Omnichannel 2018: 4 tendências para priorizar

Omnichannel 2018: 4 tendências para priorizar

Com a retomada do crescimento da economia, muitos varejistas estão colocando de volta à mesa projetos que estavam parados desde 2015, no auge da crise.

O crescimento esperado traz consigo a necessidade de investimentos em novas tecnologias no setor. De acordo com o levantamento Worldwide Retail 2018 Predictions (Previsões para o Varejo em 2018) realizado pela IDC (Internacional Data Corporation), a construção de novas plataformas adaptáveis e o uso do omnichannel estão entre as prioridades dos gestores de TI deste segmento.

Além disso, experiências envolvendo Inteligência Artificial (AI), realidade aumentada, conectividade e aplicativos baseados em microsserviços também são tecnologias que estarão presentes no varejo e que até 2021 terão sido adotadas no comércio e serviços.

Segundo a IDC, até 2019, 50% dos varejistas terão adotado uma plataforma omnichannel, que permitirá um aumento de até 30% na rentabilidade do multicanal.

 

Confira as principais estratégias omnichannel consideradas tendências para o próximo ano:

1) Assistentes digitais

Esqueça a cadeia de valor tradicional; Linear. As empresas devem se organizar cada vez mais como redes em torno dos clientes, oferecendo vários canais e interfaces voltados à geração de valor. No fim, o cliente estará cada vez mais no controle.

Segundo o Total Retail 2017, tradicional estudo desenvolvido pela PWC, cerca de 88% dos brasileiros avaliaram que a questão mais importante do atendimento recebido na loja física é poder contar com vendedores que conhecem profundamente os produtos oferecidos. Porém, somente 56% dos brasileiros estão satisfeitos com o atendimento recebido.

A insatisfação do consumidor abre caminho para as assistentes digitais. De acordo com a IDC, em 2021, 10% das vendas serão criadas e gerenciadas por meio de assistentes digitais habilitados para voz.

Neste caso, a assistente ‘recepciona’ seus clientes quando chegam ao e-commerce para entender o que eles buscam através de perguntas e respostas.

Com isto, apresentam ofertas para o tipo de necessidade e preferências do consumidor e conduzir o contato com o cliente até efetiva compra compra do produto ou serviço.

Muito semelhante ao papel do vendedor em uma loja física e com um diferencial de ter acesso a bases de dados da empresa durante o atendimento para levantamento de informações e um atendimento, às vezes, até mais personalizado.

 

2) Beacons e comportamento do consumidor

É a hora e a vez dos beacons! Essa tecnologia de rastreamento inteligente que permite monitorar os consumidores de forma não invasiva, para que se entenda melhor seu comportamento de compra dentro da loja física é tendência em todo o mundo e deverá estar cada vez mais presente no Brasil.

Pelo lado do cliente, entrar em um estabelecimento e receber promoções personalizadas, Informações de acordo com os seus interesses e microlocalização potencializam ainda mais o uso e a quantidade de informações captadas.

Mas há um detalhe ainda menosprezado: muitas vezes o consumidor inicia suas pesquisas na Internet e relacionar o comportamento na loja virtual com a loja física pode transformar o entendimento do cliente e levar a fidelidade e share of wallet a outro nível.

 

3) Compre em qualquer lugar e retire onde quiser

Integrar o atendimento de todos os canais da marca não é fácil. Mas é isso que o consumidor busca cada vez mais.

Já há alguns anos, grandes redes norte-americanas como Best Buy, Sears, Walmart, Macy’s e Container Store estão fazendo de suas lojas físicas locais para retirada de produtos comprados online. Aqui no Brasil, esta iniciativa é uma tendência já adotada por grandes varejistas, como Decathlon, Centauro, Carrefour, entre outros. Esta opção é ideal para os artigos maiores, que não podem ser incluídos nas promoções de frete gratuito. Ou ainda para os clientes que estão com pressa e não desejam esperar vários dias pelo frete.

Além de reduzir os índices de abandono do carrinho por causa do valor alto do frete, oferecer a opção de retirar os produtos na loja física aumenta a satisfação dos clientes do site, que encontram mais alternativas às suas necessidades de tempo para recebimento do produto. De acordo com uma pesquisa do Euro IT Group, consumidores que acessam mais de um canal de compra gastam três vezes mais do que um cliente comum. Isso significa que oferecer mais opções é fundamental para incrementar as vendas.

 

4) Hiper-personalização da compra

O estilo de vida móvel típico do consumidor 4.0 está aumentando as compras e os pagamentos móveis. As empresas já perceberam que os clientes estão em busca de opções novas de fazer compras com praticidade e agilidade, em todos os segmentos – de vestuário a alimentação.

Muitas iniciativas já podem ser observadas para hiper-personalizar as experiências de compra no mercado brasileiro, por meio de aplicativos com promoções especiais baseadas em histórico de pesquisas e de compras na loja.

