Toimitusjohtaja Brian Niccol teki toimitusketjun ongelmien ratkaisemisesta keskeisen prioriteetin. Yksi hankkeista oli tekoälypohjainen varastonhallintajärjestelmä, jonka tarkoituksena oli antaa myymälöille nopeampi ja tarkempi näkymä siihen, mitä niillä todella oli hyllyillä.

Teknologia kehitettiin yhteistyössä Seattlelaisen NomadGo-startupin kanssa. Se käytti konenäköä, 3D-tilatietoa ja lisättyä todellisuutta tunnistaakseen ja laskeakseen tuotteita, kun työntekijät skannasivat hyllyjä, jääkaappeja ja varastotiloja älypuhelimella tai tabletilla.

Teoriassa järjestelmän piti:

• Korvata manuaalinen varastonlaskenta
• Nopeuttaa varastotarkistuksia merkittävästi
• Ilmoittaa automaattisesti vähissä olevista tuotteista
• Parantaa täydennystä ja vähentää loppuunmyytyjä tuotteita

Starbucks otti järjestelmän laajasti käyttöön ja suunnitteli sen käyttöä yli 11 000 yrityksen omistamassa myymälässä Pohjois-Amerikassa.

Virheet, joita järjestelmä teki

Käytännössä myymälöiden työntekijät raportoivat, että järjestelmä kamppaili perustehtävien kanssa, jotka ovat välttämättömiä luotettavalle varastonhallinnalle.

Reutersin siteeraamien raporttien mukaan tekoäly:

• Laski tuotteita hyllyillä väärin
• Tunnisti tai luokitteli tuotteita väärin
• Sekoitti visuaalisesti samankaltaiset tuotteet keskenään

Yksi laajalti mainittu esimerkki koski maitopurkkeja. Joissakin myymälöissä järjestelmän kerrottiin vaikeuksissa erottaa samannäköisiä maitopakkauksia toisistaan, mikä johti virheellisiin varastomääriin.

Pienilläkin virheillä on merkitystä varastonhallinnassa. Jos määrät ovat vääriä, tilausohjelmisto voi luoda virheellisiä täydennyspyyntöjä, jolloin myymälät tilaavat liian vähän tai liikaa avainainesosia.

Miksi työkalu lopulta hylättiin

Virheet heikensivät työntekijöiden luottamusta järjestelmään. He luottivat varastomääriin päivittäisessä toiminnassaan. Virheellinen data ei vähentänyt tuotepulia, vaan saattoi jopa pahentaa niitä, jos myymälät tilasivat tarvikkeita virheellisten tietojen perusteella.

Tämän seurauksena Starbucks päätti lopettaa ohjelman noin yhdeksän kuukauden kuluttua sen laajasta käyttöönotosta Pohjois-Amerikassa.

Sisäisessä tiedotteessa henkilökunnalle kerrottiin, että yritys luopui Automated Counting -työkalusta ja siirtyi johdonmukaisempaan varastonhallintatapaan samalla, kun se jatkaa laajempia toimia toimitusketjujen ja täydennysjärjestelmien parantamiseksi.

Mitä kokeilu paljastaa tekoälystä vähittäiskaupan toiminnassa

Lyhytikäinen käyttöönotto korostaa tekoälyyn liittyvää yleistä haastetta todellisissa vähittäiskaupan ympäristöissä. Järjestelmät, jotka toimivat hyvin valvotuissa demoissa, voivat kamppailla todellisten myymälöiden vaihtelevissa olosuhteissa – muuttuva valaistus, sekavat hyllyt, samankaltaiset pakkaukset ja tuotteiden epäjohdonmukainen sijoittelu.

Starbucksille teknologia oli tarkoitettu poistamaan työläs tehtävä ja auttamaan ratkaisemaan kallis toimitusketjuongelma. Mutta kun tarkkuus ei vastannut odotuksia, yritys päätti hylätä työkalun sen sijaan, että olisi luottanut virheelliseen dataan.

Tapaus korostaa käytännön opetusta vähittäismyyjille, jotka kokeilevat automaatiota: kun tehtävä vaatii tarkkaa laskentaa ja tunnistusta, jopa pienet virheprosentit voivat tehdä tekoälyjärjestelmistä käyttökelvottomia päivittäisessä toiminnassa.

