của công nghệ AI và sẽ không ngừng phát triển. Các công nghệ mới khác cũng có tác động đáng kể đến bán lẻ như: Tự động hóa quy trình (Robotic Process Automation - RPA), vạn vật kết nối (Internet of Things - IoT), thực tế ảo/tăng cường (VR/AR), Robot và xe tự hành.
Mặt khác, ngoài vấn đề về chi phí và sắp xếp lại nguồn nhân lực trong quá trình tích hợp các công nghệ AI, còn vấn đề nhận thức của khách hàng và uy tín của một công ty về cách thức cụ thể mà máy móc và thuật toán quản lý lượng lớn thông tin cá nhân được thu thập. Đó là điển hình cho những thách thức lớn đối với bất kỳ tổ chức bán lẻ và yêu cầu cách xử lý thích hợp trong bối cảnh quản lý rủi ro liên quan đến AI.
Để đảm bảo lợi thế cạnh tranh bằng cách áp dụng các công nghệ mới, các nhà bán lẻ phải xem xét ba yếu tố chính: (1) Cải thiện trải nghiệm của người tiêu dùng; (2) Giảm chi phí; (3) Tăng doanh thu và lợi nhuận kinh doanh. Nghiên cứu này nhằm xác định và làm nổi bật những lợi ích, thách thức chính của việc triển khai các công nghệ AI trong bán lẻ theo ba yếu tố trên. Các công ty trong lĩnh vực bán lẻ tận dụng việc tích hợp các kỹ thuật và thuật toán AI trong hệ thống thông tin của họ. Để đạt được mục tiêu này, các lĩnh vực hoạt động được xác định bằng hai câu hỏi: (1) “Từ góc độ CECoR, những lợi ích và rủi ro được tạo ra bởi các nhà bán lẻ khi triển khai AI là gì?”; (2) “Việc khởi xướng, quản lý một dự án tích hợp công nghệ AI có thể được hỗ trợ như thế nào?”.
Bài viết có hai phần chính: Phần đầu tập trung vào những lợi ích khi sử dụng AI trong bán lẻ được phân tích từ quan điểm của CECoR. Phần thứ hai mô tả cụ thể cơ hội và thách thức của việc tích hợp AI với các hệ thống thông tin và kết quả nghiên cứu: Khung khái niệm CECoR, một kịch bản minh họa cách kiến trúc tích hợp CECoR, cùng với các khía cạnh liên quan đến rủi ro và các vấn đề triển khai thực tế.
Được định nghĩa là một hệ thống có khả năng thu thập - phân tích dữ liệu học và sau đó áp dụng kiến thức mới để đạt được kết quả nhất định hoặc thực hiện một nhiệm vụ thông qua hành vi thích ứng, AI bao gồm nhiều lĩnh vực của con người, trong đó có thể kể đến: Học máy (Machine Learning - ML); Học sâu (Deep Learning - DL), dựa trên các kỹ thuật mạng thần kinh nhân tạo có thể thực hiện các nhiệm vụ học phức tạp sử dụng khả năng xử lý nâng cao để tạo liên kết, phân loại, nhóm và hồi quy, bằng cách phân tích khối lượng lớn dữ liệu. Mạng sâu (Deep Neural Networks - DNN) kết hợp nhiều tác vụ ML và tận dụng các công nghệ tiên tiến khác, chẳng hạn như điện toán đám mây, IoT hoặc dữ liệu lớn (Big Data), cho phép các thuật toán ML quản lý nhiều dữ liệu khác nhau (video, âm thanh, văn bản) để cải thiện độ chính xác của dự báo nhu cầu sản phẩm bằng cách phân tích hành vi của khách hàng. Hơn nữa, bằng cách tận dụng các công nghệ và các tính năng nền tảng kỹ thuật số khác, các công ty bán lẻ tăng khả năng quảng bá và mở rộng hoạt động kinh doanh của họ trên toàn cầu.
Sự phát triển của thương mại điện tử và sự tăng trưởng theo cấp số nhân dữ liệu khách hàng đã góp phần trong dự đoán hành vi và cải thiện trải nghiệm người tiêu dùng (Consumer Experience - CE). Theo Maghraoui và Belghith (2019), dữ liệu được chia sẻ trên Internet trong thập kỷ qua vượt quá dữ liệu trong cả lịch sử nhân loại. Do đó, nếu tổ chức phân tích và khai thác dữ liệu này đúng cách thì sẽ đạt được lợi thế khác biệt.
