Retail del futuro: come AI e dati stanno cambiando le regole del gioco

La raccolta e l’analisi dei dati in tempo reale, insieme all’utilizzo dell’intelligenza artificiale generativa stanno rivoluzionando il modo in cui i retailer riescono a gestire l’intera catena di fornitura e a proporre al consumatore un’esperienza d’acquisto omnicanale e sempre più personalizzata. Genevieve Broadhead, global lead, retail solutions di MongoDB, ci aiuta a comprendere meglio i passaggi di questo cambiamento epocale.

Come sta cambiando oggi l’esperienza del consumatore con l’uso sempre più crescente dei dati e dell’AI?

Immaginate di entrare nel vostro negozio di abbigliamento preferito e di vedere i capi esposti in base alla vostra taglia e al vostro colore preferito, con la possibilità di pagarli senza contanti, carte o nemmeno telefono. Questo è il futuro del retail omnicanale personalizzato, dove esperienze fisiche e digitali si fondono perfettamente. Un uso più intelligente dei dati in tempo reale e i progressi nelle interazioni personalizzate stanno guidando questo cambiamento, consentendo ai brand di navigare la volatilità del mercato e affrontare momenti chiave come i saldi stagionali, offrendo ai consumatori esperienze più coinvolgenti e personalizzate. Una delle innovazioni più trasformative in questo ambito è l’adozione dell’AI e dei dati, in particolare grazie alle crescenti capacità di ricerca.

Ci può fare qualche esempio concreto dell’uso innovativo dei dati da parte dei retailer per soddisfare questa domanda crescente?

Marks & Spencer, ad esempio, si è adeguata a questi cambiamenti costruendo in-house la sua piattaforma di fedeltà Sparks, che consente di sfruttare i dati di 7 milioni di clienti per offrire premi e promozioni personalizzate, rendendo lo shopping più rilevante e coinvolgente. Un altro esempio è la riduzione dei tempi di consegna: se fino a pochi anni fa attendevamo anche più di una settimana per ricevere un ordine, oggi diamo quasi per scontato che ci arrivi il giorno successivo all’acquisto. Pensate solo alla rapida evoluzione delle app di delivery last-mile come Wolt, che partendo dal cibo ora offrono “(almost) everything delivered”. Ci aspettiamo che le consegne siano tracciate fino alla porta e che arrivino nell’orario prescelto. Allo stesso modo, ogni interazione oggi deve essere personalizzata: quando apro una chat, il retailer sa già che voglio informazioni sul mio ordine e avere subito la risposta su dove si trova. Risultati di questo tipo sono però difficili da ottenere per un retailer legacy con decenni di debito tecnico e sistemi dati isolati.

Quali sono i requisiti tecnologici per offrire oggi esperienze così personalizzate?

Nella nuova era di velocità, flessibilità e adattabilità, i retailer hanno bisogno di una visione centralizzata di ordini, logistica, dati dei clienti e loro preferenze, disponibile in tempo reale. Combinando i dati in modo flessibile, diventa molto più facile soddisfare queste richieste. Gli approcci tradizionali a tracking e order management si basano su dati storici statici, offrendo spesso informazioni obsolete e nessuna interattività, se non attraverso un call center. L’AI generativa, al contrario, può essere utilizzata per accedere a flussi di dati live, come il tracking degli ordini e le interazioni con gli utenti, per creare chatbot conversazionali altamente personalizzati. Gli stessi input alimentano l’interazione successiva, consentendo ai retailer di offrire ogni volta esperienze di acquisto dinamiche e su misura.

Come si possono quindi ottimizzare le operations nel punto vendita e lungo la supply chain grazie all’AI e ai dati?

È vero che i retailer devono affrontare pressioni enormi per operare in modo più efficiente in un mercato volatile: costi in aumento, forte concorrenza, crescente richiesta di sostenibilità. Si affidano quindi a tecnologia e dati per prendere decisioni più intelligenti. Lidl, ad esempio, utilizza dati in tempo reale per potenziare la sua piattaforma di riordino automatico delle merci in punti vendita e magazzini: il software di replenishment aumenta l’efficienza lungo tutta la supply chain quando si effettuano gli ordini, cosa che in passato era difficile a causa delle complesse architetture dati e dell'enorme volume di dati da elaborare. Allo stesso modo, Waitrose usa telecamere con AI per monitorare i livelli di stock, migliorando al contempo efficienza operativa e sostenibilità. Grazie all’analisi avanzata dei dati, l’AI permette decisioni data-driven a tutti i livelli aziendali, aiutando i retailer a collocare il prodotto giusto davanti al cliente giusto. La ricerca vettoriale cambia ulteriormente le regole del gioco: analizza serie di dati complesse tramite modelli linguistici di grandi dimensioni (Llm), consentendo di comprendere le relazioni più sottili tra prodotti e consumatori.

Come si potrebbe applicare tutto ciò in pratica, nella routine quotidiana dei retailer?

Un retailer fashion, ad esempio, può analizzare i trend di vendite degli anni precedenti (quali giacche hanno avuto maggior successo?), affiancandoli alle tendenze attuali e alle previsioni meteorologiche in tempo reale, per prevedere quali articoli saranno più richiesti nella prossima stagione. Una catena alimentare, invece, potrebbe utilizzare l’AI per monitorare i latticini deperibili e riordinare automaticamente le scorte quando scendono sotto soglie predefinite, garantendo ai clienti prodotti sempre freschi. L’AI generativa potenzia queste previsioni interpretando i dati non strutturati presenti nei sistemi di un retailer, ad esempio distinte base, schede prodotto in Pdf, immagini e descrizioni dei fornitori. Può anche generare dati sintetici che colmano eventuali lacune, simulando condizioni di mercato e tendenze future. In questo modo i retailer diventano proattivi, assicurandosi di avere sempre i prodotti giusti al posto giusto, evitando così situazioni di overstock e stock-out.

E per quanto riguarda la leva del prezzo?

Oggi il prezzo è il fattore che più influisce sulla brand loyalty: la maggioranza degli shopper lo considera primario nella scelta del punto vendita, sottolineando l’importanza di strategie di pricing competitive. A supporto di queste decisioni vitali sul prezzo ci sono enormi quantità di dati, spesso difficili da analizzare correttamente. Senza conoscere i parametri della zona di comfort dei consumatori, come fissare il prezzo adeguato? L’analisi avanzata dei dati consente ai retailer di valutare l’elasticità dei prezzi e la sensibilità della domanda alle variazioni. L’intelligenza artificiale aiuta i retailer a determinare il prezzo ottimale per massimizzare volumi di vendita e margini di profitto.