Meno chatbot, più livechat: il digital CRM nella GDO

Il CRM nel mondo della GDO oggi deve avvalersi non solo degli strumenti tradizionali, ma anche delle tecniche che la Rete offre.

Quando si ha a che fare con aspetti come l’attenzione al cliente, l’automazione deve avvenire a monte e non a valle, altrimenti corre il rischio di risultare inadeguata, considerando che i social media non sono solo un canale di customer care, ma per la permanenza, la pubblicità e la fruibilità al di fuori del contesto dei contenuti che si pubblicano, hanno una forza tale da mettere a repentaglio la reputazione di un’azienda, e non solo online. In tempi come quelli odierni, nei quali la fiducia nelle organizzazioni è una moneta così scarsa, si comunica soprattutto grazie alla soddisfazione del cliente e all’attenzione con cui questa può tradursi nella ripetizione degli acquisti e nel passaparola che ne può derivare.

Per questa ragione, il CRM nel mondo della grande distribuzione oggi deve avvalersi non solo degli strumenti tradizionali, ma anche delle tecniche che la Rete offre, sia sotto forma di ascolto, sia con tecnologie a supporto di una comunicazione al cliente che non escluda l’intervento umano, ma lo renda più efficace e puntuale. Questo si traduce in: meno chatbot, più livechat.

Il CRM può poi avvalersi dell’evoluzione del digitale anche sotto altri aspetti. Le tradizionali piattaforme hanno nel tempo saputo offrire ai grandi operatori della GDO strumenti per riconoscere un cliente attraverso una molteplicità di punti di contatto (aree dedicate in negozio, call center, bancomat, cataloghi, trasmissioni televisive) e valorizzarne la fedeltà con soluzioni promozionali personalizzate (voucher, coupon, …), così da accrescere ricavi e quota di mercato.

Tesco, la catena che nel tempo ha più investito sul proprio CRM, invia ogni tre mesi ai 10 milioni di clienti in possesso della sua Club Card offerte personalizzate grazie ad una clusterizzazione di centinaia di buyer personas. Tale strategia di CRM ha consentito di segmentare al meglio il mercato e sviluppare strategie di pricing e di management, non solo di marketing e di comunicazione.

Il CRM infatti si basa sul tacito accordo “ti chiedo attenzione e in cambio ti do valore” e non a caso Tesco sviluppa attraverso la Rete iniziative di crescente personalizzazione dei contenuti e dei servizi, come con il “Baby Club“.

L’importante è che tali dati non siano big data, ma “smart data” – raccolti per facilitarne l’analisi – e “actionable data“, utili a servirsene in data management platform (DMP) per attivare campagne di lead generation e di lead nurturing, anche in forma geolocalizzata.

Uno store digitale non è infatti necessariamente uno store con il wifi, ma un negozio che sa valorizzare l’esperienza fisica di acquisto rispetto alla navigazione di un sito e capace di sostenere la scelta con offerte real-time personalizzate e indicazioni su dove trovare altrove un prodotto non presente.

Queste sono le modalità più efficaci per contrastare un fenomeno in costante crescita come lo showrooming e qui troviamo le ragioni che portano le grandi aziende della GDO ad interessarsi sempre più ai social media: l’intento è alimentare la relazione con i clienti e sostenere lo sviluppo di modelli di business quali l’e-commerce e il social commerce.

L’articolo completo è stato pubblicato su Semrush [link].

ECONOMIA DELL’AUTOMAZIONE: AI E ROBOT PRONTI A TRASFORMARE IL LAVORO

Articolo tratto da ZeroUnoWeb – 17 Novembre 2017

Lo sviluppo dei robot fisici e del software di automazione rende necessaria, secondo la società di analisi di mercato Forrester, l’attivazione di strategie di change management per arginare gli inevitabili cambiamenti della forza lavoro nelle imprese

 

Nell’era digitale le occupazioni tradizionali e le strategie di approccio ai clienti usate dalle imprese stanno mutando nel profondo. Merito delle tecnologie d’automazione in molte attività: tra queste la società di ricerche Forrester individua soprattutto robot fisici, software e intelligenza artificiale (AI), e soluzioni di self-service per i clienti. Questi trend impongono ai professionisti I&O (infrastructure and operations), del business e delle risorse umane (HR) l’elaborazione di strategie di gestione del cambiamento a lungo termine: nei prossimi cinque, dieci anni, occorrerà vincere la sfida d’implementare e amministrare una forza lavoro mista, fatta di esseri umani e macchine che lavorano assieme.

