Найбільший у світі роздрібний продавець, на якого працюють понад 2 млн людей, генерує величезні обсяги інформації. Усі сфери бізнесу Walmart так чи інакше використовують штучний інтелект. Наприклад, щоб керувати логістикою, пропонувати покупцям найкращий сервіс, боротись із шахраями та злодіями і навіть берегти екологію. SPEKA проаналізувала, як алгоритми машинного навчання економлять ритейлеру щороку мільярди доларів.
Чому Walmart потребує використання ШІ у своїй роботі
Щотижня приблизно 240 млн клієнтів відвідують магазини Walmart, яких понад 10,5 тис., не кажучи вже про вебсайт та службу доставлення у 20 країнах.
У 2023 фінансовому році дохід компанії становив $611 млрд. Щоб заробити такі кошти, компанія має величезний асортимент товарів і складні мережі постачання. Walmart працює з понад 100 тис. постачальників по всьому світу. Лише у США 150 розподільчих центрів та найбільший приватний парк вантажівок у світі — 10 тис. тягачів і 80 тис. причепів. Ну і, звісно, компанія замовляє морські вантажні судна та літаки для переміщення товарів по всьому світу.
Обсяги бізнесу Walmart: прибутки, постачальники, кількість магазинів
Щоб оптимізувати роботу багатьох елементів, Walmart накопичує величезну кількість інформації зі своїх щоденних операцій. Ці дані використовують для створення рішень штучного інтелекту. Компанія має свою систему для створення систем на базі машинного навчання. Element — це платформа ML від Walmart, яка розроблена як наскрізна платформа з інструментами та сервісами у типовому життєвому циклі Data Scince для науковців, інженерів даних, інженерів ML і розробників програм.
Зрештою потужність генеративного штучного інтелекту або будь-якої іншої технології настільки ж хороша, наскільки хороші дані, які її живлять. Наші ресурси даних унікальні, і ми у захваті від потенціалу використовувати їх новими й ефективними способами, – Дуг МакМіллон, президент і виконавчий директор Walmart
Як Walmart використовує штучний інтелект у бізнесі: кейси
Кейс №1. Аналітика продажів
Walmart надає своїм торговим партнерам інструмент, який надає детальну інформацію про продажі, рекламні акції та контроль над асортиментом на полицях, а також рекомендації. Цей інструмент використовує ШІ для аналізу даних про окремі товари, які продаються в кожному магазині. Оскільки кожен магазин за день здійснює тисячі операцій із сотнями тисяч товарів, це забагато даних для бізнес-аналітики з використанням персоналу.
Науковий спеціаліст передає підмножину даних для окремого товару в Element і виконує розробку функцій. Element забезпечує безперебійне підключення до різних систем даних і дозволяє провести масштабований і ефективний аналіз даних та моделювати майбутні торгові операції.
Кейс №2. Алгоритмічний пошук на сайті
Команда Search Data Science працює над ефективнішим пошуком у каталозі на сайті Walmart.com. Зокрема, модель при видачі результатів враховує такі параметри, як валова вартість товару (GMV), CTR (рейтинг кліків), SAR (коефіцієнт відмов від пошуку) тощо.
Також пошуковим системам важливо враховувати зовнішні обставини, у яких перебуває клієнт. Наприклад, пошук за словом «hat» взимку означатиме, що клієнт, найімовірніше шукає шапку, а не літній капелюх. Що складніша модель, то рідше у клієнтів є когнітивний дисонанс, коли пошуковик відображає не те, що він очікує. Хоча це завдання досить складне для дата-саєнтистів.
Як працює генеративний пошук на сайті Walmart [відео]
Кейс №3. Доставка останньої милі
Інтелектуальна система диспетчеризації покращує доставку на останній милі, знижуючи витрати та забезпечуючи швидке виконання замовлень. Ця система використовує машинне навчання, оптимізацію та евристичні моделі. Вона допомагає швидко знайти найкращого водія для кожного завдання, щоб товари вчасно потрапляли до клієнтів.
Кейс №4. Голосовий помічник для покупок
Клієнти Walmart можуть сформувати онлайн-замовлення за допомогою розумних колонок або в застосунку ритейлера через систему Walmart Voice Order. Клієнт диктує те, що хочете придбати, а система використовує оброблення природної мови (NLP), щоб зрозуміти запит, та аналізує інформацію про попередню покупку, щоб визначити, якому бренду він надає перевагу.
Кейс №5. Скорочення викидів та відповідальне споживання
Walmart виробляє понад 3,5 млн тонн харчових відходів. Це приблизно 400 тис. вантажівок, або річний раціон для 7 млн людей. Тому тепер у деяких магазинах штучний інтелект консультує співробітників щодо продуктів, які швидко псуються або попит на які залежить від сезону.
ШІ може порадити працівнику змінити ціну на стиглі овочі чи фрукти або надіслати товар назад постачальнику, якщо це частина політики щодо цього конкретного товару, наприклад, одягу.
Кейс №6. Боротьба з шахрайством та крадіжками
Walmart ще з 2019 року використовує камери та технологію комп’ютерного бачення як частину програми, яка називається Missed Scan Detection (виявлення пропущеного сканування), призначеного для зменшення збитків через крадіжки, помилки сканування та шахрайства. Кілька компаній постачають Walmart техніку для програми, серед них ірландська Everseen.
Якби кількість зловживань у Walmart відповідали середньому по галузі, бізнес компанії лише в США втратив би понад $4 млрд.
Ще одна технологія Edgify AI розв’язує проблему «бананового трюку», коли штрих-код сканується з дешевшого товару замість дорожчого. Наприклад, хтось замінює код пирога на стейк. Нова система камер самообслуговування помітить різницю навіть у сортах яблук.
Компанія каже, що це не тільки запобігає помилкам і крадіжкам, але й покращує ефективність для клієнтів, тому це безпрограшний варіант для компаній.