Aprilli viimasel päeval viisime EASi ettepanekul läbi vebinari, mille käigus rääkisime laiemalt STACCi tegemistest kui ka kitsamalt tehisintellekti rakendamise võimalustest e-kaubanduses, näiteks soovitussüsteemidest ja tarneahela optimeerimisest.
Kui sul ei õnnestunud vebinarist osa võtta, saad seda õnneks nüüd järelvaadata.
[embedyt] https://www.youtube.com/watch?v=26xwlQAQbzc[/embedyt]
Toome järgnevalt välja ka küsimused, mis vebinari vaatajatel tekkisid ja lisame oma vastused:
1. Mitu % soovitustest läheb kaubaks?
Üldiselt näeme, et umbes 10% külastustest on sellised, kus klient on soovitustele reageerinud, st klikkinud vähemalt ühel talle soovitatud tootel. Käibe poole pealt oleme näinud, et keskmiselt 5-10% ja maksimaalselt 20-25% käibest on soovitustest mõjutatud, st klient ostis talle soovitatud toote. Soovitusest mõjutatud ostu puhul ei pruugi küll alati tegemist olla 100% lisakäibega – näiteks 900-eurose Jura kohvimasina ostu korral võib lisakäive olla 100€, kuna klient muidu vaatas veidi vanemat versiooni, mis maksis 800€. Samas, võib-olla ei oleks ta üldse ostu sooritanud, kui talle poleks 900€ mudelit soovitatud?!
Soovituste mõju müüginumbritele sõltub lisaks soovitatud toodetele ka paljudest teistest teguritest, mis võivad tuleneda ka ettevõtte või veebipoe arendaja poolt seatud piirangutest. Näiteks veebipoe soovituste kontekstis on oluline, kus soovitusi kuvatakse – kui need paigutatakse tootelehe kõige alumisse serva, kuhu enamus kliente kunagi ei jõua, ei saagi soovitused müüginumbritele suurt mõju avaldada. Samuti on klientide käitumine, sh mis seadet veebipoe külastamiseks kasutatakse või mis eesmärgiga poodi sisenetakse, erinev näiteks toidu- ja esmatarbekaupu ning jalatseid või mänguasju müüvas poes.
2. Kui palju saab (tehniliselt ja juriidiliselt) kasutada soovitussüsteemi puhul väliseid andmeallikaid (kinnistusraamat, makstud maksud jne.), profileerides klienti sedasi veelgi täpsemalt?
Kui väliste andmeallikate näol on tegemist avalike andmetega, siis juriidilise poole pealt takistusi ei ole. Mitteavalike isiklike andmete korral on tarvis kliendi nõusolekut tema andmete töötlemiseks. Kindlasti on väliste andmeallikate kasutamine tehniline probleem ja seda eriti konkreetse kliendi kohta käivate andmete korral (vs näiteks ilmaandmed), kuna alati ei pruugi olla täpset infot, mille põhjal välisesse andmeallikasse päringut teha. Näiteks kui tegemist on veebipoes toimetava sisselogimata kliendiga, siis me harilikult ei tea tema nime ega isikukoodi.
Paljudes olukordades selliseid detailseid andmeid vaja ei ole. Näiteks kaubanduse kontekstis saab soovitussüsteemi väga kenasti tööle ka vaid klientide ostuajaloole tuginedes ja selline fine-tuning väliste andmetega teeb süsteemi vaid ebaproportsionaalselt keerukaks. Seevastu panganduses, kus on enne laenupakkumuse tegemist tarvis riski hinnata, on lisaandmed hädavajalikud.
3. Mis põhjustab kõige rohkem “auke” kauba tellimuses – mis võib minna valesti?
Mõnikord võib juhtuda, et kaupluse lähedal toimub suurem üritus, milleks kauba tellija ei oska adekvaatselt valmistuda – sellisel juhul aitab varasemate müügitehingute või ka selle ürituse statistika analüüs. Lisaks on mõndade kaupluste puhul eriti oluline nende naabruskond – näiteks kui selle kõrval asub ühiselamu, siis on võimalik, et sügiskuudel ostavad linna saabunud üliõpilased palju majapidamistooteid. Kõiki taolisi mustreid on inimesel keeruline meeles pidada ja siinkohal saabki abiks olla masinõpe, mis võtab arvesse varasemaid oste ning ennustab, kui palju võib toodete nõudlus ürituste, kampaaniate või muude sündmuste ajal kasvada.
Praegusel ajal on mitmeid “auke” kauba tellimises ka seoses eriolukorraga ning ka sellisel juhul saaks kasutada andmeanalüüsi, et leida alternatiivseid tooteid või kohalikke tootepakkujaid. Näiteks saab kasutada keerulise tarneteekonnaga toodete puhul kategooria infot ning tellida rohkem analooge, et kategooria oleks jaemüügis vastavalt nõudlusele esindatud.
4. Miks tark tellimise süsteem jätab tellimata?
Tark tellimise süsteem võib olla nii soovituslik kui ka automaatne. Soovitusliku süsteemi puhul otsustab inimene lõpliku arvu tooteid, mida tellida ja süsteemile pole antud õigust ise tellimusi koostada, mistõttu jääb alati sisse ka võimalus inimlikuks eksimuseks. Kuid ka siis, kui targa tellimise süsteem on automaatne, ei saa välistada ettenägematuid tõrkeid. Näiteks võib internetiühenduse katkemise tõttu kaduda ühendus mingite tarkvarakomponentide vahel.
5. Millise ettevõttega koostööd STACC ootab?
Teeme koostööd nii suurte kui väikestega, nii tehnoloogia loojate kui kasutajatega. Peamine kriteerium heaks koostööks on kliendipoolne tugev projektijuht, kellel on selge visioon ja konkreetsed eesmärgid lõpptulemusele. Teiseks, et andmeanalüütikat teha, on vaja andmeid. Sageli startupidel neid veel ei ole või ei ole piisavalt. Sellisel juhul võib asi paraku teoreetiliseks jääda ja ei pruugi ka ajaliselt ega rahaliselt mõistlik olla.
6. Kas STACCil on kompetents raamatupidamise andmete ja panga tehingute analüüsimsel/ennustamisel?
STACCil on koostöökogemus mitme finantsvaldkonna ettevõttega sh Transferwise ja Telema AS. Raamatupidamise andmetelt ennustavaid mudeleid me otseselt siiski loonud ei ole, kuid andmeid tunneme hästi ja kõikide uute projektide eesmärgid, tasuvuse ja teostatavuse paneme juba paika koostöös kliendiga ja tuginedes kliendi andmetele.
7. Digitaalse logistika platvorm ja “predictive pricing”- kas sellise probleemi lahendamise jaoks on samuti võimalik EAS-ilt toetust taotleda?
Innovatsiooni– ja arendusosakute toetuste eesmärk on toetada ettevõtete esmakordete kontaktide loomist ja jätkukoostööd ettevõtte ja innovatsiooniteenuse pakkuja vahel. Osakute toetused võimaldavad ettevõttel saada oma uuendusliku idee teostatavuse ja tasuvuse kohta rakendavat teavet.
Innovatsiooniosak katab enamasti arendusprojektist teatud osa (nt laborikatsetus, patendiuuringud), siis muud toote-, teenuse-, tehnoloogia arendustegevuste uurimised lähevad arendusosaku alla. Eesmärgiks konkurentsivõime suurendamine uuenduslike ja kõrgema lisaväärtusega toodete, teenuste, tehnoloogiate väljatöötamise kaudu.
Projekti plaani juhend on www.eas.ee veebis ning küsimuste korral saab lisainfot küsida info@eas.ee
*****
Kuna aga iga projekt on erisugune ja STACC pakub eeskätt kohandatud ehk nii-öelda tailor-made lahendusi, siis selleks, et konkreetsemalt hinnata, kas, millal ja millisel määral tehisintellekt ühe või teise ettevõtte jaoks ära tasub, võtke meiega ühendust ja arutame.
