Amazon. От офиса в гараже до $10 млрд годового дохода

Китайская группа компаний Alibaba использует ИИ-управляемые товарные рекомендации для покупателей без данных о предыдущих транзакциях. По словам Вэй Ху, директора по технологиям передачи данных в бизнес-подразделении коммерческих сервисов Alibaba, его движок может учитывать выборки данных из других точек просмотров и покупок, предлагая новым покупателям актуальные для них товары. Клиентам, возвращающимся на платформы этой группы компаний, Tmall и Taobao предоставляются рекомендации по продуктам, основанные не только на их прошлых транзакциях, но и на истории просмотров, отзывах о продуктах, закладках, географическом местоположении и других сведениях, связанных с их онлайн-активностью. Во время торгового фестиваля Singles’ Day-2016 Alibaba заявила, что использует свой движок ИИ-рекомендаций для генерации 6,7 млрд персонализированных покупательских страниц, основанных на коммерческих данных целевых клиентов. Alibaba сообщила также, что эта крупномасштабная персонализация привела к 20 %-му повышению коэффициента конверсии по сравнению с данными от 11 ноября⁴.

Помимо рекомендаций и персонализации, зависимость Amazon от систем ИИ в плане организации ее обширных бизнес-операций, а также работы с клиентами весьма разнообразна. Но что касается наиболее значимых пунктов нашего исследования лучшей розничной практики, установленной компанией, мы не сможем обсуждать Amazon и ИИ, не коснувшись ее цепи поставок и истории запуска магазина Amazon Go.

Сложность цепи поставок

Опять же, чтобы понять истинное значение преимущества ИИ Amazon в ее цепочке поставок, необходимо сначала понять, какие проблемы стоят перед всей отраслью. Глобальные исследования, проведенные в 2015 году аналитической фирмой IHL Group, обнаружили, что затраты розничных компаний на затоваривание в цепях поставок из-за непредсказуемых пиков спроса составили около $471,9 млрд, а на недозагрузку — $630 млрд⁵. Напротив, алгоритмы ИИ от Amazon позволяют ей прогнозировать товарный спрос на сотни миллионов долларов, часто на целых 18 месяцев вперед. Вместе с тем, Ральф Хебрич, директор Amazon по машинному обучению, недавно заметил, что одежда относится к самым сложным предметам для прогнозирования спроса⁶. Компания должна решить, какие размеры и цвета хранить на складе, а также на каких именно складах — в зависимости от формы, размеров одежды и вкусов близлежащих покупателей, — поскольку их спрос зависит от сдвига тенденций моды и изменений погоды.

Легко понять, почему Amazon продвигалась вперед в этом пространстве в течение некоторого времени — вплоть до того момента, когда так называемая «прогнозная аналитика» определила пределы ранних набегов на ИИ. Патент на «предварительную отгрузку», который она получила в 2014 году, вызвал в отрасли волны сообщений о намерении использовать ИИ с целью выжать еще больше эффективности из цепи поставок путем размещения складов поближе к клиентам — раньше, чем сами клиенты узнают, что именно они захотят купить. В конце концов, компании, возможно, было что терять, кроме конкуренции, поскольку она уже предлагала бесплатную двухдневную доставку через Prime с момента его запуска в 2005 году, в то время как постоянно растущий спрос угрожал опередить ее цепочку поставок и потенциал выполнения. Согласно патенту на «предварительную отгрузку», Amazon заявляла, что она планирует отобрать, упаковать и отправить товары, которые, как она ожидает, захотят приобрести клиенты на определенной территории, прежде чем они будут заказаны — на основе предыдущих заказов и других факторов. Пакеты могут ожидать в транспортных узлах или на грузовиках, пока не придет заказ. Даже в 2014 году профессор Правин Копал уже смогла увидеть потенциал такой сложной аналитики. «При условии, что она будет хорошо реализована, эта стратегия имеет потенциал для перехода прогнозной аналитики на следующий уровень, позволяя компании, располагающей ценными данными, значительно расширить свою базу постоянных клиентов», — сказала она⁷.