Jak personalizacja i optymalizacja prognozowania popytu tworzą lepsze Customer Experience. Praktyczne przykłady i wskazówki

Prezentacja omawia zastosowanie AI w e-commerce w dwóch głównych obszarach: (1) personalizacji doświadczeń klienta oraz (2) optymalizacji prognozowania popytu, wraz z modelem oceny dojrzałości cyfrowej firmy i dwoma studiami przypadków wdrożeń. Prelegentką jest Liliia Shvid, Data&AI Consultant w SMART business – partnerze Microsoft specjalizującym się we wdrożeniach ERP, CRM, HRM oraz rozwiązań opartych na analityce predykcyjnej i uczeniu maszynowym (15 lat na rynku IT, 750+ klientów, 65+ krajów). Część statystyczna: globalny rynek e-commerce wspieranego przez AI wyceniany na 7,57 mld USD w 2024 r.; adopcja AI w e-commerce wzrosła o 270% od 2019; 44% CEO wskazuje bezpieczeństwo danych jako główne wyzwanie; firmy stosujące AI notują wzrost przychodów o 10–12%; 8 na 10 konsumentów chętniej kupuje przy spersonalizowanym doświadczeniu. Omówione obszary zastosowania AI w e-commerce z wyzwaniami i wpływem na CX: segmentacja klientów, prognozowanie cyklu życia klienta, automatyzacja tworzenia treści, spersonalizowane rekomendacje produktów, prognozowanie popytu, prognozowanie odpływu klientów (churn), analiza obrazów produktów, inteligentne ustalanie cen. Model dojrzałości biznesu w 5 etapach: Początkowy, Rozwój, Optymalizacja, Zaawansowany, Cyfrowe przywództwo – z konkretnymi działaniami (CRM/ERP, narzędzia analityczne, współpraca z partnerami technologicznymi). Case study 1 – BROCARD (30 lat na rynku, 1300+ pracowników, 66 sklepów, 2 mln stałych klientów): wdrożenie Microsoft Dynamics 365 Customer Insights, Customer Voice, Customer Service. Wyniki: 200 tys. nowych klientów, 500 zbudowanych segmentów, 46 mln e-maili, 6 mln wiadomości Viber. Zbudowano widok klienta 360° i dwukierunkową komunikację omnichannel (email, SMS, push, Viber, Ads, Social, in-store). Case study 2 – McDonald's Georgia (23 restauracje, >1500 pracowników, 35 000 klientów dziennie): wdrożenie SMART Demand Forecast. Osiągnięto dokładność prognozowania 83,1% dla 4 tygodni i 79,1% dla 12 tygodni. Korzyści z poprawy dokładności prognozowania (dane z McKinsey, Gartner, IDC, Ipsos, Morlidge): wzrost sprzedaży 15%, CX 20%, rentowności 25%, konkurencyjności 15%, efektywności marketingu 15%, redukcja ryzyka zadłużenia 7%. Prezentowane produkty SMART business: SMART Personal Engagement (marketing/personalizacja, RFM, Uplift, churn), SMART Price Insights (dynamic pricing oparty na popycie), SMART Demand Forecast (prognozy SKU/sklep/dzień, wykrywanie anomalii), SMART Flexi Scheduler (AI do zarządzania czasem pracy). Wykorzystywane technologie: Azure OpenAI Service, Vision, Speech, Language, Decision, Microsoft Dynamics 365 (Business Central, Supply Chain, Customer Insights, Sales). Format: prezentacja produktowa z case studies i danymi rynkowymi.