Các công nghệ nhận dạng ngôn ngữ như Chatbot cải thiện CE thông qua việc cung cấp dịch vụ 24/7, đồng thời giảm khối lượng các giao dịch trực tiếp đến nhân viên. Chatbot cũng cung cấp dịch vụ tạo mẫu cá nhân, sử dụng các tùy chọn ảnh và đặt câu hỏi về phong cách của người mua, tạo hồ sơ phong cách cho khách hàng. Công nghệ nhận dạng giọng nói liên quan đến việc sử dụng trợ lý ảo, có thể thực hiện nhiều tác vụ khác nhau (nhận lệnh qua điện thoại, tìm kiếm thông tin, gửi khuyến nghị cho khách hàng...). Bằng cách chuyển giọng nói thành văn bản, khẩu lệnh của khách hàng được truyền tới hệ thống nhận đơn đặt hàng, tự động hoặc qua email. Công nghệ nhận dạng trực quan dựa trên trợ lý ảo có thể xác định hình dạng hoặc con người, theo dõi trạng thái của lô hàng sản phẩm, mở tài khoản từ xa và phát hiện sở thích của người dùng Internet đối với một số thương hiệu nhất định. Ví dụ, bằng cách sử dụng công nghệ nhận dạng khuôn mặt, một nhà bán lẻ có thể xác định một người mua sắm thường xuyên hoặc một chủ thể khách hàng thân thiết ngay khi họ bước vào cửa hàng. Bảng hiệu kỹ thuật số không phải là mới trong lĩnh vực bán lẻ, nhưng khi kết hợp với nhận dạng khuôn mặt và phân tích dữ liệu lớn, nó có thể nhắm mục tiêu trực tiếp đến một khách hàng cụ thể dựa trên hành vi mua hàng trước đó của họ. Các công nghệ sử dụng Robot tự động cho phép thực hiện các hoạt động hoặc nhiệm vụ bằng cách thích ứng hành vi với môi trường. Một trong những cách các nhà bán lẻ sử dụng Robot trong cửa hàng là để giúp khách hàng tìm thấy sản phẩm họ cần. Sự tò mò của khách hàng muốn xem chúng hoạt động khiến Robot bán lẻ trở thành một đòn bẩy quan trọng trong việc áp dụng thương hiệu và cải thiện CE. Công nghệ phân tích dự đoán cho phép các công ty lớn dự đoán các hành vi của khách hàng trong tương lai bằng cách sử dụng các mẫu hành vi trong quá khứ hoặc hiện tại, từ đó chứng minh cho các quyết định chiến lược của họ. Các phân tích dự đoán có thể xác định những khách hàng không hài lòng và để phát hiện các tình huống rủi ro, giúp giảm tỷ lệ các công ty bị ngừng trệ.
Ngoài vấn đề cải thiện trải nghiệm khách hàng và tăng doanh thu, vấn đề giảm chi phí cần được xem xét cẩn thận khi đánh giá tác động của các công nghệ mới đối với các công ty bán lẻ. Có một số khả năng giúp tiết kiệm chi phí dựa trên AI: Tiếp cận hiệu quả người tiêu dùng mục tiêu, giảm lực lượng lao động và tối ưu hóa hàng tồn kho.
(i) Tiếp cận người tiêu dùng mục tiêu với chi phí thấp hơn. Thời điểm là yếu tố quan trọng trong bán lẻ: Cung cấp thông điệp phù hợp cho đúng khách hàng vào đúng thời điểm có thể quyết định sự gia tăng đáng kể trong doanh số bán hàng. Áp dụng công nghệ Big Data, chẳng hạn như phân tích dự đoán, các nhà bán lẻ có thể “ước tính” hành vi của người tiêu dùng và điều chỉnh các dịch vụ của họ cho phù hợp. Hàng chục terabyte dữ liệu mới được tích hợp với dữ liệu lịch sử về hàng triệu khách hàng và hàng tỷ hành trình của các sản phẩm đã bán. Các công cụ được hỗ trợ bởi AI có thể xử lý khối lượng dữ liệu ngày càng tăng này với ít đòi hỏi về kỹ thuật, thời gian và chi phí cùng các hệ thống máy tính ít gặp lỗi hay gián đoạn, do đó tiết kiệm chi phí đáng kể.