 

Automi più flessibili, grazie all’Intelligenza Artificiale

 

Che grandi aziende ‘high tech’ come Google, o il motore di ricerca cinese Baidu, abbiano già annunciato la ‘transizione dei propri sforzi d’innovazione, da strategie ‘mobile first’ verso iniziative ‘AI first’, rende palese quanto l’intelligenza artificiale sia cruciale nella nuova onda d’automazione del lavoro all’interno delle imprese. Dall’altra parte però ci sono i robot: quelli di nuova generazione beneficeranno sempre più degli avanzamenti nella tecnologia AI, nell’IoT (Internet of Things) e nei tool analitici. Oltre a diversificarsi in sempre più variegate tipologie e forme, i robot diventano anche sempre più flessibili, e capaci di passare da ambienti altamente strutturati, come la tipica costruzione di veicoli in fabbrica, verso ambienti semi-strutturati o destrutturati, dove riescono a collaborare con l’uomo (cobot) in maniera più naturale, grazie a interfacce HMI (human-machine interface) conversazionali (chatbot) che utilizzano voce, immagini o testo per comunicare.

 

Robot ancora ‘acerbi’

 

Parlare, osservare, trasportare cose: per i robot è ancora difficile farlo in modo naturale. In una fase ancora embrionale di sviluppo nel mercato, Forrester colloca quattro tecnologie, utilizzate in ambiti particolarmente ardui da automatizzare:

 

  • Customer service robot. Assistere in automatico clienti, fornendo informazioni, rispondendo a domande su prodotti, o eseguendo pagamenti, sono capacità da migliorare, ma con il potenziale d’influire sull’occupazione a medio termine.
  • Delivery robot. Servono al trasporto e consegna di beni in modo autonomo o semi-autonomo e, dopo varie sperimentazioni, sono considerati soluzioni promettenti nella trasformazione dello scenario occupazionale del settore.
  • Executable AI. Tale categoria include tecnologia AI che esegue in automatico attività, come la generazione di linguaggio naturale a partire da parametri preimpostati, senza intervento umano; ma c’è anche la tecnologia M2M (machine-to-machine) in cui i sistemi agiscono sulla base di input provenienti dagli asset fisici o dal personale.
  • Inspection and surveillance robot. Questi dispositivi usano immagini, video, sensori termici, audio e altri tecnologie per ispezionare o sorvegliare luoghi o cose. Anche tali tecnologie promettono di ridisegnare il quadro occupazionale, specie quando abbinate a visione computerizzata, biometria e altre tecnologie AI.

 

Sistemi AI già oltre la fase prototipale

 

Un altro gruppo comprende cinque tecnologie d’automazione che Forrester ritiene abbiano raggiunto un livello di maturazione tale da non essere più considerabili semplici prototipi.

 

  • Artificially intelligent solutions. Sono soluzioni AI complete, che sfruttano combinazioni di sensori, tecnologie cognitive e/o ‘executable AI’ per risolvere problemi complessi.
  • Cognitive AI. Queste tecniche usano il machine learning e/o il deep learning (campo di ricerca dell’apprendimento automatico e dell’intelligenza artificiale che si basa su diversi livelli di rappresentazione) per simulare il pensiero umano, e sono ampiamente usate per generare raccomandazioni sui prodotti per i clienti, e aggiungere facoltà di apprendimento alle app che, nel tempo, ne migliorano il livello di personalizzazione per l’utente.
  • Retail and warehouse robot. In magazzino, queste macchine sanno ormai svolgere in ampia autonomia compiti di monitoraggio, prelievo, rifornimento, impacchettamento della merce.
  • Sensory AI. I sistemi di analisi di foto e video, riconoscimento facciale, analisi del parlato e del testo completano la tecnologia AI, e sono un sottoinsieme chiave dei tool di AI per automatizzare i compiti del lavoro umano.
  • Virtual assistants. Gli assistenti personali, conoscendo l’utente e i dati associati, ne interpretano le necessità, con la possibilità di prendere alcune decisioni. Esempi nel mercato di massa possono essere Alexa di Amazon, o Cortana di Microsoft, ma nel mondo business tali assistenti virtuali possono ricoprire taluni ruoli negli ambienti di call center.

 

Sistemi d’automazione maturi

 

Tre categorie di tecnologie d’automazione sono considerate mature ma potenziabili, grazie all’apporto delle più recenti tecnologie.

 

  • Customer self-service-solutions. Nei chioschi digitali, sistemi di digital signage, self-checkout ed altri dispositivi di servizio per i clienti, la ‘user experience’ può oggi essere migliorata, grazie a più sofisticati touchscreen, processori, sensori, e a una migliore connettività.
  • Industrial robot. Come accennato, i tradizionali robot usati nelle fabbriche, in agricoltura, nelle costruzioni, possono oggi beneficiare degli avanzamenti nella IoT e nella AI, estendendo la loro diffusione oltre i classici ambienti strutturati.
  • Robotic process automation (RPA). La RPA è la tecnologia che automatizza i processi e flussi di lavoro dei compiti amministrativi usando i bot software. La crescente introduzione di AI in queste soluzioni creerà RPA sempre più intelligenti.