É o caso dos beacons, pequenos dispositivos que utilizam tecnologia bluetooth e dados detalhados do cliente para enviar mensagens de marketing relevantes aos telefones dos consumidores, enquanto fazem compras. Já as tags eletrônicas são instaladas em prateleiras ou produtos, fazendo uso dos mesmos dados e ficam iluminadas para chamar a atenção para os itens que provavelmente despertariam o interesse dos consumidores.

São ações interessantes que estão sendo pensadas para atrair e surpreender de forma positiva o novo consumidor, que espera uma experiência cada vez mais personalizada e exclusiva.

 

Está pronto para refinar sua estratégia de omnichannel?

 

 

Machine learning e Inteligência Artificial 5 dicas na visão de um desenvolvedor.

  1. Qual é o primeiro passo para um desenvolvedor iniciar em Inteligência Artificial e Machine Learning?

Estudar. É importante compreender fundamentalmente os algoritmos que você estará usando, caso contrário, cada método de Machine Learning é uma caixa preta. Então tente fazer projetos ML, como competições Kaggle, onde você tem uma definição clara do que você está tentando aprender – como um algoritmo específico ou kit de ferramentas. Você vai falhar, muitas vezes, mas é assim que melhor aprender ML técnicas.

 

  1. Quais são os principais processos de criação para o Machine Learning?

O primeiro e mais importante passo é entender o problema que você está tentando resolver. Quais são as entradas e saídas desejadas? Quais são os dados? Completamente compreender os dados, antes de experimentar com algoritmos. Caso contrário, você pode ter nenhuma confiança realista na qualidade do resultado ou confiabilidade. Você provavelmente também precisará pré-processar e transformar os dados, e talvez obter mais dados. O próximo passo no processo ML é considerar os algoritmos e métodos que você tem à sua disposição. Para os algoritmos que são adequados para o seu problema e dados, existem muitos critérios a considerar, tais como fiabilidade, eficiência, escalabilidade, e assim por diante.

 

Os principais pontos são:

  • Defina o problema;
  • Analisar e preparar os dados;
  • Selecionar algoritmos;
  • Execute e avalie os algoritmos;
  • Melhore os resultados com experimentos focalizados;
  • Finalizar resultados com ajuste fino.

 

  1. Quais são as melhores ferramentas ou plataformas de machine learning para desenvolvedores?

Isso realmente depende de quais problemas você está tentando resolver, especificamente os dados que você está lidando. Dito isto, open-source reina supremo. Existem muitos kits de ferramentas de alta qualidade e de código aberto para aprendizado de máquinas para que os desenvolvedores aproveitem e as comunidades são ativas e úteis. No mundo Python, eu realmente gosto Scikit-learn para a sua ampla gama de aprendizagem de máquinas e ferramentas de análise de dados. Pela mesma razão que eu gosto mlpack para C + + desenvolvedores. O NLTK é um go to para métodos e dados de processamento de linguagem natural (PNL), embora os pacotes de aprendizagem profunda implementem algoritmos de PNL de alta qualidade. Se você está tentando fazer análises de streaming, NuPIC é melhor. É o estado da arte da AI, com um incrível repositório e comunidade, e implementado em Python, C ++, Java e Flink. Especificamente para aprendizagem profunda, estamos vendo um monte de estruturas boas e rápidas: confira Theano, Neon ou TensorFlow do Google. Em Java, eu recomendo altamente deeplearning4j.  É aprendizagem profunda de ferramentas de machine learning, escrito por alguns engenheiros muito espertos. 🙂

 

  1. Qual seria atualmente a linguagem de programação recomendada para ML para desenvolvedores?

Python, sem dúvida. A maioria dos kits de ferramentas de aprendizado e análise de dados estão em Python e tem uma comunidade enorme e útil. Os métodos avançados, como HTM e aprendizagem profunda são muitas vezes implementados em Python.

 

  1. Como o machine learning é diferente da machine intelligence?

ML está construindo sistemas de software que visam melhorar com experiência. Algoritmos de ML executam tarefas específicas e estreitas, como jogar um determinado jogo. Um exemplo é a aprendizagem profunda ou algoritmos de clustering. MI é a manifestação de software da inteligência: não a capacidade de realizar uma tarefa específica, mas sim a capacidade de descobrir a estrutura no mundo através da interação sensório-motor e, em seguida, usar esse conhecimento para atingir objetivos. Talvez uma definição mais clara de MI seja através de seus requisitos: a máquina deve aprender a partir de fluxos de dados sem rótulos, continuamente, ao fazer previsões, detectar anomalias e fazer classificação, ou seja, o que o cérebro humano faz.

 

Grande abraços e até a próxima.

Luiz Eduardo