(ii) Giảm nhân công. Các công nghệ cảm biến, di động và AI mang đến những khả năng mới có thể thay thế con người. Công nghệ về kệ thông minh, các mắt lưới của cảm biến, bộ tách sóng quang, micrô và cảm biến thu thập dữ liệu về tình trạng sản phẩm và gửi thông báo cho nhân viên cửa hàng khi số lượng sản phẩm ít hơn số lượng xác định trước; ngoài ra, AI dựa trên khoảng không quảng cáo theo thời gian thực cho phép các cửa hàng cập nhật giá tự động cho tất cả các sản phẩm hết hạn vào ngày hiện tại. Do đó, vì kệ thông minh tự quản lý nên nhân viên cửa hàng không cần định kỳ kiểm tra kho sản phẩm trên kệ, tổng hợp dữ liệu đã thu thập và gửi cho người phụ trách.
(iii) Tối ưu hóa hàng tồn kho. Quyết định số lượng sản phẩm và thời điểm đặt hàng để bổ sung hàng dự trữ là những quyết định rất nhạy cảm, vì chúng có tác động trực tiếp đến chi phí tồn kho và đến việc tối đa hóa lợi nhuận. Đây là lý do tại sao tối ưu hóa khoảng không quảng cáo nổi lên như một trường hợp chính cho việc triển khai AI của các công ty bán lẻ. Sử dụng các thuật toán ML để dự báo tốt nhất về xu hướng bán hàng hàng tuần, với ít sai sót nhất có thể. Về mặt thực tiễn, phân tích dự đoán giúp các nhà bán lẻ xác định lượng sản phẩm tươi sống, tối ưu số lượng cung cấp và địa điểm phù hợp, giảm tồn kho các mặt hàng thực phẩm dễ hư hỏng, giảm thiểu chất thải và đồng bộ hóa mức cung cấp hạ nguồn và thượng nguồn một cách thông minh.
Các xu hướng công nghệ đã khiến các ứng dụng AI trong lĩnh vực bán lẻ trở nên phổ biến, giúp tăng doanh thu, lợi nhuận và hiệu quả kinh doanh. Công nghệ AI giúp các nhà bán lẻ củng cố chiến lược bán hàng bằng cách tận dụng các tính năng hiện có của các cửa hàng. Các mục tiêu tối ưu hóa giá và tối đa hóa doanh số dẫn đến việc sử dụng công nghệ dữ liệu lớn được nâng cao bởi AI, phát hiện mối tương quan giữa các biến độc lập như giá khuyến mại, vị trí, mở rộng chủng loại và các biến phụ thuộc như doanh số và lợi nhuận của cửa hàng, chuyển đổi thương hiệu...
Phân tích tác động của việc áp dụng AI đối với chính sách trả hàng trực tuyến nhận thấy rằng, trải nghiệm ảo để nâng cao cá nhân hóa có thể giảm hoặc thậm chí loại bỏ sự không chắc chắn về độ phù hợp của sản phẩm và cải thiện dịch vụ sau bán hàng, bằng cách coi lợi ích của người tiêu dùng là cơ hội để tạo điều kiện cho họ liên tục tìm kiếm trao đổi. Các công ty bán lẻ ở châu Âu đã bắt đầu sử dụng tính năng ngăn chặn gian lận dựa trên AI để giải quyết các lỗ hổng. Ứng dụng công nghệ AI và IoT để nhận dạng người tiêu dùng và nhận dạng hàng hóa, tạo ra luồng khách hàng và tăng khối lượng giao dịch.
Thừa nhận sự phát triển gần đây của thương mại điện tử, tăng tốc ít nhất 05 năm do đại dịch, các chuyên gia đã cảnh báo rằng, các nhà bán lẻ không tận dụng các công nghệ AI như VR/AR, IoT, di động thì sẽ không thể cải thiện hoạt động kinh doanh.
Phần này đưa ra quan điểm quản lý rủi ro theo 03 loại lợi ích của AI đã được phân tích ở trên.
