ArtigosEspeciais

Self Checkout: como a IA Generativa está mudando o relacionamento dos homens com as máquinas

Esse é um dos principais desafios na jornada de implementação dos caixas de autoatendimento no varejo.

 

*Por Kleber Santos

As estratégias para incentivar clientes a adotarem sistemas de autoatendimento estão mudando radicalmente com a Inteligência Artificial Generativa. Ao observar o desenvolvimento de um software que usa essa tecnologia para entender o que influencia a adesão dos consumidores ao self-checkout, notei que os primeiros resultados foram surpreendentes e tive bons insights.

Parto da premissa de que o valor do produto ou do serviço se dá a partir da percepção das pessoas; ou seja, quanto mais elas se identificarem e aderirem àquela proposta, maior será seu valor.

Um bom exemplo de adoção tecnológica pode ser observado no caso das telas táteis (touch screens). Para os celulares, essa tecnologia é vital, mas nem tanto para as TVs, já que as pessoas preferem comandar seus dispositivos do sofá. Isso significa que a mesma tecnologia tem duas percepções de valor completamente diferentes.

Esse é um dos principais desafios na jornada de implementação dos caixas de autoatendimento no varejo. Não há dúvidas que vale muito a pena para o varejista, principalmente na redução de custos operacionais e eficiência dos processos. A questão que está sobre a mesa é: faz sentido para o consumidor?

As variáveis mais óbvias estão em dezenas de estudos publicados, como tamanho da fila, usabilidade, meios de pagamento, segurança e características da operação (se requer pesagem, se precisa remover sensor antifurto, etc).

Outro fator que aumenta ainda mais o desafio é o dinamismo de contexto. As coisas mudam tão rapidamente que uma vantagem pode perder relevância de um dia para o outro.

Gen AI: Boa tarde, como posso ajudar?

A IA Generativa tem a capacidade de processar grande volume de informações, cruzar todo o banco de conhecimento disponível e chegar em sugestões não convencionais.

O produto que estive observando nasceu para responder continuamente a mesma pergunta: o que influencia o consumidor a aderir ao autoatendimento?

Os jovens já nasceram conectados e tendem a aceitar mais facilmente novas tecnologias, portanto, são capazes de aderir aos sistemas de self checkout sem qualquer restrição. Mas eles também são tipicamente mais sensíveis a questões sociais; se entenderem que o uso de soluções autônomas implicará no nível de desemprego, irão refutar e “sabotar” o uso. Embora sejam consideradas informações verdadeiras, isoladamente são incompletas para uma boa tomada de decisão.

Esse modelo de AI tem habilidade de identificar relações que aparentemente não são tão evidentes, como é o caso do conflito geracional mencionado acima; o que é crucial para soluções criativas. Por isso ela é tão valiosa em cenários com alto grau de incerteza.

Estudando dados de uma loja mais de perto, percebemos que em determinado horário dos dias de semana, em que há maior quantidade de transações, o percentual de uso dos caixas de autoatendimento sobe. Essa informação sugere que o tamanho da fila faz diferença.

Em paralelo, a IA identificou que, no mesmo intervalo de tempo em que se observa o pico de transações, as cores dos cabelos dos clientes na fila dos caixas autônomos são mais diversas em comparação com a fila dos caixas convencionais.

A equipe achou o insight curioso. Um dos membros percebeu que a loja em questão estava próxima de uma grande universidade e que o horário com mais pico de utilização coincide com o horário de chegada dos alunos. Parte deles, antes de entrar em aula, acabava aproveitando para fazer uma compra ou outra. Sendo assim, concluiu-se que o perfil daquele cliente fazia mais diferença do que o tamanho da fila.

Esse é somente um pequeno exemplo com poucas variáveis que nos mostra o grande potencial da IA Generativa. É claro que a qualidade do insight dependerá muito do volume, da diversidade e da qualidade dos conhecimentos que alimentam o motor.

Quando falo sobre a quantidade, me refiro aos dados da transação, como duração, ticket médio e meio de pagamento; do cliente, como gênero, idade, poder aquisitivo; e do produto, como preço, tipo, se requer pesagem, entre outros. Já sobre a diversidade de informações, é importante usar outros dados para complementar conhecimentos. As câmeras, por exemplo, capturam o ambiente e armazenam informações como tamanho de fila, características físicas e ruídos.

Vale destacar que, para garantir informações e insights de qualidade, é preciso alimentar o aprendizado da IA e criar um sistema de feedbacks. A partir disso, os conhecimentos originais vão ficando mais afiados, fundamental para a evolução da solução.

Como última recomendação, é imprescindível considerar duas inteligências nessa jornada, a artificial e a humana.

Avaliando o último exemplo, se fosse necessário depender somente da inteligência das pessoas, dificilmente chegaríamos àquela conclusão com rapidez e precisão. Por outro lado, ainda não seria possível para a IA observar o fluxo de alunos de uma universidade e chegar àquela conclusão sozinha.

O máximo do potencial está exatamente na combinação entre essas duas inteligências. Não adiantará investir muitos milhões para trazer as melhores tecnologias e não investir proporcionalmente para trazer as pessoas certas. *Por Kleber Santos é VP of Digital Value Creation da multinacional brasileira FCamara.

Este artigo é de total responsabilidade do autor, não representando, necessariamente, a opinião do Portal IPNews.

Participe das comunidades IPNews no InstagramFacebookLinkedIn X (Twitter).

 

Newsletter

Inscreva-se para receber nossa newsletter semanal
com as principais notícias em primeira mão.


    Deixe um comentário

    O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *