Como a Inteligencia Artificial (IA) pode melhorar a experiência do cliente

38

G&J Pepsi e a Zipline recorrem à ciência de dados e ao machine learning para levar os produtos certos aos locais certos na hora certa

Muitas empresas parecem ansiosas para aproveitar os recursos de inteligência artificial e machine learning, pelo menos para permitir que seus funcionários, clientes e parceiros de negócios saibam que estão na vanguarda do progresso da tecnologia.

Ao mesmo tempo, muitas empresas estão procurando aprimorar as experiências dos clientes e parceiros de canal, a fim de aumentar a fidelidade à marca, impulsionar as vendas e ganhar participação no mercado – entre outros motivos.

Alguns encontraram uma maneira de combinar esses objetivos, usando ferramentas baseadas em IA para melhorar a forma como entregam produtos, serviços e suporte aos clientes e parceiros de negócios. Aqui estão dois exemplos.

G&J Pepsi: Previsão das necessidades de produtos das lojas

A G&J Pepsi-Cola Bottlers começou sua incursão em IA e machine learning em janeiro de 2020, quando se associou à Microsoft para entender melhor os componentes de IA e machine learning dentro da plataforma de nuvem Azure da Microsoft.

Com a orientação da equipe de ciência de dados da Microsoft, “passamos um tempo entendendo o ambiente, os conjuntos de habilidades necessários e começamos a ingerir vários componentes de dados no Azure ML para fornecer resultados previstos”, disse Brian Balzer, Vice-Presidente de Tecnologia Digital e Transformação de Negócios da G&J Pepsi.

Um ano antes, a equipe executiva da G&J Pepsi abordou sua organização de tecnologia digital sobre o fornecimento de pedidos previstos e otimização de prateleira de loja para seus produtos Pepsi. “Isso foi impulsionado pela grande quantidade de trabalho manual necessária para atender nossos clientes com a vasta gama de produtos, marcas e SKUs que oferecemos”, diz Balzer.

A empresa oferece mais de 250 SKUs diferentes e, normalmente, a maioria desses produtos está em estoque em um número qualquer de lojas em seus mercados. Os executivos seniores queriam que a empresa tivesse um mecanismo de pedido automatizado para acelerar os processos e melhorar os resultados.

Os redatores de pedidos da empresa devem conhecer cada loja, os comportamentos de compra do consumidor, as atividades de vendas, as promoções, as táticas dos concorrentes, as mudanças climáticas e muito mais, diz Balzer. “Tudo isso é feito manualmente e com base na própria experiência”, diz ele. “Alguns podem ser ótimos em fazer malabarismos com tudo isso, mas é demorado e depende muito de um indivíduo.”

Além disso, pode levar muito tempo para as pessoas adquirirem esse conhecimento, diz Balzer. “E se eles saírem da empresa? Todo esse conhecimento vai com eles e a próxima pessoa tem que ser treinada e aprender por conta própria”, acrescenta.

O processo de reordenação é normalmente feito manualmente, com os funcionários contando os espaços vazios nas prateleiras e nos fundos. “Muito desse trabalho é conhecimento adquirido em anos de experiência em cada loja”, diz Balzer. “Começamos a coletar esses dados e injetá-los nos modelos do Azure ML que já estão integrados à plataforma. Passamos um tempo ajustando esses modelos com mais dados que colocamos neles”.

Conforme vários tipos de dados são alimentados nos modelos de machine learning, eles geram uma ordem prevista. A G&J Pepsi está no meio da implementação da plataforma de pedidos automatizados para todos os funcionários da linha de frente que atualmente atendem às lojas Kroger e planeja implementá-la nas lojas que atendem às lojas do Walmart nos próximos meses. A empresa está procurando usar a mesma tecnologia para começar a determinar a otimização de prateleiras para seu segmento de conveniência e mercearia.

“Um dos maiores desafios que qualquer empresa de bebidas enfrenta é determinar quais produtos colocar nos espaços frios” nas lojas varejistas, diz Balzer. Isso requer um entendimento claro de qual quantidade de um determinado produto deve estar disponível em cada loja, a localização adequada dentro dos refrigeradores da loja e o potencial de lucro para esses produtos, diz ele.