Một là, các vấn đề về công nghệ AI. Một thách thức quan trọng của AI là đảm bảo chất lượng dữ liệu, do khối lượng lớn và tính đa dạng của dữ liệu (Web, mạng xã hội, thiết bị di động, cảm biến và IoT) đã tăng lên đáng kể. Ví dụ, ứng dụng các thuật toán ML, nếu sử dụng tập dữ liệu không đầy đủ để đào tạo mô hình, thì mô hình đó sẽ có những nhận định sai lệch - lỗ hổng được xem là từ AI. Hơn nữa, do độ mở của thuật toán, các mô hình ML được coi là “hộp đen” và khó mà giải thích cách chúng thực hiện, dự đoán hoặc khuyến nghị. Khi chúng trở nên phức tạp hơn, các mô hình học của AI tạo ra các lỗ hổng mới, các hệ thống AI dễ bị lỗi bất ngờ và các cuộc tấn công không thể phát hiện được.
Hai là, những thách thức về giảm chi phí dựa trên AI. Việc nghiên cứu và phát triển để xây dựng các hệ thống AI cho thấy vấn đề về tài chính không thể xem nhẹ. Do đó, thách thức đầu tiên đối với bất kỳ nhà bán lẻ nào là đặt ra các lĩnh vực ưu tiên để triển khai AI vì nó khá tốn kém. Trong tương lai, AI tập trung vào việc nâng cao năng lực của con người chứ không phải để thay thế nó. Tuy nhiên, AI dẫn đến những thay đổi quan trọng về bản chất của công việc, có nghĩa là các nguồn tài chính quan trọng phải được hướng đến đào tạo hoặc đào tạo lại nhân viên và nâng cao kỹ năng. Hơn nữa, các công việc được trả lương thấp và trung bình chủ yếu là các hoạt động tự động hóa có khả năng giảm, còn các công việc mức lương cao liên quan đến việc triển khai AI dự kiến sẽ tăng lên, làm tăng tổng chi phí vận hành AI.
Ba là, những thách thức trong việc tăng doanh thu và nâng cao trải nghiệm của khách hàng dựa trên AI. Khả năng tăng doanh thu bán lẻ do triển khai AI vốn dĩ phụ thuộc vào chất lượng và số lượng thông tin khách mà các công ty thu thập được. Tuy nhiên, điều này liên quan đến lợi ích cá nhân và rủi ro. Để trải nghiệm những lợi thế mua sắm được hỗ trợ bởi AI, khách hàng phải chia sẻ thông tin cá nhân, vì vậy họ bị chịu áp lực về các vấn đề quyền riêng tư. Dữ liệu người tiêu dùng được trích xuất, xử lý bằng máy móc và thuật toán để hiểu và dự báo nhu cầu trên các chuỗi cung ứng, sau đó tùy chỉnh trải nghiệm mua sắm là mục tiêu chính của AI. Tuy nhiên, doanh số bán hàng và doanh thu có thể bị hạn chế bởi kỹ thuật AI. Ví dụ: Dự báo doanh số bán hàng dựa trên các hành vi của người tiêu dùng trong quá khứ có thể tạo ra sự thiên vị, nhu cầu trong quá khứ hoặc ngẫu nhiên không còn phù hợp với nhu cầu hiện tại của khách hàng.
Bốn là, vấn đề đạo đức trong vai trò người kiểm duyệt các lợi ích của AI. Tốc độ phát triển nhanh chóng của AI làm tăng mối quan tâm về các vấn đề đạo đức, tạo ra những thách thức về trách nhiệm trong việc khai thác các hệ thống AI. Do đó, các cơ quan quản lý phải xây dựng và ban hành các hướng dẫn về đạo đức, các chính sách và khung pháp lý để ngăn chặn việc lạm dụng AI. Tuy nhiên, vì các nền tảng AI lớn thường gồm các hệ thống con nên các rủi ro có thể bắt nguồn từ giải pháp của bên thứ ba, làm phức tạp thêm việc quản lý rủi ro AI cho công ty thụ hưởng. Các vấn đề đạo đức là nguyên nhân chính gây rủi ro về uy tín, vì vậy quản lý các khía cạnh AI không chỉ là thành công của doanh nghiệp mà còn ảnh hưởng đến khách hàng và xã hội. Khi không được quản lý đúng cách, rủi ro danh tiếng có thể dẫn đến doanh số bán hàng giảm mạnh và chi phí khôi phục lòng tin của khách hàng và hình ảnh thương hiệu tăng lên đáng kể.
