Palexy's AI Solution for Smart Retail
從組裝到售後客戶服務互動，零售業的人工智慧，正在以新方式應用到整個產品和服務週期中，但是零售業者需要以下重要問題的答案：
哪些 AI 應用在零售流程的自動化，或擴充中發揮作用？零售公司如何利用這些技術，在當今的競爭對手中保持領先地位？在未來十年中，有哪些創新正在成為潛在的零售遊戲規則改變者？
在本文中，我們介紹了將 AI 整合到零售行業中的各種案例，這些案例細分為以下子類別：
．銷售和 CRM 應用
．客戶建議
．製造業
．物流與配送
．付款和付款服務
創新是一把雙刃劍，與任何創新成果一樣，它的發展也令人 mixed 貶不一。儘管許多 AI 應用已提高了投資回報率（本案例是零售市場細分中的 AI 案例研究），但其他應用卻已嘗試且未能達到預期，為在此類創新成為行業驅動力之前，仍需克服的障礙提供了啟示。
以下是五個零售領域或階段的， 10 個簡短案例。每種技術都可以讓您大致瞭解一下，AI 技術的使用方式，以及正在作為電子商務和實體營運中，潛在的零售行業標準，進行創建和試行的 AI 技術。
讀者可能會發現零售領域的其他見解，這些見解最近在我們的商業智慧報告中有所介紹。
銷售和 CRM 應用
Emerj 使用 AI 等撰寫了有關 Salesforce、Oracle、SAP 的當前 CRM 應用的完整報告，以進一步瞭解該主題。
Pepper 機器人
2010 年，日本的軟銀電信營運部門，與法國機器人製造商 Aldebaran 合作開發了 Pepper，這是一種可與客戶互動，並「感知人類情感」的類人機器人。
Pepper 在日本已經很流行，在日本它已成為 140 家 SoftBank 行動商店的客戶服務代表和代表。根據 Softbanks Robotics America 的說法，Pepper 在加利福尼亞州帕洛阿爾托和聖莫尼卡的 b88ta 商店的試點，使帕洛阿爾託的人流量增加了 70％，而聖莫尼卡的 Neo-pen 銷售額的 50％ 歸因於 Pepper。
Pepper 在日本已經很流行，在日本它已成為 140 家 SoftBank 行動商店的客戶服務代表和代表。根據 Softbanks Robotics America 的說法，Pepper 在加利福尼亞州帕洛阿爾托和聖莫尼卡的 b88ta 商店的試點，使帕洛阿爾託的人流量增加了 70％，而聖莫尼卡的 Neo-pen 銷售額的 50％ 歸因於 Pepper。
此外，人工智慧的創造，把時間花在時髦的服裝商店 Ave 上，零售商在這裡與客戶互動增加了 98％，人流量增加了 20％，收入增加了 300％。雀巢於 2016 年 1 月宣佈，計劃收購 Pepper 機器人，以將其 1000 個 Nescafes 放在日本。
雖然不是唯一使用的零售機器人，但像 Pepper 這樣的店內機器人似乎至少在一開始會提高商店的興趣和銷量。一旦零售機器人成為「常態」，這是否會逐漸消失，尚待確定。
Conversica
Conversica「銷售助理」軟體，目的在透過辨識，並與網路銷售線索進行對話，來自動化和增強銷售營運流程。 該銷售線索和管理公司聲稱，聽起來很真實的消息，導致平均參與率為 35％。
在一個案例研究中，Star2Star Communications 在 2016 年實施了由 Conversica 支持的銷售代表「 Rachel」，數小時內電子郵件響應率達到 30％。 可客製化的銷售助手軟體，還用於交叉銷售或重新吸引現有潛在客戶。 總部位於新英格蘭的 Boch Automotive，還採用了 Conversica 軟體，這歸因於一個豐田經銷店平均每月增加 60 次銷售。
客戶建議
IBM Watson 認知計算
IBM 的 Watson 向電子商務零售商，提供大量的訂單管理，和客戶參與功能已不再是秘密。 2016年，1-800-Flowers.com 推出了「當您需要時提供禮物」（GWYN），該公司稱其為 AI 禮賓服務。
透過消費者提供的有關禮物接收者的資訊，該軟體透過比較提供給類似接收者的禮物，所提供的細節，來客製化禮物推薦。 GWYN 經驗（我們在聊天機器人案例的更完整的文章中提供了該經驗）試圖透過與使用者進行個人和詳細的對話，來複製門房中門房的角色。 1-800-Flowers Chris McCann 向 Digiday 講話，並指出在兩個月內，70％ 的線上訂單，是透過 GWYN 完成的。
North Face 還採用了 IBM Watson 的認知運算技術，以幫助消費者，根據位置和性別偏好等變量，確定最適合他們的夾克。 例如，十月在冰島遠足，和一月在多倫多通勤，將產生不同的結果。
根據從 55,000 個使用者收集的數據，已發布的 2015 年試點結果產生了 60％ 的點擊率和 75％ 的總銷售轉化率。 請務必注意，我們無法確定這些結果代表的是高於還是低於 North Face 的正常結果，以及這些結果是可持續的還是僅由用戶介面中的新穎性所驅動。
上面是 North Face 對話介面的示例，該介面提示使用者一系列與購買有關的問題。可以肯定地說，可以使用簡單的 if-then 規則，建構類似上述系統的類似系統，而無需任何機器學習。
在這種推薦的問答介面中，使用機器學習的優勢在於，North Face 可以透過此對話引擎，潛在地吸引數萬名消費者。在一定數量的客戶互動中，系統可能會根據「可行」（高購買率或高購物車價值）建議，和不起作用的建議，收集重要的見解和模式，從而使公司有可能隨著時間的推移，獲得越來越多的轉化。
製造業
感興趣的讀者，可以在我們的《機器學習中的製造業》報告中，找到有關此主題的其他見解。
輝煌的製造
通用電氣（GE）的 Brilliant Manufacturing 軟體，在一定程度上受到了 GE 在過去二十年，與客戶製造公司的關係的啟發，其設計目的是使整個製造過程（從設計到分銷和服務）更加高效，從而隨著時間的推移，節省大量成本。該軟體包括適用於一系列製造商的一套分析，和操作智慧工具。
例如，WIP Manager 軟體，為工業和離散製造商，提供了工廠生產線和工廠範圍內，所有正在進行的工作的協作可視性。現在，坐在電腦後面的操作主管，可以即時辨識工作流程中，出現的基於地板的問題，而不必花費時間進行整個製造工廠的耗時演練。
Toray Plastics 是使用，GE 的 Plant Applications 產品的公司的一個例子，該產品使管理層，能夠在整個生產過程中收集粒度數據，並減少有缺陷的產品和浪費的生產力。
Gakushu 學習軟體
嵌入在製造機器人中的 Fanuc 的 Gakushu 學習軟體（「 Gakushu」在日語中是「 learning」），可加速特定任務的「智慧」操作，該任務最初是為點焊和裝配線設計的。
2016年，Fanuc 與 Nvidia 合作，目的在透過 Nvidia 的 GPU 加速機器人的深度學習。 Gakushu 賦予的機器人透過使用收集和儲存數據的感測器，來學習製造任務。
2016年，Fanuc 與 Nvidia 合作，目的在透過 Nvidia 的 GPU 加速機器人的深度學習。 Gakushu 賦予的機器人透過使用收集和儲存數據的感測器，來學習製造任務。
機器人根據及時環境條件，進行調整併調整運動的能力（根據 Fanuc 的研究）可將點焊的週期時間，縮短多達 15％。機器人的學習過程完成後（大約 18 個週期後），感測器將被移除，受過訓練的機器人，將能夠自主完成任務。