 

Articolo completo: https://www.zerounoweb.it/analytics/cognitive-computing/economia-dellautomazione-ai-e-robot-pronti-a-trasformare-il-lavoro/

MACHINE LEARNING, TIPOLOGIE E APPLICAZIONI

Articolo tratto da Fastweb

Grazie a questa tecnologia un sistema informatico è in grado di assumere autonomamente delle decisioni o effettuare predizioni

 

Il machine learning è una branca della scienza informatica che prende le mosse dagli studi sul pattern recognition e sulla teoria dell’apprendimento computazionale. Si tratta, dunque, di una disciplina strettamente affine all’intelligenza artificiale, con la quale condivide scopi e metodi di lavoro.

 

Che cos’è il machine learning

 

Nello specifico, il machine learning (o apprendimento automatico) è un metodo di analisi dei dati che punta ad automatizzare la creazione di modelli analitici. Grazie a speciali algoritmi che apprendono iterativamente partendo da una base dati fornita dall’uomo, il machine learning permette a computer e altri sistemi informatici di apprendere nuove nozioni e informazioni, prendere decisioni  ed effettuare predizioni senza che siano stati precedentemente istruiti per farlo.

 

Tipologie di problemi e compiti

 

I task del machine learning sono tipicamente in tre macrocategorie, a seconda della natura della base dati utilizzata per l’apprendimento o del feedback disponibile per il sistema di apprendimento automatico.

 

  • Apprendimento supervisionato. Un sistema informatico è istruito utilizzando una base dati costituita da esempi e modelli decodificati (gia’ arricchiti da informazioni “di contorno” che aiutino il sistema di apprendimento a catalogare e classificare gli esempi). In questa maniera, gli algoritmi di machine learningpotranno analizzare i dati in maniera più veloce e risolvere problemi o compiti in  modo autonomo basandosi sulle esperienze precedenti. Un algoritmo di apprendimento supervisionato è in grado di produrre un’ipotesi induttiva, ovvero un modello di risoluzione per problemi generali partendo da una serie di problemi particolari.

 

  • Apprendimento senza supervisione. Nel sistema informatico vengono inseriti una serie di input ed esempi non classificati né decodificati. Questo compito spetta al sistema stesso, che li organizza in base ad aspetti e caratteristiche comuni per cercare di effettuare previsioni sugli input successivi. In questo caso le classi (o categorie) di dati non sono conosciute a priori, ma sono costituite in una fase successiva e apprese autonomamente dagli algoritmi machine learning. Tecniche di questo genere sono utilizzate dai motori di ricerca che, partendo da una o più parole chiave, creano liste di risultati (le SERP Search Engine Results Page) ritenute attinenti alla ricerca effettuata

 

  • Apprendimento per rinforzo. È una tecnica di machine learning che si attua in sistemi capaci di apprendere dall’ambiente circostante (grazie a sensori di vario genere, quali sensori di contatto e prossimità, GPS, giroscopio, ecc) e adattarsi ai cambiamenti che avvengono all’interno del loro “ecosistema”.

 

Le applicazioni del learning machine

 

L’apprendimento automatico, dunque,può essere utilizzato per gli scopi e nei settori più disparati. Gli algoritmi “autoapprendenti” trovano impiego anche nel campo della pubblicità online, fornendo annunci pubblicitari ad hoc a seconda del profilo dell’internauta (la cosiddetta pubblicità tracciante). Un altro settore è quello della social intelligence, nella quale il learning machine è utilizzato nell’analisi del sentiment (opinione positiva, negativa o neutra su determinati argomenti) dei post e degli interventi sui social network.

 

Da non sottovalutare, inoltre, l’importanza dell’apprendimento automatico nella facial recognition, la tecnologia che permette a Facebook (solo per citare una delle tante aziende hi-tech che ne fa uso) di riconoscere visi e taggarli in automatico ogni volta che si posta una foto sul proprio profilo.

 

Questione di affinità

 

L’apprendimento automatico ha affinità anche con diverse altre discipline informatiche e statistiche. Il machine learning, ad esempio, ha molti punti di contatto con il data mining, processo computazionale che utilizza algoritmi e metodi statistici per individuare modelli e conoscenze all’interno di grandi dataset (i big data in particolare).

 

Articolo completo: http://www.fastweb.it/internet/machine-learning-tipologie-e-applicazioni/