Ce que les détaillants en ligne se sont trompés sur les algorithmes et l'IA

À peu près au moment où la pandémie de COVID-19 s'est installée en 2020, un groupe d'entreprises de commerce électronique, de mode directe au consommateur, de soins personnels et de kits de repas préparés étaient salués comme des détaillants de pointe réinventant l'expérience d'achat en ligne en croquant données sur le comportement des clients.

En 2018, revue professionnelle de l'industrie RetailDive.com a déclaré le lac Katrina "Disrupteur de l'année» pour son rôle de fondatrice et PDG de Stitch Fix, un site de mode proposant un service d'abonnement de produits sélectionnés par 3,900 XNUMX stylistes à temps partiel. Dans un article publié dans la Harvard Business Review à peu près au même moment, Lake a décrit son entreprise comme «une opération de science des données», dont les revenus «dépendent des excellentes recommandations de son algorithme».

Stitch Fix a été l'un des exemples les plus visibles de la montée en puissance des soi-disant détaillants de boîtes d'abonnement. La liste comprend les détaillants de produits de beauté bouleau, qui "conserve" et expédie aux abonnés une collection de produits basée sur des achats antérieurs et des algorithmes qui classent les consommateurs en fonction de l'âge, de l'emplacement et d'autres points de données. Tablier bleu, un service d'abonnement aux plats préparés, était un autre entrant notable.

Début 2021, trois ans après l'introduction en bourse de la société, la capitalisation boursière de Stitch Fix s'élevait à 10 milliards de dollars.

Aujourd'hui, à peine dix-huit mois plus tard, l'action a perdu environ 95 % de sa valeur et l'entreprise est devrait afficher sa première baisse annuelle des ventes depuis son introduction en bourse en 2017.

De même, le Tablier bleu s'est transformé en une épave de train d'investissement encore plus laide - cinq ans après que son action a fait ses débuts à 140 $ l'action, elle se négocie à moins de 4 $.

Pourquoi les disrupteurs ont-ils été perturbés ?

Il s'avère que les signes avant-coureurs étaient clairs en 2018. Dans un article paru sur Quartz.com, Luis Perez-Breva, conférencier et chercheur à la School of Engineering du MIT, a averti que "de nombreux détaillants ont oublié ce qui aide vraiment les clients : l'assistance en magasin par des travailleurs humains".

Selon Perez-Breva, "afin de recevoir des données propres pour l'apprentissage automatique (intelligence artificielle ou IA), par exemple, de nombreux détaillants envoient aux clients des questionnaires plus faciles à traiter par les ordinateurs".

Mais, dit-il, « les clients ne sont pas des IA. La plupart ne répondent jamais aux questionnaires et beaucoup remplissent ce dont ils se souviennent. Cela laisse les détaillants avec… des données erronées.

Toujours en 2018, géant du conseil McKinsey & Co. a interrogé plus de 5,000 XNUMX consommateurs américains sur les services d'abonnement et a constaté que « les taux de désabonnement sont élevés (près de 40 %)… et les consommateurs annulent rapidement les services qui n'offrent pas des expériences de bout en bout supérieures ».

Le rapport McKinsey a conclu que «les consommateurs n'ont pas un amour inhérent des abonnements. Au contraire, l'obligation de s'inscrire à un service récurrent freine la demande et rend plus difficile l'acquisition de clients. »

Pendant ce temps, plusieurs universitaires ont écrit sur les risques associés à la collecte de données sur les acheteurs individuels. Il peut être utile pour un consommateur qu'un détaillant connaisse sa pointure et sa couleur préférée. Mais que se passe-t-il lorsque les données collectées par l'IA et les algorithmes incluent l'achat de pilules contraceptives ?

Pour un participant et observateur de longue date de l'industrie du commerce de détail, une vieille maxime vient à l'esprit : plus les choses changent, plus elles restent les mêmes. L'IA est un outil puissant dans la gestion de la logistique, des stocks et d'une foule d'autres problèmes de gestion d'entreprise. Dans le cas de l'anticipation du comportement des consommateurs, certaines d'entre elles sont utiles, mais seulement si elles sont utilisées correctement.

Si les détaillants veulent savoir ce que veulent les consommateurs, ils ont un moyen éprouvé de le savoir - en testant les produits et les prix avant d'engager un capital précieux. Au lieu d'analyser des données basées sur le comportement passé ou de «conserver» les profils de sous-groupes de consommateurs sur la base de l'apprentissage automatique, les détaillants peuvent prédire plus précisément les tendances et la demande future en utilisant des informations réelles recueillies en ligne en temps réel avec de vrais acheteurs. Et, si vous allez appliquer un algorithme, vous feriez mieux de prouver qu'il fonctionne à maintes reprises.