Toimitusjohtaja Brian Niccol teki toimitusketjun ongelmien ratkaisemisesta keskeisen prioriteetin. Yksi hankkeista oli tekoälypohjainen varastonhallintajärjestelmä, jonka tarkoituksena oli antaa myymälöille nopeampi ja tarkempi näkymä siihen, mitä niillä todella oli hyllyillä.

Teknologia kehitettiin yhteistyössä Seattlelaisen NomadGo-startupin kanssa. Se käytti konenäköä, 3D-tilatietoa ja lisättyä todellisuutta tunnistaakseen ja laskeakseen tuotteita, kun työntekijät skannasivat hyllyjä, jääkaappeja ja varastotiloja älypuhelimella tai tabletilla.

Teoriassa järjestelmän piti:

• Korvata manuaalinen varastonlaskenta
• Nopeuttaa varastotarkistuksia merkittävästi
• Ilmoittaa automaattisesti vähissä olevista tuotteista
• Parantaa täydennystä ja vähentää loppuunmyytyjä tuotteita

Starbucks otti järjestelmän laajasti käyttöön ja suunnitteli sen käyttöä yli 11 000 yrityksen omistamassa myymälässä Pohjois-Amerikassa.

Virheet, joita järjestelmä teki

Käytännössä myymälöiden työntekijät raportoivat, että järjestelmä kamppaili perustehtävien kanssa, jotka ovat välttämättömiä luotettavalle varastonhallinnalle.

Reutersin siteeraamien raporttien mukaan tekoäly:

• Laski tuotteita hyllyillä väärin
• Tunnisti tai luokitteli tuotteita väärin
• Sekoitti visuaalisesti samankaltaiset tuotteet keskenään

Yksi laajalti mainittu esimerkki koski maitopurkkeja. Joissakin myymälöissä järjestelmän kerrottiin vaikeuksissa erottaa samannäköisiä maitopakkauksia toisistaan, mikä johti virheellisiin varastomääriin.

Pienilläkin virheillä on merkitystä varastonhallinnassa. Jos määrät ovat vääriä, tilausohjelmisto voi luoda virheellisiä täydennyspyyntöjä, jolloin myymälät tilaavat liian vähän tai liikaa avainainesosia.

Miksi työkalu lopulta hylättiin

Virheet heikensivät työntekijöiden luottamusta järjestelmään. He luottivat varastomääriin päivittäisessä toiminnassaan. Virheellinen data ei vähentänyt tuotepulia, vaan saattoi jopa pahentaa niitä, jos myymälät tilasivat tarvikkeita virheellisten tietojen perusteella.

Tämän seurauksena Starbucks päätti lopettaa ohjelman noin yhdeksän kuukauden kuluttua sen laajasta käyttöönotosta Pohjois-Amerikassa.

Sisäisessä tiedotteessa henkilökunnalle kerrottiin, että yritys luopui Automated Counting -työkalusta ja siirtyi johdonmukaisempaan varastonhallintatapaan samalla, kun se jatkaa laajempia toimia toimitusketjujen ja täydennysjärjestelmien parantamiseksi.

Mitä kokeilu paljastaa tekoälystä vähittäiskaupan toiminnassa

Lyhytikäinen käyttöönotto korostaa tekoälyyn liittyvää yleistä haastetta todellisissa vähittäiskaupan ympäristöissä. Järjestelmät, jotka toimivat hyvin valvotuissa demoissa, voivat kamppailla todellisten myymälöiden vaihtelevissa olosuhteissa – muuttuva valaistus, sekavat hyllyt, samankaltaiset pakkaukset ja tuotteiden epäjohdonmukainen sijoittelu.

Starbucksille teknologia oli tarkoitettu poistamaan työläs tehtävä ja auttamaan ratkaisemaan kallis toimitusketjuongelma. Mutta kun tarkkuus ei vastannut odotuksia, yritys päätti hylätä työkalun sen sijaan, että olisi luottanut virheelliseen dataan.

Tapaus korostaa käytännön opetusta vähittäismyyjille, jotka kokeilevat automaatiota: kun tehtävä vaatii tarkkaa laskentaa ja tunnistusta, jopa pienet virheprosentit voivat tehdä tekoälyjärjestelmistä käyttökelvottomia päivittäisessä toiminnassa.