소매업의 생성적 인공 지능: 고려해야 할 상위 5가지 사용 사례

게시 됨: 2023-10-23

생성적 인공 지능(AI) 솔루션을 채택함으로써 어떤 산업이 가장 큰 이익을 얻을 수 있는지 생각하고 있다면 소매업이 가장 먼저 떠오르는 분야가 아닐 수도 있습니다.

그러나 Salesforce의 새로운 보고서에 따르면 구매자의 17%가 이미 쇼핑 영감을 얻기 위해 생성 AI를 사용한 것으로 나타났습니다. 특히 사용자는 ChatGPT와 같은 고도로 개발된 언어 모델(LLM)을 사용하여 가젯 아이디어를 연구하고, 패션 영감을 얻고, 개인 영양 계획을 개발합니다. 생성 AI가 주류가 된 지 불과 9개월 밖에 되지 않았습니다!

이 기사에서는 오프라인 소매업체가 이 새로운 기술을 활용하여 작업을 자동화하고, 고객 경험을 강화하고, 공급망을 최적화하고 사기를 제거하여 이윤을 개선할 수 있는 방법을 살펴보겠습니다.

소매 분야에서 생성적 AI의 혁신적인 잠재력 탐구

제너레이티브 AI(Generative AI)는 학습된 정보를 사용하여 텍스트, 시각 자료, 오디오, 비디오 등 새롭고 고유한 콘텐츠를 생성할 수 있는 능력을 갖춘 AI의 하위 집합입니다.

특정 작업(예: 이미지 및 PDF 파일의 문자 인식 또는 비정상적인 결제 거래 감지)을 위해 설계된 대부분의 AI 기반 솔루션과 달리 생성 AI 모델은 훈련과 유사한 한 여러 작업을 수행하고 다양한 출력을 생성할 수 있습니다. 데이터 세트.

그러나 두 가지 유형의 AI 사이에 눈에 띄는 차이점이 있다고 해서 공존할 수 없다는 의미는 아닙니다. 오히려 이 기술은 다른 기술의 단점을 해결하는 데 도움이 되어 소매 브랜드가 더 나은 정보에 입각한 비즈니스 결정을 내리고 디지털 전략을 개선할 수 있도록 지원합니다.

생성적 AI의 활용은 광범위하게 다음과 같이 분류할 수 있다.

합성 데이터 생성

기존 AI 시스템은 훈련을 위해 대규모 데이터 세트에 크게 의존합니다. 그러나 이 데이터를 수집하는 것은 시간이 많이 걸리고 비용이 많이 드는 프로세스일 수 있으며 개인정보 보호 문제도 제기됩니다. 그리고 이것이 생성 AI가 유용한 곳입니다. 다양한 유형의 데이터를 생성할 수 있는 다양성 덕분에 이 새로운 기술은 전통적인 AI 모델 교육을 위한 정보를 합성하는 데 도움을 줄 수 있습니다. 또한 데이터 개인 정보 보호 및 보안과 관련된 장애물을 해결하여 소매업체가 위험 없는 방식으로 AI 모델 성능을 최적화할 수 있도록 합니다.

고급 분석

기존 비즈니스 인텔리전스(BI) 시스템은 구조화된 데이터를 처리 및 분석하고 읽기 가능한 형식으로 통찰력을 제시하는 데 능숙합니다. AI가 접목된 BI 시스템은 다양한 내부 및 외부 IT 시스템에서 나오는 정형, 반정형, 비정형 데이터를 분석하는 능력을 자랑합니다. 소매업을 위한 생성적 AI 솔루션은 AI 기반 데이터 분석 도구의 기능을 모방합니다. 이러한 솔루션은 기술적 전문 지식이 없는 직원에게도 사용자 친화적인 인터페이스를 제공할 뿐만 아니라 고객 리뷰, 소셜 미디어 언급 등 다양한 소스에서 다양한 유형의 데이터에 대한 액세스를 제공합니다. 또한 분석 노력을 증폭시키고 현재 시장 동향과 고객 행동 변화를 반영하는 현실적인 시나리오를 시뮬레이션하기 위해 이미 보유하고 있는 정보와 유사한 데이터를 생성할 수 있습니다.

더욱 스마트해진 콘텐츠 제작

제너레이티브 AI의 콘텐츠 제작 능력은 타의 추종을 불허합니다. 이것이 바로 세계 최고의 전자 상거래 회사가 SEO 친화적인 블로그 게시물, 랜딩 페이지 및 제품 설명을 작성하기 위해 생성 AI를 사용하는 이유입니다. 오프라인 소매업에서는 콘텐츠 관련 생성 AI 애플리케이션이 그렇게 혁신적인 영향을 미치지 못할 수도 있습니다. 그러나 실제 매장에서는 여전히 이 기술을 활용하여 쇼핑 앱의 전단지와 개인화된 마케팅 메시지부터 대화형 디스플레이에서 실행되는 제품 비디오에 이르기까지 상황에 맞는 관련 콘텐츠를 제작할 수 있습니다.