“Esta pode ser uma fórmula complicada e que muda de mercado para mercado”, diz Balzer. Por exemplo, água com infusão ou chás podem vender mais rapidamente em um local urbano do que em um mercado rural, enquanto o oposto pode ser verdadeiro para uma bebida energética. Desenvolver os conjuntos adequados de produtos e otimizar o espaço de armazenamento é fundamental para o sucesso da G&J Pepsi.

A ferramenta de machine learning que a empresa desenvolveu, Cold Space Allocator, leva em consideração todas as variáveis e traça uma seleção de produtos otimizada para cada cliente em cada mercado. “Ele também fornecerá recomendações de produtos que podem ter um desempenho superior em locais semelhantes para substituir produtos de venda mais lenta”, diz Balzer. “A otimização do produto é uma imensa vantagem de mercado quando feita de maneira adequada para atender às demandas dos consumidores”.

A empresa também pode usar os dados para mostrar aos clientes quais produtos estão aumentando seus lucros mais e quais estão em maior demanda.

Desde a implementação da plataforma de pedidos automatizada, a G&J Pepsi observou uma melhora dramática na eficiência dos pedidos. O tempo necessário para escrever pedidos caiu de mais de 60 minutos por loja para cerca de 10 minutos.

A empresa enfrentou alguns desafios ao começar a implantar a nova tecnologia. “O primeiro e mais importante foi focar no processo”, diz Balzer. “Uma grande tecnologia em um processo ruim irá falhar todas as vezes. É fundamental corrigir os problemas do processo antes de implementar a tecnologia. Reservamos um tempo para fazer parceria com nossos funcionários de linha de frente para entender como eles gerenciam seus processos atuais, ganham adesão e consertam quaisquer problemas de processo”.

Por exemplo, para que o processo de pedido preditivo funcionasse, a empresa precisava garantir que todos os funcionários da linha de frente atendessem os clientes da mesma maneira. “Isso significa que eles precisam andar pela loja da mesma maneira, identificar primeiro o estoque nos bastidores, entender as promoções, as atividades de vendas etc.”, diz Balzer. “Eles também precisavam entender como o comportamento de compra afeta nossa capacidade de fornecer um pedido previsto e quando eles devem ou não ser ajustados”.

A G&J Pepsi também precisava que os usuários entendessem por que a plataforma automatizada de pedidos é valiosa para eles, como os torna mais eficientes e como melhora sua capacidade de atender aos clientes. Os funcionários tinham algumas preocupações próprias.

“Eles precisavam ter certeza de que não estávamos removendo seu trabalho”, diz Balzer. “Na verdade, estamos facilitando o trabalho deles e dando-lhes tempo para atender mais clientes ou para passar mais tempo com os gerentes de loja para se concentrarem nas vendas. À medida que eles têm mais tempo para construir relacionamentos com cada loja, eles verão melhores resultados com o crescimento desses relacionamentos e de nossas marcas”.

Tirolesa: entrega de suprimentos médicos onde são mais necessários

Zipline é um serviço de entrega de drones cuja missão declarada é fornecer acesso instantâneo a suprimentos médicos vitais, incluindo sangue, vacinas e equipamento de proteção individual. Os drones da empresa voaram vários países e completaram mais de 115.000 entregas comerciais, incluindo o transporte de suprimentos para hospitais e clínicas em algumas das comunidades mais remotas do mundo.

A empresa projeta, monta e opera seu sistema de aeronaves não tripuladas nos Estados Unidos e está progredindo em direção à certificação FAA de seus drones e à certificação de transportadora aérea para suas operações.

“A IA e o machine learning foram mais ou menos‘ embutidos ’na Zipline desde o início”, diz Matt Fay, líder da equipe de dados da empresa. “Não acho que você poderia projetar uma frota cooperativa de aeronaves autônomas sem essas ferramentas”.

Nos primeiros estágios, antes que a Zipline voasse centenas de horas de voo por dia, o desenvolvimento de comportamentos inteligentes precisava de métodos menos orientados por dados, porque a empresa não tinha os tipos de conjuntos de dados que faziam esses algoritmos funcionarem, diz Fay. “Só quando começamos a voar, entregando produtos médicos todos os dias em Ruanda, é que coletamos dados suficientes para exigir novas ferramentas”, diz ele.

A motivação da empresa na época era dupla, diz Fay. “Em primeiro lugar, queríamos migrar de um fluxo de trabalho local – engenheiros individuais baixando e analisando um lote de voos em suas próprias máquinas – para uma abordagem baseada na nuvem, em que todo o nosso histórico de voos já estivesse disponível”, diz ele.

Em segundo lugar, a Zipline queria construir um ambiente de análise, com poderosos recursos de processamento em lote e um espaço de trabalho comum e colaborativo. A equipe de software já era fluente em Python, então a empresa implantou o Jupyter Notebook, um aplicativo da web de código aberto que permite aos usuários criar e compartilhar documentos que contêm código ativo, equações, visualizações e texto narrativo, rodando em um cluster de mecanismos analytics Apache Spark.

Um componente chave é uma plataforma de ciência de dados e machine learning da Databricks, que combina um ambiente de computação escalonável baseado em nuvem com fluxos de dados de todos os aspectos das operações da Zipline – tudo, desde registros de voo até manutenção e rastreamento da proveniência e status de peças e estoque em cada centro de distribuição.

“Como o Databricks é um ambiente compartilhado e colaborativo, podemos investir na plataforma: construindo nosso próprio conjunto de utilitários para processamento em lote, mantendo uma biblioteca de plotagem de nossas visualizações de dados mais úteis para voos, construindo um conjunto simples de tutoriais e currículo de treinamento para integrar novos membros da equipe”, afirma Fay.

“Quando a maioria das pessoas pensa em iniciativas de ‘democratização de dados’, geralmente está pensando em plataformas de painel que dão acesso a analytics”, diz Fay. “Embora seja uma parte importante do arsenal de qualquer equipe de dados forte, com [a plataforma Databricks], fomos capazes de democratizar a ciência de dados, dando a todos na empresa a capacidade de combinar, explorar, visualizar e agir em todos os dados”.

Esta capacidade amplamente disponível ajudou a Zipline a fornecer um serviço melhor. Os clientes da empresa, os sistemas de saúde que atende, “confiam em nós para entregar medicamentos essenciais de forma confiável no prazo”, diz Fay. “Alcançar isso requer mais do que apenas uma aeronave confiável; requer capacidade operacional suficiente em cada etapa do processo envolvido no atendimento de um pedido”.

Uma entrega de emergência pode ser atrasada por uma série de razões, desde a falta de pessoal suficiente para pegar e embalar cada produto até o esgotamento das baterias da aeronave totalmente carregadas. “Para entender as compensações e gargalos no sistema maior que é um centro de distribuição Zipline, nossa equipe construiu uma ferramenta de simulação baseada em eventos, modelando cada etapa envolvida na entrega de produtos médicos”, diz Fay.

Sem ajustar esta simulação para “dados da vida real” retirados das operações da Zipline, “esta ferramenta seria inútilmente imprecisa”, diz Fay. “Somente com a calibração completa, podemos fazer e responder a todos os tipos de perguntas hipotéticas de valor inestimável: ‘Como a abertura de três novos locais de entrega afetará nossa pontualidade neste centro de distribuição? Se aumentássemos nossa taxa de carga em 10%, de quantas baterias e carregadores a menos precisaríamos? Qual é o melhor algoritmo para despachar aeronaves?’”

A Zipline descobriu que os insights dessa ferramenta afetam praticamente todas as equipes da empresa. “Por esse motivo, junto com a facilidade de calibrar e atualizar continuamente o modelo, optamos por hospedá-lo no Databricks”, diz Fay. “Isso permite que analistas com necessidades diferentes em toda a empresa vejam os mesmos resultados de simulação e investiguem as partes relevantes”.

Para os clientes da Zipline e seus pacientes, a tecnologia significou uma entrega mais confiável de suprimentos vitais.

você pode gostar também