Mục đích của nghiên cứu này là xác định những lợi ích thiết thực và rủi ro bởi việc triển khai AI trong bán lẻ và tận dụng kết quả để phát triển khung khái niệm, tích hợp công nghệ AI với hệ thống thông tin của các công ty bán lẻ. Lợi ích và thách thức của các dự án tích hợp AI trong bán lẻ đã được phân tích từ quan điểm của nhóm yếu tố này, được coi là yếu tố chính của khung đề xuất. (Hình 1)
Nghiên cứu lấy hồ sơ khách hàng làm trung tâm, tích hợp các kỹ thuật và thuật toán AI với hệ thống thông tin của các tổ chức bán lẻ. Mục tiêu của cách tiếp cận AI này gồm việc tạo ra các ưu đãi được cá nhân hóa và chính xác cho từng khách hàng. Ở cấp độ cơ bản, việc phân tích này phải dựa trên các hoạt động kinh doanh tương tự trong lĩnh vực bán lẻ: Cải thiện CE, giảm chi phí, tăng doanh số và doanh thu. Các thành phần chính của khung CECoR được mô tả như Hình 2.
Kiến trúc tích hợp AI được quản lý bởi nhóm triển khai AI của nhà bán lẻ, bắt đầu với các hệ thống con chính.
Hệ thống con quản lý toàn bộ dữ liệu khách hàng, dữ liệu bán hàng và dữ liệu Internet. Dữ liệu bán hàng được thu thập và sắp xếp với các khía cạnh là đặc trưng cho bán lẻ (ví dụ: Thời gian, khách hàng, sản phẩm và vị trí). Dữ liệu Internet được tổng hợp từ các nguồn bên ngoài như mạng xã hội và diễn đàn công cộng, sử dụng công nghệ khai thác Web hoặc được thu thập từ các nhà cung cấp khác nhau.
Hệ thống con dữ liệu khách hàng cá nhân quản lý chi tiết dữ liệu lịch sử giao dịch của từng khách hàng (doanh số bán hàng đã hoàn thành, đơn đặt hàng, đơn hủy...). Hệ thống con này cũng tích hợp dữ liệu khách hàng được thu thập và xử lý nhanh chóng “một cách thông minh”, do tương tác với các tác nhân (Chatbot, trợ lý ảo, trợ lý kỹ thuật số, tác nhân trò chuyện) hoặc từ phản hồi và ý kiến trên diễn đàn.
Hệ thống con thứ ba của kiến trúc tích hợp CECoR quản lý dữ liệu hàng tồn kho và thông tin về các chương trình khuyến mại hiện tại cho các sản phẩm đang bán. Hình 3 biểu diễn sơ đồ của một kiến trúc mức cao hỗ trợ tích hợp AI.
Quản lý hồ sơ khách hàng hỗ trợ AI. Kiến trúc tích hợp được giới thiệu ở đây dựa trên cấu trúc hồ sơ khách hàng, với các lĩnh vực: Hồ sơ khách hàng chung, hồ sơ khách hàng cá nhân và hồ sơ khách hàng theo ngữ cảnh. Phần này trình bày về cơ sở lý luận của kiểu phân loại hồ sơ này và vai trò của nó trong hệ thống thông tin bán lẻ có hỗ trợ AI.
Hồ sơ khách hàng chung (Generic customer profiles). Bất chấp các khía cạnh cá biệt hóa từng khách hàng, một số mô hình giao dịch và hành vi nhất định, khi được xác định và kết hợp với các yếu tố mô tả khác nhau (giới tính, tuổi tác, vị trí...), cho phép phân khúc khách hàng của công ty thành các nhóm tương đối đồng nhất. Mỗi cụm kết quả tương ứng với một hồ sơ chung bao gồm các yếu tố xác định cho một nhóm nhỏ khách hàng, cho phép xử lý thống nhất các tương tác với họ.
Hồ sơ khách hàng cá nhân (Individual customer profiles). Trong khi các hồ sơ chung trừu tượng hóa các đặc điểm chung của một nhóm khách hàng nhất định của công ty, các hồ sơ riêng lẻ là kết quả của quá trình ngược lại, cho phép một hồ sơ chung được điều chỉnh cho phù hợp với đặc thù của từng khách hàng. Hồ sơ cá nhân xác định sở thích và nhu cầu mua không theo thuật ngữ chung, vì vậy chúng được hướng đến việc xử lý khác biệt với khách hàng có hồ sơ chung. Do đó, một hồ sơ cá nhân có được bằng cách tinh chỉnh và mở rộng các thuộc tính giao dịch và hành vi của một hồ sơ chung, với các yếu tố được xác định bởi danh tính và giao dịch của mỗi khách hàng.
Hồ sơ khách hàng theo ngữ cảnh (Contextual customer profiles). Chúng đại diện cho các quan điểm cụ thể về hồ sơ cá nhân, truyền đạt nhận thức của một khách hàng cụ thể liên quan đến các yếu tố nhất định mà công ty đang có kế hoạch sử dụng để tác động đến bối cảnh hoạt động hiện tại. Ví dụ: Hồ sơ theo ngữ cảnh có thể được sử dụng để xác định những khách hàng có nhiều khả năng quan tâm đến một sản phẩm mới được chào bán hoặc những khách hàng quan tâm đến các sản phẩm hết hàng hoặc chưa được kiểm tra, để được cung cấp các lựa chọn thay thế. Các cấu hình chỉ là tạm thời, vì mức độ liên quan của chúng được giới hạn trong bối cảnh kinh doanh cụ thể, với khung thời gian cụ thể (ví dụ: Tình hình tồn kho nhất định, ra mắt sản phẩm mới, chiến dịch truyền thông xã hội để hỗ trợ thương hiệu...).
Hình 3 cho thấy, trình tự các cấu hình được hỗ trợ bởi AI là quá trình chuyển đổi dần dần từ chung sang đặc biệt trong mối quan hệ với khách hàng, tức là tạo ra các cấu hình chi tiết từ các cấu hình thô. Các chức năng chính của quản lý hồ sơ khách hàng hỗ trợ AI bao gồm: (1) Tự động cập nhật hoặc cấu hình lại hồ sơ chung và hồ sơ riêng lẻ, được kích hoạt bởi luồng dữ liệu mới liên tục từ các nguồn bên trong và bên ngoài; (2) Tạo ra các cấu hình theo ngữ cảnh thích ứng tốt với các tình huống phù hợp với việc sử dụng chúng.
Kết quả tích hợp AI kỳ vọng theo từng giai đoạn và các định hướng kinh doanh CECoR. Logic tích hợp liên quan đến các hệ thống con được mô tả ở trên và các luồng dữ liệu tương ứng có thể được biểu diễn dưới dạng một quy trình ba bước. Ở bước đầu tiên, các thuật toán học của AI được sử dụng trên dữ liệu bán hàng, được điều chỉnh với dữ liệu Internet, để tạo ra hồ sơ khách hàng chung. Sau đó, dữ liệu khách hàng cá nhân được sử dụng để tinh chỉnh hồ sơ của một người cụ thể. Sau đó, hồ sơ cá nhân của khách hàng được sử dụng cho hệ thống con của phiếu mua hàng để đối sánh hồ sơ đó với dữ liệu về khoảng không quảng cáo và các chương trình khuyến mại hiện tại; trong giai đoạn cuối cùng, các kỹ thuật và thuật toán AI một lần nữa được sử dụng để tạo hồ sơ khách hàng theo ngữ cảnh và các ưu đãi được cá nhân hóa tương ứng (ví dụ: Đề xuất sản phẩm, giảm giá...) cho từng khách hàng.
Phương pháp tiếp cận theo lớp đối với hồ sơ khách hàng, bắt nguồn từ những tác động tích cực có thể dễ dàng được ánh xạ tới các mục tiêu kinh doanh tương tự đã được sử dụng để điều tra tác động của AI đối với ngành bán lẻ: Cải thiện trải nghiệm khách hàng - mỗi khách hàng cảm thấy quan trọng và có giá trị vì các ưu đãi được điều chỉnh cụ thể cho nhu cầu và thị hiếu của họ nhờ vào dữ liệu khách hàng; doanh thu bán hàng tăng - đây là hệ quả trực tiếp của việc cung cấp sản phẩm được cá nhân hóa và nâng cao trải nghiệm khách hàng; giảm chi phí - phiếu mua hàng dựa trên dữ liệu hàng tồn kho theo thời gian thực, hỗ trợ giảm chi phí cho cả sản phẩm hết hạn và doanh số bán hàng bị mất.
