★ 揭秘 B2B 電子商務中的人工智慧

利用人工智慧驅動的消費者洞察釋放 B2B 營收機會

不只是縮時，還有粉塵、噪音、位移偵測

oro

人工智慧 (AI) 市場繼續同比成長 12.9%，部分原因是更實惠的神經網路、雲端運算基礎設施，以及研究工具和數據集的增加。

與任何令人興奮的新技術一樣，人工智慧在 B2B 電子商務領域受到關注。一些 B2B 品牌，透過電子商務人工智慧等變革性技術應對挑戰。但電子商務的人工智慧解決方案，並不能解決所有的業務問題。

在這篇報導中，我們將介紹人工智慧電子商務的好處和局限性。我們檢視了實施人工智慧的要求、人工智慧的現有替代方案，以及人工智慧在電子商務中的使用。

什麼是人工智慧？

人工智慧使用電腦處理大量數據，並以非線性格式分析它們，就像人腦一樣。

如上圖所示，人工智慧概念導致了機器學習的發展。深度學習緊隨機器學習之後。現在有大量的 AI 子集，每個子集都專注於特定領域。

機器學習 (ML)是一種自學根據過去經驗，做出決策的算法。它分析數據以得出結論，因此更多的數據意味著更準確的結果。如果預測不準確，ML 算法通常為開發人員或最終使用者提供覆蓋功能。ML 的一個示例是垃圾郵件過濾器，當它接收到更多垃圾郵件時會得到改進。

人工神經網路 (ANN)是相互連接的算法，可以像人腦一樣交互和處理數據。

深度學習 (DL)持續分析與人類相似的數據。ML 之間的主要區別在於 DL 依賴於 ANN 來做出決策。人工神經網路創建了一個以概率為中心的決策系統，該系統帶有一個回饋循環，允許網路隨著時間的推移學習和改進其技術。DL 的一個例子是聲控燈開關，它學習當單詞看不到和燈亮著一起使用時，開關應該打開。

自然語言處理 (NLP)算法，以聽起來自然的形式讀取、構造和組織語言，並將其傳遞給機器進行進一步處理。

自然語言理解 (NLU)建構數據，並分析語言背後的意圖，以瞭解使用者想要完成的任務。

電腦視覺算法辨識、破譯和比較圖像或影像組件，並為機器提供行動數據。他們可以從視覺資源中得出結論，比較、修復或重建媒體文件。

認知計算算法學習人類和客戶的行為，並模仿人類的智慧和決策過程。

人工智慧是如何工作的？

無論採取何種形式，電子商務中的人工智慧都依賴於大量結構良好的數據。機器通過反複試驗辨識和提取數據中的模式，隨著更多數據輸入人工智慧，它會學習並產生更好的結果。

然而，儘管人工智慧系統很聰明，但它們仍然無法在沒有人類的情況下運行。

人工智慧只是達到目的的一種手段，因此你選擇的算法必須最適合手頭的任務。它們必須經過設計、客製化、測試和教導，才能執行所需的功能。

機器根據人類提供的資訊做出決策，這需要大量的數據管理。一個常見的誤解是，人工智慧是一種複雜的算法。實際上，人工智慧最關鍵的方面之一是數據。必須經過審計、組織和準備與 AI 一起使用的數據。

然後，你確定哪種算法模型最適合你的需求。稱為機器學習即服務 (MLaaS) 的現成平台有助於數據處理、模型訓練和分析。但是，它們仍然不是即插即用的解決方案。構建構模型並測試其準確性，你必須聘請 AI 專業人員和數據科學家。

誰建構和維護人工智慧？

人工智慧如果要正確執行，則依賴於許多聰明的人。

隨著數位活動的增加、雲的採用，以及向遠端工作的轉變，組織擁有的資訊比以往任何時候都多。大多數數據的分佈效率低下，並儲存在不同的系統中。這就是數據科學團隊的用武之地。數據科學和人工智慧團隊與產品經理、軟體工程團隊、設計師和其他專家一起建構和維護人工智慧系統。

數據工程師計劃和開發大數據環境，並為數據科學家準備數據。他們在業務系統之間，創建生態系統和通信管道以收集數據。公司通常會尋找具有數據管理、遷移和可視化經驗的候選人，包括 C++、Java 到 Python、R 和 Scala。

數據科學家使用 ML 和預測分析收集和分析大型數據集。他們還開發了為清理和分析準備數據的算法。數據科學家需要了解 Hive、Hadoop、Spark、Python 和其他語言。他們需要分析和溝通技巧，將發現傳達給團隊成員。

數據科學家是數學家和統計學家，而不是人工智慧軟體工程師。他們主要專注於分析和研究，以確定使用的方法、對算法進行建模並為測試做準備。

UI/Web 應用 APP 開發人員從數據科學團隊接管軟體開發。他們是建構 Web 應用的軟體開發人員、整合商和其他 IT 專業人員。他們必須牢牢掌握 Java、JavaScript、CSS、HTML 和其他前端語言。

主題專家可以是技術和產品經理，為數據科學團隊提供來自特定領域的寶貴見解。他們的職責是提供回饋、輸入和指導，以確保算法正確執行其業務功能。

ML 工程師建構和管理 ML 模型並維護運行 ML 項目的平台。他們與數據科學家和 AI 架構師合作，以確保符合預定的 SLA 和要求。需要 C++、Java、Python、R 和 Scala 的知識。

人工智慧架構師管理整個人工智慧專案。他們監督人工智慧專案的佈署，並維護數據科學家、數據工程師、開發人員、商業領袖和其他顧問之間的關係。他們必須具備強大的電腦科學技能，並且精通 C++、Java 到 Python、R 和 Scala。

商業智慧工程師設計、管理和維護數據基礎設施，並分析複雜的數據集。他們跨系統監督數據，並與數據團隊溝通以挖掘、建模和準備數據。他們應該具備 SQL 和 SQL 查詢和數據倉庫知識。

用例完成後，數據科學家將與技術團隊合作，生成適當的方法來對模型進行編碼。為了清理、測試和擴展代碼，數據科學團隊將他們的模型交給 AI 團隊，然後交給 AI 軟體工程師，由他們執行必要的工作，以使其可以投入生產。

在 B2B 電子商務公司中使用人工智能慧優勢

以下是人工智慧技術可以幫助你，發展電子商務業務的五種方式，包括虛擬助手和語音商務、基於客戶行為的個性化、搜索和電子商務、電子商務自動化以及優化銷售流程。

增強的客戶體驗： Apple 的 Siri、Amazon 的 Alexa 和 Google Assistant 都是你們大多數人都聽說過的虛擬助手。在電子商務的背景下，虛擬和語音助手幫助處理簡單的查詢。虛擬店員透過語音搜索，為在線上購物者提供快速、輕鬆的資訊訪問，並協助在電子商務網站上進行產品研究。
高效率的銷售流程：人工智慧工具可幫助你創建更高效率的銷售流程，例如，透過收集有關你的客戶的數據，和自動跟進取消的購物車電子郵件。B2B 電子商務中的銷售自動化有助於提高轉化率，並吸引更多潛在客戶。
人工智慧驅動的自動化：人工智慧專案算法，非常適合實現重複性任務的無縫自動化。借助 AI，你可以自動化產品推薦、忠誠度折扣和低級支持等工作，從而簡化前端和後端的工作流程。
更智慧的搜索：人工智慧工具支持創新的搜索解決方案，例如分面搜索、推薦產品描述、自動完成、相關產品、最近搜索等。這種方法也稱為 seachandising，可提供用戶友好、個性化且有利可圖的線上體驗。
數位行銷和廣告更加個性化：人工智慧和機器學習技術的發展，使商家能夠為買家客製化內容。透過分析大數據，你可以提供個性化的產品報價，以及與你的客戶產生共鳴的相關且有用的建議。查看我們的 B2B 電子商務個性化指南以獲取更多示例。

在電子商務中使用人工智慧的挑戰

雖然電子商務中的人工智慧可以而且確實，做出更好的商業決策，但著名的數據科學家羅伯特·馬古拉斯警告不要急於採用這項技術。在哈佛 AI in Enterprise 播客中，他警告說：

在電子商務中佈署人工智慧，仍然是一項代價高昂且具有潛在風險的工作。領導者和人工智慧倡導者，未能辨識人工智慧案例、缺乏必要的數據、沒有合適的團隊或面臨這些問題的組合。

確保你有一個案例

在最近的 O'Reilly 報告中，20% 的受訪者表示，難以找到合適的電子商務 AI 用例，是不採用 AI 的主要原因。確保你有其他技術無法解決的用例。

B2B 電子商務中一些最常見的 AI 用例包括：

產品推薦
情緒分析
預測分析
內容和圖像辨識軟體

不要混淆 AI 和工作流自動化。你可以開發產品推薦算法，或創建個性化的結賬體驗，而無需在電子商務中使用 AI。如果你剛剛開始數位電子商務轉型，最好開始使用不太複雜的技術（例如自動化工作流程）來改善活動和體驗。

