Hur många av er bunkrade toalettpapper när COVID-19 började sprida sig? Tror ni att AI hade kunnat förutspå ert köpbeteende bättre för att förebygga tomma hyllor?

Hur används Maskininlärning för att kunna förstå vad som kommer att köpas?

Det mest vanliga sättet är att använda sig av Natural-Language-Process (NLP) där företag fokuserar på att läsa av vad köparna söker och skriver om [1]. Trots att vi inte alltid beter oss rationellt så har vi våra rutiner och vi följer ett visst mönster som vi föredrar. Oftast köper vi samma typ av varor, beter oss och reagerar på ett liknande sätt. Därav kan vi lära oss av köparnas köpbeteende och vi kan även anta vad en köpare 2, som liknar köpare 1, kommer att köpa nästa gång.

Rekommendationssystem, privat bild

Men i samband med COVID-19, hur skulle affärerna egentligen kunna förutspå att efterfrågan på toalettpapper skulle öka med 71% [2]?

Anpassa efterfrågan

Jag studerade till Civilingenjör vid Linköpings universitet, campus Norrköping. Precis vid campus låg det en fantastisk ICA nära-butik som tillgodosåg studenternas behov. De var extra duktiga på att följa universitetets terminscykler – d.v.s. under tenta-perioderna var det extrapris på godis, energidryck och extra många dagens-lunch-lådor fanns det att välja mellan – allt för att tillgodose studenternas behov. Så fort tenta-perioden var över skiftades kampanjerna istället på fräsch frukt och grönsaker – dags för en ny start!

Det ovan är inte särskilt konstigt, så gör alla butiker. Det var bara extra tydligt med ICA strömmen, de visste nästan på klockslaget när den sista tentan skulle skrivas innan de skiftade om sina kampanjer. Men skulle detta kunna appliceras på situationer som COVID-19? Det skulle vi, om vi lär algoritmerna hur människor beter sig vid olika situationer. Hur ser våra rutiner ut när media skriver mer om pandemi, isolering och när vi mest jobbar hemifrån? De flesta kan anta att det inte är hummern som kommer stå högst upp på våran inköpslista, utan då vill köpa produkter som vi kan bunkra, d.v.s de som har längre hållbarhet.

Behovet av toalettpapper var inte större än vad det gick åt handsprit, pasta eller böner på burk. Men eftersom toalettpappret skapade ett större tomrum på hyllorna än vad bönburken gjorde, fick det något mer uppmärksamhet.

Prognostisering

På samma sätt som affärer tar hänsyn till omgivningens efterfråga så behöver de ta hänsyn till den internt. Under veckor det är kampanjpris på Scans köttbullar kommer nog inte andra märken att säljas lika bra. Vad brukar vi äta till köttbullar? Potatis och lingonsylt kommer troligtvis säljas något bättre medan efterfrågan på riset möjligtvis sjunker. Tar vi hänsyn till dessa faktorer kan vi även minska antal produkter som blir dåliga och behöver kasseras.

Ta fram nya produkter med AI

Vad är det som avgör vilka smaker som erbjuds vid nästa Marabou-lansering? Förr i tiden gjordes undersökningar där kunder fick ange vilka smaker de föredrog och vad de ville se på marknaden. Men med den nya tekniken ser processen ut något annorlunda. Den nya smaken som Coca-Cola kom ut med grundades i kundernas experimenterande vid en självbetjänings-läskdryckesmaskiner, där kunderna kunde mixa ihop sina egna smaker. Coca-Cola sparade alla datapunkter och de populäraste kombinationer blev två nya produkter som företaget lanserade – Cherry Sprite och Exotic Mango [3].

“Social media, mobile applications, cloud computing and e-commerce are combining to give companies like Coca-Cola an unprecedented toolset to change the way they approach IT. Behind all this, big data gives you the intelligence to cap it all off.”

Coca-Cola, Chief big data officer, Esat Sezer

På samma sätt som Coca-Cola ger kunderna friheten att sammanställa egna smaker driver Kellogg’s en liknande idé. Kellogg’s lanserade Bear Naked Custom, via Bear Naked Custom kan kunderna skapa en egen granola utav 50 olika ingredienser. Företaget använde sig av IBMs Chef Master som lagrade flera 1000 olika recept och lät en algoritm tolka dessa recept, därav kunde algoritmen vägleda kunderna om deras recept skulle resultera i en god slutprodukt eller inte samt vilka ingredienser gifte sig bättre med varandra än andra. [4][5]

Vad blir populärt i morgon?

Kundernas efterfrågan ändras snabbt, och för att stå med mest i vinst krävs det att företagen är ett steg före sina konkurrenter. Att kunna identifiera de vanligaste smakerna och preferenserna är värdefullt för både livsmedelsföretagare såväl som för en livsmedelstillverkare. Nya trender i matteknologin är starkt kopplade till en ström av hälsosamma följare, men för att kunna identifiera dem använder man sig av maskininlärning, där datainsamling och klassificeringsmetoder bestämmer vilka alternativ kommer vara de mest fördelaktiga under den närmsta framtiden. Modellen kan förutspå vilka smaker och preferenser kunden kommer att föredra – redan innan de själva vet om det [6].

Optimala sorteringslösningar

Våra butiker säljer skönheter till grönsaker – annars skulle de aldrig hamna i våra kundkorgar. Tidigare var tillverkare tvungna att anställa ett flertal människor för att utföra de monotona och rutinmässiga arbetsuppgifterna för att rensa bland grönsakerna. I dagsläget, istället för att manuellt sortera stora mängder mat storleks- och utseendemässigt, kan detta skötas av en AI-baserad lösning, som snabbt kan upptäcka vilka grönsaker är perfekt anpassade för att vara en fin grönsak i hyllan för att du ska vilja köpa den, vilka slutar som chips, pommes, eller ännu värre – kasseras [6].

Photo by Kolar.io on Unsplash

Detta var bara några av de processer som blir bättre när AI får bidra med sina egenskaper. Det finns många fler lösningar som är värde att djupdyka i. Men syftet med detta inlägg är att visa hur AI redan hjälper oss. Artificiell intelligens kan kännas främmande och skrämmande, men det är redan en del av vår vardag utan att vi märker av det.

[1] https://becominghuman.ai/predicting-buying-behavior-using-machine-learning-a-case-study-on-sales-prospecting-part-i-3bf455486e5d

[2] https://www.svd.se/sa-mycket-mer-toapapper-koptes-i-mars

[3] https://www.forbes.com/sites/bernardmarr/2017/09/18/the-amazing-ways-coca-cola-uses-artificial-intelligence-ai-and-big-data-to-drive-success/#6ce4abf778d2

[4] https://towardsdatascience.com/how-artificial-intelligence-is-revolutionizing-food-processing-business-d2a6440c0360

[5] https://www.bearnaked.com/en_US/home.html?pageKey=MIXIT10&version=VERSION1_K1&PID=18232366&utm_source=newsletter112816&utm_medium=newsletter&utm_term=bearnaked_standalone_november_get_10percent_off_now_button_section&utm_campaign=Bear 

[6] https://spd.group/machine-learning/machine-learning-and-ai-in-food-industry/


0 Comments

Lämna ett svar

Din e-postadress kommer inte publiceras.