이러한 기능이 특정 사용 사례에 어떻게 부합하는지 살펴보겠습니다.

소매업 분야 상위 5개 생성 AI 사용 사례

고객 맞춤형 쇼핑 안내 제공

오프라인 매장에서 고객 경험을 개인화하기 위해 기업은 기초 AI 모델을 사용하여 기업 데이터에 대해 훈련된 디지털 쇼핑 도우미를 만들 수 있습니다. 브랜드 앱 내에서 이러한 도우미는 쇼핑객이 매장에서 제품을 찾고, 관련 제품을 번들로 정렬하고, 쇼핑 목록을 만들고, 과거 구매 및 검색 데이터를 기반으로 할인을 제공하는 데 도움을 줄 수 있습니다. 또한 소매용 생성 AI 기술을 활용하여 디지털 사이니지 및 키오스크를 위한 동적 적응형 콘텐츠를 개발할 수도 있습니다.

생성적 AI 기반 개인화를 활용하는 소매 브랜드의 초기 사례로는 30개국에서 약 14,000개 매장을 운영하는 다국적 소매 및 도매 체인인 Carrefour가 있습니다. 올해 초 이 회사는 예산, 과거 구매 내역, 식이 제한 사항을 고려하여 까르푸 고객에게 맞춤형 쇼핑 팁과 레시피까지 제공하는 ChatGPT 기반 챗봇인 Hopla를 출시했습니다. 이러한 챗봇은 체크아웃이 필요 없는 쇼핑 솔루션에 추가되어 기술에 정통한 고객에게 원활한 지원을 제공할 수 있습니다.

실제 매장의 디스플레이 디자인 강화

생성적 AI 모델을 통해 소매업체는 더욱 매력적이고 효율적이며 효과적인 매장 레이아웃과 제품 디스플레이를 디자인하여 고객 경험과 매출을 높일 수 있습니다. 이전 섹션에서 언급했듯이 AI는 기타 고객 데이터를 의미 있는 통찰력으로 요약하여 매장 레이아웃과 구매자 행동 간의 상관 관계를 설정하는 데 도움이 됩니다. 이에 대한 예로는 최적의 제품 배치에 사용될 수 있는 매장 내 유동인구가 많은 구역을 강조하는 히트 맵이 있을 수 있습니다.

미래 지향적인 소매업체는 AI를 활용하여 특정 고객 부문이나 개인 선호도에 맞는 디스플레이를 제작하고 대화형 화면, 증강 현실(AR) 앱, Bluetooth 기술을 기반으로 하는 근접 마케팅 솔루션을 사용하여 디자인과 고객 상호 작용을 자극할 수도 있습니다. 이러한 아이디어 중 일부는 언뜻 보면 공상 과학 개념처럼 보일 수 있지만, 소매 분야에서 생성 AI의 조언은 구매 시점(POP) 디스플레이를 설치하는 것만큼 간단할 수도 있습니다. %.

재고 및 공급망 관리 지원

코로나19 팬데믹(세계적 대유행) 이후 소매 부문은 어려운 공급망 문제를 해결해 왔습니다. 여기에는 국경 폐쇄와 그에 따른 배송 지연, 중국과 같은 국가의 엄격한 폐쇄 규정으로 인한 생산 중단, 구매자 행동의 대규모 변화로 인한 지속적인 과잉 재고 및 재고 부족이 포함됩니다.

H&M 및 Zara와 같은 기술에 정통한 기업은 AI 기능이 주입된 통합 데이터 생태계의 도움으로 이러한 문제를 해결하기 위해 오랫동안 소매 소프트웨어 개발 서비스를 활용해 왔습니다. 예를 들어 Zara는 재고 관리 단위(SKU) 번호를 사용하여 모든 구매를 추적하고 각 실제 매장의 판매 추세를 분석하며 실제 수요에 따라 제조량을 조정합니다. 마찬가지로 H&M은 인공 지능을 사용하여 4,700개 매장 전체의 매출을 모니터링하고 판매량을 예측하며 적시에 품목을 재입고합니다.

소매 공급망에서 생성적 AI를 사용하면 수요를 예측하고 최적의 재고 수준을 유지하며 물류 운영을 최적화하는 것도 가능합니다. 문제는 생성 AI가 기존 AI와 어떻게 비교되고, 테이블에 어떤 이점을 가져오는가입니다. 새로운 정보의 패턴을 감지하고 지능형 추천을 제공하기 위해 과거 데이터에 의존하는 기존 소매 AI 솔루션과 달리 생성 AI 소매 시스템은 합성 교육 데이터를 생성할 수 있습니다. 이 데이터를 사용하여 스마트 알고리즘은 시장 상황과 시나리오 및 스트레스 테스트 공급망 모델을 시뮬레이션합니다. 이러한 기능을 통해 생성적 AI는 상당한 양의 판매 및 물류 데이터가 부족한 소매업체에 실행 가능한 옵션이 되어 기업이 재고 계획에 대해 보다 세부적인 접근 방식을 취하고 복잡한 변수를 사용하여 공급망 운영을 최적화할 수 있습니다.

경쟁력 있는 가격 전략 개발

오프라인 소매업체는 생성 AI를 사용하여 동적 가격 책정 전략을 개발할 수 있습니다. 첫 번째 단계로 고객 인구통계, 행동, 구매 내역에 대한 데이터를 수집해야 합니다. 다음으로, 특정 제품 범주에 대한 경쟁사의 가격에 대한 최신 정보를 수집하는 것이 중요합니다. 시장 보고서와 같은 외부 소스의 정보를 사용하여 데이터세트를 향상할 수 있습니다. 또한 계절, 휴일, 블랙 프라이데이와 같은 반복되는 이벤트 등 고객의 구매 패턴에 영향을 미칠 수 있는 다른 요소도 고려하는 것이 중요합니다. 소매 생성 AI 시스템은 이 데이터를 흡수하고 실시간 정보를 해석하고 실제 수요에 따라 즉각적인 가격 결정을 내리는 데 필요한 기술을 습득합니다. 스마트 알고리즘은 고객의 구매 내역에 따라 맞춤형 가격 전략을 개발하는 데도 도움이 될 수 있습니다.

사기 제거

생성적 AI는 다양한 수단을 통해 오프라인 소매점에서 사기 행위를 탐지하고 예방하는 데 중요한 역할을 할 수 있습니다. 예를 들어, 실제 데이터가 부족하거나 민감할 때 기계 학습 모델을 교육하기 위해 현실적인 합성 데이터를 생성하는 작업을 생성 AI에 수행할 수 있습니다. 이 데이터는 컴퓨터 비전 기반 보안 시스템을 교육하여 도둑질과 연인 이벤트를 찾아내는 데 사용될 수 있습니다. 소매 분야의 AI 애플리케이션에 대한 자세한 내용은 미래의 슈퍼마켓에 대한 최근 블로그 게시물을 확인하세요.

제너레이티브 AI는 가짜 반품, 구매 등 사기 행위를 탐지하는 데 도움이 되는 실제 거래 데이터도 생성할 수 있습니다. 이는 고객 신뢰를 높일 뿐만 아니라 전반적인 재무 성과도 향상시킵니다. 블록체인 기반 스마트 계약을 생성적 AI 소매 솔루션과 결합하여 기존 소매 공급망에서 승인되지 않은 판매자와 위조 제품을 탐지하는 옵션도 있습니다.

귀하의 회사는 특정 조건이 충족되면 자동으로 실행되는 블록체인 스마트 계약을 사용할 수 있으며, 생성 AI는 실시간으로 블록체인 데이터를 분석하여 인간 운영자가 놓칠 수 있는 패턴과 추세를 식별합니다. 이 조합의 실제 사용 사례에는 고유한 QR 코드 또는 일련 번호를 사용하여 제품을 확인한 다음 생성 AI를 활용하여 이러한 코드 생성과 관련된 사기 패턴을 예측하는 것이 포함됩니다. 또한 AI 알고리즘을 구현해 블록체인 기술로 벤더 정보와 거래를 분석해 무단 또는 가짜 판매자를 식별하는 것도 기술적으로 가능하다.

소매 생성 AI는 아직 초기 단계에 있지만 비전을 지닌 리더로서 최대한 빨리 디지털 도구 상자에 기술을 추가하는 것을 고려해야 합니다. 고객이 실제 매장에서 쇼핑하는 동안 스마트폰과 앱에 대한 의존도가 높아지면서 생성 AI를 활용하여 메시지를 개인화하고 상향 판매 및 교차 판매 전략을 미세 조정하며 소비자 행동에 대한 더 깊은 통찰력을 얻을 수 있습니다.

그러나 비즈니스에서 모든 유형의 AI를 구현할 때 조직이 극복해야 할 특정 장애물이 있습니다. AI 파일럿 프로젝트를 진행하는 데 도움을 주기 위해 ITRex 팀은 몇 가지 실용적인 가이드를 작성했습니다.

  • AI 개념 증명(POC)이 무엇인지, 그리고 이것이 프로젝트 성공에 필수적인 이유에 대한 설명
  • AI 구현 과제 요약
  • 조직에서 AI를 구현하기 위한 단계별 지침을 제공하는 AI in Business 핸드북
  • AI 개발 비용에 영향을 미치는 요소 요약(당사 포트폴리오의 AI 프로젝트에 대한 대략적인 추정치 포함)

소매업에서 기존 AI나 생성 AI를 구현하는 데 도움이 필요하면 ITRex에 문의하세요! 우리는 데이터 과학, 클라우드 컴퓨팅, DevOps 및 맞춤형 소프트웨어 엔지니어링 분야의 광범위한 경험을 활용하여 기존 모델을 미세 조정하고 맞춤형 AI 솔루션을 처음부터 구축합니다.

이 기사는 원래 itrex 웹사이트에 게시되었습니다.