你有人力資源嗎？

人工智慧驅動和基於雲的電子商務軟體實施專案，需要了解技術考慮並專注於人工智慧解決方案提供的商業價值的專業人士。好的人工智慧專家很昂貴而且很難找到。

Magoulas 建議分組僱傭數據科學家 —— 一個多元化的團隊促進協作和技能交流，從而產生更好的算法。在所有技能、專業知識和經驗水平上廣泛存在的 AI 人才差距意味著電子商務公司正在一個小的人才庫中競爭。

你的數據有序嗎？

機器學習算法依賴於大量品質的數據來分類、訓練和優化其結果。

你需要的數據量，取決於你的 AI 應用和算法的複雜性，一些估計顯示你應該有10 倍的數據量作為示例維度來提供算法。你擁有的數據越多，你可以從 AI 中獲得更準確的結果。

垃圾進垃圾出的局面是電子商務行業人工智慧的致命弱點。如果沒有自上而下的方法來維護數據品質、數據治理和數據素養，公司就會對他們的數據狀況，如何影響他們的 AI 專案視而不見。

你有支持的文化嗎？

人工智慧是一種不斷發展的技術趨勢，每個人對它是什麼，以及它能做什麼都有不同的理解。

在開始電子商務中的人工智慧之前，請列出目標以及如何實現它們。讓利益相關者了解你的 AI 專案，將在早期交付什麼。透過設定里程碑，並在取得進展後釋放更多資金來避免消耗現金。這些技巧將使你能夠逐步改進和增加項目的價值。

人工智慧與自動化工作流程

對於大多數 B2B 企業來說，電子商務中的人工智慧並不是答案。大多數公司還沒有準備好採用人工智慧，而且通常該技術對於這個問題來說太過分了。基於規則的工作流自動化引擎，可以很好地完成工作並且成本要低得多。

什麼是自動化工作流程？

工作流和人工智慧都使用技術來完成任務。雖然 AI 會學習、適應並採取不同的行動方案，但工作流程始終是相同的。自動化工作流利用條件動作邏輯將業務流程數位化。他們可以自動化許多 B2B 訂單處理功能，例如執行信用審批和通知工廠員工以定義的順序執行特定任務。

客戶、技術和流程不斷發展，靈活的工作流自動化引擎，使你能夠根據情況變化採取行動。你不斷改進和建立你的流程，促進創新文化。

自動化工作流程和 AI 有何不同？

此圖表將 AI 與自動化工作流程進行比較，以突出所需資源的差異。

自動化工作流程和 AI 有何不同？

此圖表將 AI 與自動化工作流程進行比較，以突出所需資源的差異。

零件	自動化工作流程	人工智慧
數據	只需要與工作流相關的數據	跨系統準備大量結構化數據
發展	次要配置	開發算法和機器學習平台
團隊	1-2個開發者設置	每位 ML 工程師和架構師都有 10 多名數據科學家
支持	小保養	持續監督算法和數據的準確性

現在，讓我們將人工智慧在電子商務中的功能和作用，與自動化工作流程進行比較：

功能性	自動化工作流程	人工智慧
數據分析	跨系統分析複雜數據	跨系統分析複雜數據
重複任務	自動化不同複雜性的任務	自動化不同複雜性的任務
報告	生成績效和客戶活動報告	生成績效、客戶活動報告並實現銷售預測
數據記錄	捕獲、組織和記錄值	捕獲、組織、記錄和預測缺失值
通知	基於預定義邏輯的通知	根據初始邏輯進行通知，然後進行自我教育
產品推薦	使用預定義的推薦規則	使用人口統計和活動進行推薦和自學以隨著時間的推移而改進
情緒分析	可以根據 if-this-then-that 邏輯進行預設	可以解析電子郵件文本或辨識語音中的情緒
預測分析	根據現有數據和預設公式建構預測	基於多個數據點建構預測，自學
引導式銷售	可以發送預設提醒以執行定義的後續活動	辨識有可能無法中標的交易或預測將購買的商品

以下是自動化工作流程和人工智慧，如何滿足不同的電子商務要求：

要求	自動化工作流程	人工智能
向客戶追加銷售、交叉銷售和展示相關產品	基於特定公司或客戶獨有的規則。	基於參與度、點擊流和客戶資料數據。
分析來自多個接觸點（行動購物應用 app、電子郵件活動和網站）的客戶數據	顯示執行在線客戶交互的首選方式。	預測下一個訂單將在何時以及透過哪個渠道下達。
分析客戶購買產品的方式、時間和地點的數據	將庫存管理數據中繼到離供應商和客戶最近的倉庫。	可以結合歷史數據和季節性波動來辨識未來庫存的倉庫。