Der er ikke nødvendigvis et enkelt springende punkt, som gør Machine Learning relevant for en forretning. Det handler om evnen til at have overblikket over både produkter og kunder. Flere butikker oplever et voksende varesortiment, og især her kan Machine Learning være en relevant medspiller ved at aflaste ekspedienterne i at holde styr på produktsortiment og købsmønstre.
Mange kundesegmenter kan også være et godt argument for at gøre brug af Machine Learning i POS, da hvert segment kan have forskellige behov relateret til en enkelt vare. I en friluftsbutik kan en uldundertrøje være relateret til både vandretur, klatring eller skitur afhængig af, hvem der køber den, og ikke mindst hvilke andre varer, der kommer i kurven. Dette overblik behøver en ekspedient ikke længere træne aktivt, når kassesystemet tilbyder det på baggrund af omfattende data.
En undersøgelse af virksomheder på det danske marked viser, at 96% mener, at Machine Learning har mulighed for at skabe engagerede kunder, og 72% mener, at Machine Learning har potentiale for at styrke medarbejdere (Kilde: Microsoft).
Man kan se Machine Learning som et tidsbesparende koncept, der tillader mennesker at være mere kreative og personlige, mens systemet klarer opgaven med at finde forbindelser og købsmønstre
Hvordan kommer jeg i gang?
For at gøre brug af Machine Learning skal du have et kassesystem, der kan understøtte det. Det vil sige, at det skal være i stand til at indsamle data om produkterne og sætte dem i forbindelse med hinanden. I bund og grund vil du kunne implementere Machine Learning i et helt almindeligt kasseapparat, der kører på transaktionelle data. For at få optimalt udbytte af Machine Learning, vil det være en fordel med et velintegreret kassesystem, der kan tale sammen med andre systemer. Det skal også gerne kunne opbevare oplysninger om kunders køb samt håndtere de nyeste GDPR krav.
Er du interesseret i en gratis demo af Ka-ching, kan du booke den hos Thomas her: