Maskininlärning förutspås förändra världen i liknande skala eller större än den industriella revolutionen på 1800-talet.
Även om det fortfarande är i ett tidigt skede, maskininlärning har redan haft en betydande inverkan på olika aspekter av vardagen. Chansen är stor att du redan har interagerat eller hört talas om hur maskininlärning används idag:
- Google använder maskininlärning för att träna förarlösa bilar, vilket kommer att förändra hur vi rör oss.
- Funktionen ”People You May Know” på Facebook, som öppnar oss för ett nytt nätverk av människor.
- Utvecklingen av semantiskt baserade sökresultat i sökmotorer.
Det är tydligt hur maskininlärning har potentialen att förvandla allt, från transport till sättet vi kommunicerar på, och det krävs inte mycket fantasi för att se hur maskininlärning kommer att förändra saker för lokala butiker också.
Eftersom maskininlärningsalgoritmer matar ut data för att skapa mönster, Google har haft en stark position för att påverka allt från onlinesökning till lokal detaljhandel. Med över 3,5 miljarder sökningar om dagen, och en obegriplig mängd användardata, kan och har Googles maskininsatser haft en omedelbar inverkan.
Så här påverkar Googles maskininlärning lokala butikers trafik och vad vi kan förvänta oss i framtiden:
Vad är maskininlärning?
Per definition, maskininlärning är en typ av artificiell intelligens som gör det möjligt för datorer att lära sig utan ytterligare explicita instruktioner från en programmerare. I huvudsak innebär maskininlärning att hitta mönster och justera programåtgärder efter behov.
De flesta människor är mer bekanta med maskininlärning ur ett icke-tekniskt perspektiv. Till exempel kan Netflixs maskininlärningsfunktioner förutsäga vilken serie du förmodligen kommer att vara intresserad av härnäst baserat på vad du precis har sett klart. På samma sätt kan Amazons maskininlärningsfunktioner ge produktrekommendationer baserat på din visnings- och köphistorik.
Maskininlärning och lokal butikstrafik
Den stora mängden information och analyser tillgängligt i detaljhandelns värld är det som gör maskininlärning till en mycket effektiv lösning för lokala butiker.
Om du har använt Google för att hitta information om en lokal butik kan du ha sett ett praktiskt litet stapeldiagram som framhäver butikens hektiska tider. Google sammanställer denna information genom att använda mobiltelefonens GPS-positionssignaler och Wi-Fi-anslutning för de som har aktiverat platshistorik/positionstjänster för att avgöra var användare är.
När Google har tillräckligt med data om platstider kan det förutsäga de mest populära tiderna även om sökningen inte är ”live”. Innebörden som detta har på butikstrafiken är att trafik som tidigare har undersökt platsen kan vara mer benägna att besöka under en tid som är mindre upptagen. Till exempel beskriver diagrammet ovan trafiken på en lokal Target Supermarket och visar en relativt jämn, enhetlig serie av datapunkter.
Däremot beskriver detta stapeldiagram trafiken på en lokal restaurang. Baserat på den information som tillhandahålls är det ett populärt lunchställe men det är inte så populärt vid middagstid, och det är vanligtvis tomt klockan 16, som de flesta restauranger är. Om trafiken var benägna att besöka den här restaurangen men inte ville tillbringa mycket tid i kö eller vänta på att bli serverad, skulle de förmodligen välja de mindre hektiska tiderna, jämna ut distributionen.
Att spåra telefonens plats för att uppskatta väntetider är ingen ny idé. det har använts i Google Maps för att uppskatta trafiktider i några år nu.
Maskininlärning kan förbättra shoppingupplevelsen
Maskininlärningens räckvidd sträcker sig långt förbi distributionen av lokal butikstrafik. Lokala butiker kan utnyttja stordataanalys och maskininlärning för att hämta produkter från externa leverantörer eller ge rekommendationer baserade på grundläggande saker som pris och kvantitet, och till och med mer komplexa komponenter som platsen varan står på en hylla och den bästa marknadsföringskanalen för att nå ut till rätt kund inom ett specifikt område.
Genom maskininlärning kommer lokala butiker att kunna hjälpa rätt kund att hitta rätt produkt vid rätt tidpunkt. Inverkan detta har på lokal butikstrafik kan antingen öka antalet människor som går genom lokala butiker eller minska tiden som spenderas i butiken eftersom de är mer benägna att hitta varan de letar efter baserat på prediktiv analys av maskininlärning.
Framtiden för Googles maskininlärning och lokal butikstrafik
Tekniken har gjort det möjligt för lokala butiker att skapa ett index över praktiskt taget alla produkter som finns, och maskininlärning kommer att hjälpa dem att koppla ihop denna information med kundernas shoppingvanor för att ge en bekvämlighet som annars är svårare och dyrare att göra.
Lokala butiker kommer inte bara att kunna erbjuda kunderna en mycket bättre upplevelse, de kommer att kunna bättre förstå det bästa landskapet för att öppna upp nya platser baserat på gång- och biltrafikmönster. Utbildade algoritmer kan förutsäga populariteten för vissa platser och ta hänsyn till allt från konkurrenter till genomsnittligt kundlivstidsvärde inom vissa områden.
När det gäller Googles maskininlärning verkar det bara kontinuerligt utvecklas och bli en större del av vardagen. Googles vd, Sundar Pichai, noterade att maskininlärning håller på att bli en integrerad del av alla delar av Google:
”Machine learning är ett centralt, transformativt sätt genom vilket vi omprövar hur vi gör allt. Vi tillämpar det eftertänksamt på alla våra produkter, oavsett om det är sök, annonser, YouTube eller Play. Och vi är i början, men du kommer att se oss – på ett systematiskt sätt – tillämpa maskininlärning inom alla dessa områden.”
Allt eftersom Googles maskininlärningsalgoritm utvecklas och Google Shopping uppdateringar fortsätter att förändra hur lokala butiker interagerar med sina kunder, nya strategier kommer att dyka upp för att dra nytta av nya trafikmönster i butik och online.
Slutgiltiga tankar
Artificiell intelligens är inte bara en marknadsföringstrend, det är ett tekniskt genombrott som har potential att helt förändra detaljhandelsspelet på kort tid. Maskininlärning är enormt skalbar och förbättras med mängden information den har att arbeta med.
Komplexa uppgifter som tidigare bara utfördes av människor kunde snart övergå till en outtröttlig, högkvalitativ digital arbetsstyrka. Maskininlärning har påverkat och kommer att fortsätta att förändra landskapet för lokal butikstrafik och lokala butiker som hittar ett sätt att bäst använda Googles maskininlärningsalgoritmer och lokal SEO till deras fördel kommer i slutändan att kunna ge sin nya trafik en bättre upplevelse.
Författad av:
Ronald Dod är Chief Marketing Officer och medgrundare av Visiture, en heltäckande marknadsföringsbyrå för e-handel som fokuserar på att hjälpa onlinehandlare att skaffa fler kunder genom att använda sökmotorer, sociala medieplattformar, marknadsplatser och deras onlinebutiker. Hans passion är att hjälpa ledande varumärken att använda data för att fatta mer effektiva beslut för att driva ny trafik och konverteringar.