Để hiểu rõ hơn về kiến trúc tích hợp CECoR được giới thiệu ở trên, chúng ta sẽ minh họa chức năng cơ bản của nó bằng một ví dụ mô tả về trải nghiệm mua sắm giả định.
Vào mỗi thứ Tư, John mua hai hộp sữa từ một nhà sản xuất (Classic Milk). Bên cạnh đó, trong vài tháng qua đã có nhiều khách hàng đánh giá và phản hồi tích cực dành cho các sản phẩm sữa của hai thương hiệu khác (New Milk và Best Milk) trên nhiều nền tảng Internet. Hôm nay là thứ Tư, lượng sữa tồn kho của New Milk và Best Milk sẽ hết hạn vào ngày mai khá nhiều, trong khi sữa của Classic Milk đã hết. Nếu dựa vào dữ liệu tổng hợp từ các nguồn bán hàng và dữ liệu Internet của công ty, khách hàng tương tự như John sẽ được xếp vào danh mục thích Best Milk sau đó mới đến New Milk vì dữ liệu được thu thập từ diễn đàn của công ty cho thấy các bài đăng của John trên Best Milk có chứa các từ cho thấy anh ấy không thích Best Milk. Do đó hồ sơ khách hàng sẽ được điều chỉnh theo dữ liệu cá nhân - John sẽ nằm trong danh mục thích New Milk; hệ thống sẽ thông báo cho John biết rằng anh ấy có thể mua sữa của New Milk và có chiết khấu. Đây là cách nhà bán lẻ ngăn chặn thất thoát và tránh trường hợp tồn một lượng lớn sữa đã quá hạn sử dụng. Tương tự, từ quan điểm của khách hàng, đây là một trải nghiệm không kém phần bổ ích: Khách hàng cảm thấy đặc biệt vì nhà bán lẻ “biết” rằng họ cần sữa, đồng thời được giảm giá cho một sản phẩm của thương hiệu mà họ muốn mua. Hơn nữa, nhà bán lẻ không còn rủi ro về những hậu quả tiêu cực tiềm ẩn do trải nghiệm khó chịu của khách hàng như “Tôi không thích Best Milk, tại sao họ lại gửi cho tôi lời đề nghị này?"
Các vấn đề thực tế và kỹ thuật. Mô hình tích hợp CECoR AI được đề xuất giới thiệu bởi bài viết này là một giải pháp có tính tổng quát cao có thể được sử dụng trong nhiều bối cảnh kinh doanh. Đương nhiên, điều này có nghĩa là kiến trúc được mô tả ở đây phải được phát triển thêm để phù hợp với hệ thống thông tin hiện đang được sử dụng và các công nghệ AI của một công ty bán lẻ cụ thể. Ví dụ, trong trường hợp cửa hàng truyền thống, khách hàng cần “đăng ký” sử dụng điện thoại khi vào cửa hàng; cách khác, anh ta có thể được hệ thống đăng ký tự động, với điều kiện là trong cửa hàng có công nghệ nhận dạng khuôn mặt. Hơn nữa, hệ thống phải có khả năng “liên kết” các khách hàng riêng biệt như khi một cặp vợ chồng đi mua sắm thì phải coi đó là một thực thể khách hàng với các đặc điểm cụ thể.
Việc triển khai các giải pháp AI và áp dụng khuôn khổ tích hợp CECoR được trình bày đặt ra nhiều thách thức kỹ thuật, vì điều này liên quan đến sự kết hợp công nghệ mà không phải tất cả các công ty bán lẻ đều dễ dàng tiếp cận: Điện toán đám mây, Big Data, DL, ML, ngôn ngữ lập trình... Tuy nhiên, những tiến bộ không ngừng trong nghiên cứu và phát triển AI, cũng như lợi ích nó mang lại trong kinh doanh đang mở đường cho các công nghệ AI được ứng dụng một cách phổ biến trong tất cả các ngành, bao gồm cả bán lẻ.
