Cómo la pandemia preparó la inteligencia artificial de Alibaba para el día de compras más grande del mundo

Las noticias: Mientras Estados Unidos estaba cautivado con su elecci√≥n, China hizo compras. Desde el 1 de noviembre hasta el 11 de noviembre, los principales gigantes del comercio electr√≥nico del pa√≠s, Alibaba y JD, generaron 115.000 millones de d√≥lares en ventas como parte de su mina de oro de compras anual Single’s Day. Alibaba, que ha comenz√≥ el festival en 2009, represent√≥ $ 74.1 mil millones de esas ventas, un aumento del 26% con respecto al a√Īo pasado. En comparaci√≥n, las ventas de Prime Day de 48 horas de Amazon solo superaron los $ 10 mil millones este a√Īo.

Prueba de estr√©s pand√©mico: El tama√Īo del evento lo convierte en un milagro log√≠stico. Para lograr la haza√Īa, Alibaba y JD invierten mucho en modelos de inteligencia artificial y otras infraestructuras tecnol√≥gicas para predecir la demanda de compra, optimizar la distribuci√≥n global de mercanc√≠as entre almacenes y simplificar la entrega en todo el mundo. Los sistemas generalmente se prueban y refinan durante todo el a√Īo antes de llevarlos al l√≠mite durante el evento real. Este a√Īo, sin embargo, ambas empresas enfrentaron una complicaci√≥n: tomar en cuenta los cambios en el comportamiento de compra debido a la pandemia.

Modelos rotos: En las primeras semanas despu√©s del brote de coronavirus, ambas empresas han visto c√≥mo sus modelos de IA se comportan de forma extra√Īa. A medida que la pandemia golpe√≥ durante el A√Īo Nuevo chino, cientos de millones de personas que de otro modo habr√≠an estado comprando durante las vacaciones, han comprado art√≠culos de primera necesidad. El comportamiento err√°tico hizo imposible confiar en datos hist√≥ricos. ¬ęTodos nuestros pron√≥sticos ya no eran precisos¬Ľ, dijo Andrew Huang, gerente general de la cadena de suministro nacional de Cainiao, la divisi√≥n de log√≠stica de Alibaba.

La gente también compraba cosas por diferentes razones, lo que estaba en desacuerdo con las recomendaciones de productos de las plataformas. Por ejemplo, el algoritmo de JD asumió que las personas que compraron máscaras estaban enfermas y, por lo tanto, recomendaron medicamentos, cuando podría haber tenido más sentido recomendarles un desinfectante de manos.

Cambio de turno: La ruptura de sus modelos oblig√≥ a ambas empresas a ser creativas. Alibaba ha duplicado su estrategia de pron√≥stico a corto plazo, dice Huang. En lugar de dise√Īar modelos de compra basados ‚Äč‚Äčen la temporada, por ejemplo, ha refinado sus modelos para tener en cuenta variables m√°s inmediatas, como la semana anterior de ventas, lo que gener√≥ grandes eventos promocionales o datos externos como el n√ļmero de casos de covid en cada provincia. . Si bien el comercio electr√≥nico de transmisi√≥n en vivo (que muestra productos en tiempo real y responde a las preguntas de los compradores) explot√≥ en popularidad durante la cuarentena, la compa√Ī√≠a tambi√©n cre√≥ un nuevo modelo de pron√≥stico para proyectar lo que sucede cuando las personas influyentes de transmisi√≥n en vivo populares comercializan. diferentes productos.

Y JD ha reorganizado sus algoritmos para tener en cuenta m√°s se√Īales de datos externas y en tiempo real, como cargas de casos de Covid, art√≠culos de noticias y opini√≥n p√ļblica en las redes sociales.

Ventaja inesperada: La adici√≥n de estas nuevas fuentes de datos a sus modelos parece haber funcionado. El nuevo modelo de IA de transmisi√≥n en vivo de Alibaba, por ejemplo, termin√≥ desempe√Īando un papel fundamental en la previsi√≥n de ventas despu√©s de que la empresa hiciera de la transmisi√≥n en vivo una parte clave de su estrategia de Single’s Day. Para JD, sus actualizaciones tambi√©n pueden haber aumentado las ventas generales. La compa√Ī√≠a dice que vio un aumento del 3% en la tasa de clics en sus recomendaciones de productos despu√©s de implementar su algoritmo mejorado, un modelo que se mantuvo en el D√≠a del Soltero.

Entendiendo el contexto: Ambas empresas han aprendido de la experiencia. Por ejemplo, Huang dice que su equipo ha aprendido que cada influencer de transmisión en vivo moviliza a su base de fanáticos para mostrar diferentes comportamientos de compra, por lo que continuarán creando modelos de pronóstico a medida para cada uno de sus principales influencers. Mientras tanto, JD dice que entiende cuánto afectan las noticias y los eventos actuales a los modelos de comercio electrónico y continuará ajustando su algoritmo de recomendación de productos en consecuencia.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *