mars 10, 2021

Comment l’IA pourrait aider les e-commerçants de mode à réduire les retours au détail

Par admin2020

[ad_1]

Entre les emballages jetés, les frais d’expédition, les ruptures de stock et les marchandises endommagées, les retours coûtent une fortune aux détaillants. En 2017, les retours au détail ont coûté environ 350 milliards de dollars et devraient atteindre 550 millions de dollars en 2020. Tandis que quelques les retours sont inévitables (avec des raisons allant des produits défectueux aux retards de livraison), d’autres sont tout à fait évitables. En effet, 46% des acheteurs interrogés en Rapport sur l’état des retours en ligne 2019 de Narvar ont déclaré que la raison n ° 1 pour le retour des produits était une taille, un ajustement ou une couleur incorrectes. Seuls 3% ont acheté intentionnellement plusieurs articles en sachant qu’ils en rendraient certains. Sur la base de ces informations, ces deux raisons représentent près de la moitié des retours en ligne.

Dans notre «culture du confort» moderne, les marques sont complices de ce gaspillage économique (et environnemental). Certains sont même allés jusqu’à suggérer mort à la politique de retour gratuit. Compte tenu de l’état du commerce en ligne, il serait difficile d’imaginer un monde dans lequel les détaillants décident de revenir sur leurs politiques de retour. À moins que cela ne soit fait de manière universelle, de nombreux vendeurs pourraient se trouver dans un énorme désavantage par rapport aux magasins qui continuaient à accueillir les consommateurs avec une expédition de deux jours.

Hobby shopping et goût capricieux mis à part, de nombreux acheteurs ont vraiment besoin de politiques de retour amicales, car il est encore difficile de s’engager dans un achat invisible. En effet, les clients ne savent peut-être pas quels produits et tailles leur conviendront le mieux. Mais, de plus en plus, Les e-commerçants se tournent vers l’intelligence artificielle (IA) et l’apprentissage automatique (ML) pour aider les clients non seulement à découvrir de nouveaux produits susceptibles de susciter leur intérêt, mais également à identifier les SKU et les tailles spécifiques qu’ils garderont volontiers dans leur garde-robe.

Une idée pour l’évolution des moteurs de recommandation

Amazon est peut-être l’exemple le plus célèbre de big data qui stimule le commerce électronique. En tant que plus grande boutique en ligne au monde qui suit le comportement d’achat sur son site d’achat et des dizaines de milliers d’autres marchands avec sa plate-forme de paiement, Amazon en sait beaucoup sur l’affinité et la propension. Le méga-centre commercial numérique applique toutes les données qu’il connaît sur vous et d’autres acheteurs comme vous pour alimenter son moteur de recommandation, vous aidant à trouver et à acheter plus de produits que vous ne l’aviez prévu à l’origine. Il a même commercialisé son moteur de recommandations en un service B2B.

Cependant, l’objectif de presque tous les outils de personnalisation a été d’augmenter la taille moyenne des chariots et les valeurs de durée de vie des clients. Cette vision tunnel donne la priorité à la croissance des revenus mais néglige la préservation des ventes.

En utilisant la même technologie, mais en allant plus loin pour analyser les points de données basés sur les retours, les commerçants peuvent accorder une valeur plus pondérée aux ventes incitatives et croisées de produits qu’ils savent que les acheteurs sont plus susceptibles d’acheter. et garder. À leur tour, les marques verront probablement des clients plus satisfaits et des améliorations significatives de leurs résultats. Bien que ce ne soit peut-être pas une idée nouvelle, il vaut la peine de refaire surface car le problème de retour au détail ne fera que croître avec le temps.

Le Conseil de la culture Rolling Stone est une communauté sur invitation uniquement pour les influenceurs, les innovateurs et les créatifs. Suis-je admissible?

Intérêt croissant pour la technologie Fit

Dans des catégories comme la mode, des tailles pas si standard ajoutent un autre élément de complexité à l’expérience d’achat. Une enquête par Racked a trouvé des écarts dans les tailles de divers détaillants, révélant qu’une paire de jeans de taille 8 d’Uniqlo avait plus de 5 pouces de plus à la taille par rapport à un jean de taille 8 de Gap. Cela montre que les marques ne s’entendent pas sur les tailles standard. Les acheteurs rechercheront plutôt leur coupe idéale en fonction de la façon dont les vêtements sont coupés.

Au-delà de cela, il y a une question de préférence des consommateurs, qui, selon Morgan Linton, expert en apprentissage automatique et COO de Bold Metrics, est mieux mesurée par marque. (Divulgation complète: la société de l’auteur est un client de Bold Metrics.) En fait, les grands détaillants comme Adidas, Canada Goose et Levi’s font appel à la plateforme de Bold Metrics. Avec le dimensionnement virtuel et la technologie d’essai, les clients peuvent abandonner le processus sujet aux erreurs qui suit après avoir retiré le ruban à mesurer. J’ai vu de mes propres yeux comment nous avons pu réduire jusqu’à 73% nos rendements liés à la coupe.

Il existe d’autres acteurs de l’IA / ML dans l’espace technologique de l’ajustement, tels que Fit Analytics, qui mappe son vaste ensemble de données aux informations de dimensionnement de la marque. Utilisation de la plate-forme Google Cloud, Fit Analytics fait appel au big data pour faire « 250 millions de recommandations de tailles chaque mois pour plus de 150 des plus grandes entreprises de vêtements et de chaussures au monde. »

Un autre fournisseur, True Fit, essaie d’aller au-delà de l’ajustement pour proposer des recommandations de produits personnalisées basées sur un certain nombre de facteurs, y compris l’ajustement. En partenariat avec Google Cloud, True Fit propose aux détaillants le «Fashion Genome», qui est un vaste ensemble de données connecté pour le secteur de la mode. Cette évolution vers la personnalisation basée sur les données montre à quel point la technologie adaptée devient un atout pour les détaillants et les consommateurs.

Les politiques de retour généreuses sont si répandues car elles réduisent les frictions dans le processus d’achat. Mais les détaillants de mode devraient envisager d’incorporer des outils d’IA et de ML pour aider à augmenter la satisfaction des clients lorsqu’il s’agit de trouver un ajustement parfait, car même le processus de reconditionnement d’une commande de retour est un résultat indésirable pour vos acheteurs et vos résultats.



[ad_2]

Source link