Do việc triển khai AI vượt ra ngoài lĩnh vực kỹ thuật của thuật toán học và xử lý dữ liệu lớn, khung khái niệm CECoR cũng có những rủi ro nhất định. Điều này đòi hỏi phải có cái nhìn từ trên xuống về bối cảnh AI cụ thể cho từng nhà bán lẻ để quyết định các nguyên tắc chính liên quan đến công nghệ thông tin, cũng như các vấn đề kinh doanh và đạo đức. Trên thực tế, tất cả các mối quan tâm về đạo đức đều được quan tâm ngay lập tức đối với bất kỳ hệ thống bán lẻ nào sử dụng hồ sơ khách hàng do AI điều khiển. Khi các công ty thu thập, theo dõi và phân tích rất nhiều về khách hàng của họ, họ cũng có các công cụ để sử dụng hồ sơ, khai thác các lượt thích và không thích của khách hàng và định hướng quyết định mua hàng của họ. Mặc dù có vẻ hợp lý từ góc độ kinh doanh, nhưng những cách làm như vậy gây ra rủi ro đáng kể về uy tín và có thể gây nguy cơ cho chính những lợi ích kinh doanh mà các công nghệ AI hứa hẹn.
Trong khi cuộc Cách mạng công nghiệp lần thứ tư đang diễn ra sôi nổi, làn sóng thay đổi công nghệ khổng lồ đang thúc đẩy các công ty nhanh chóng thích ứng để duy trì khả năng cạnh tranh. Nghiên cứu hiện tại góp phần hỗ trợ các tổ chức bán lẻ khi AI dường như trở thành một công nghệ cao phổ biến và được đưa dần vào trong hầu hết các hoạt động thương mại.
Thứ nhất, để giúp các chuyên gia bán lẻ đang tìm cách áp dụng AI trong tổ chức của họ, có những hiểu biết thực tế, có phân tích về các lợi ích của AI được xác định trong thực tế hiện tại: Nâng cao CE, giảm chi phí và tăng doanh thu. Có rất nhiều công cụ AI mới có ảnh hưởng tích cực đến không chỉ một, mà hai hoặc thậm chí cả ba trình điều khiển CECoR.
Thứ hai, liên quan đến CECoR, những rủi ro của triển khai AI trong bán lẻ được đưa ra. Dựa trên các phân tích, tác động tích cực của việc triển khai AI phụ thuộc vào việc quản lý hiệu quả các rủi ro liên quan đến loại công nghệ này. Cần đặc biệt chú ý đến các vấn đề đạo đức, chẳng hạn như khả năng thao túng khách hàng thông qua AI. Việc lạm dụng khai thác dữ liệu có thể gây ra những tác động trái với dự kiến ban đầu.
Thứ ba, là khung khái niệm CECoR, được thiết kế cho phép điều chỉnh nhằm tận dụng đầy đủ các cơ hội cải tiến này và mang lại lợi thế cạnh tranh đáng kể cho công ty. Khung xây dựng được chứng minh bằng cách tận dụng CECoR, ứng dụng của nó có hai mục đích quan trọng: Tinh chỉnh hồ sơ khách hàng và tối ưu hóa việc cá nhân hóa các ưu đãi. Tầm nhìn lưỡng phân này - định hướng theo CECoR và tập trung vào hồ sơ khách hàng - khác biệt bài viết này với các nghiên cứu trước đây trong cùng lĩnh vực.
Tài liệu tham khảo:
1. Capgemini, 2019. Impact of AI for Customer Experience (CX) AI: re-humanizing digital customer experience.
2. Huang, M.H. and Rust, R.T., 2018. Artificial Intelligence in Service. Journal of Service Research.
3. Ionu-Anica-Popa, Liana Anica-Popa, Cristina Rădulescu and Marinela Vr-ncianu, 2020. The Integration of Artificial Intelligence in Retail: Benefits, Challenges and a Dedicated Conceptual Framework. Amfiteatru Economic.
4. Pegasystems Inc., 2017. Artificial Intelligence and Improving the Customer Experience.
Tag
BÀI VIẾT LIÊN QUAN
Đọc thêm
Business Networking
Mạng lưới kết nối của Trí Tuệ Mới