機器人的學習，與加速度計相結合的振動控制，可以瞭解機器人的運動，並提供更高的運動穩定性。特斯拉已經在其位於弗里蒙特的工廠，僱用了約 600 名 Fanuc 機器人，據彭博商業週刊報導，早在 2016 年 9 月，該公司就訂購了更多的機器人，以加快製造速度，以便於 2017 年 7 月下一次 Model 3 的交付。
物流與配送
多米諾機器人裝置（DRU）
除了 Domino 聲稱其原型傳送機器人，可以將食物和飲料保持在適當的溫度之外，DRU 的感測器還可以幫助其導航最佳的傳送路徑。
DRU 整合了，以前用於軍事作戰訓練的機器人技術。 2016 年 3 月，DRU 飛行員在澳洲、紐西蘭、比利時、法國、荷蘭、日本和德國推出。 Domino's 沒有提供 DRU 何時可以商業規模推出的日期，但是在接下來的十年中，機器人自動運送食物和其他物品，似乎是一個新興的現實，這似乎是有道理的。
DRU 整合了，以前用於軍事作戰訓練的機器人技術。 2016 年 3 月，DRU 飛行員在澳洲、紐西蘭、比利時、法國、荷蘭、日本和德國推出。 Domino's 沒有提供 DRU 何時可以商業規模推出的日期，但是在接下來的十年中，機器人自動運送食物和其他物品，似乎是一個新興的現實，這似乎是有道理的。
亞馬遜無人機
2016 年 7 月，亞馬遜宣佈與英國政府建立夥伴關係，以實現透過無人機運送小包裹成為現實。 該公司正在與世界各地的航空機構合作，以找出如何在上述機構制定的法規內實施其技術。 亞馬遜的「 Prime Air」被描述為未來的交付系統，可在不到 30 分鐘的時間內安全地運輸和交付 5 磅重的包裹。
如以下影片所示，亞馬遜於 2016 年 12 月進行了首次 13 分鐘的無人飛行。 目前，確定營運和系統的適當安全性和可靠性，是亞馬遜的當務之急。 亞馬遜指出，儘管尚未針對商業用途的預計日期進行任何更新，但亞馬遜正在與「各個國家」的監管機構合作。 與 Domino 的 DRU 概念類似，在未來十年內，似乎有可能大規模地空運自動交付貨物和食物。
付款服務
亞馬遜圍棋
亞馬遜吹捧的實體店，稱為 Amazon Go，採用免結賬技術，允許客戶購物和離開。客戶使用 Amazon Go 應用進行簽入，但是此後，整個購物體驗被設計為自動化的。 感測器會跟蹤客戶，拿起並放入購物籃中的哪些物品，並在離開商店後自動向客戶的 Amazon 帳戶收取費用。
計劃推出的產品並非沒有障礙，並且在 2017 年 3 月底，這家零售巨頭的消息人士宣佈，亞馬遜正在推遲其便利店的開業，同時在自動購物流程中解決「技術故障」 。
PayPal
自 2013 年以來，PayPal 一直利用欺詐檢測算法，來保護客戶的數位交易。在過去的幾年中，安全檢測系統已經學習了成千上萬的購買模式或「功能」，該系統現在（在 MIT Tech Review 提供的案例中）可以解密同時購買音樂會門票的朋友和竊賊之間，具有被盜帳戶列表的同類購買。
LexisNexis 的一項參考研究發現，貝寶（PayPal）的用於交易安全的深度學習方法將欺詐率降低至收入的 0.32％，比大多數電子商務商人的平均水平低 1％。
付款詐欺
欺詐和支付安全是 AI 投資的重要領域，並且有很多欺詐/安全公司值得關注。 Sift Science 是應用機器學習來檢測用戶和付款欺詐的眾多公司之一，這兩者均與零售應用相關。隨著美國電子商務繼續佔零售額的百分比激增（根據美國人口普查局的數據，這種增長一直在持續發生），這種情況將變得更加明顯。
零售業的人工智慧–總結
在許多以零售為重點的 AI 供應商公司的訪談中，我們被告知「大型零售商」（百思買、Target、沃爾瑪等）採用尖端技術的步伐非常慢。由於大多數大型公司都擁有充分利用，當今許多最佳人工智慧技術所需的預算和數據量，因此我們完全可以斷定零售領域的「人工智慧革命」是不可能的。大多數大型零售商在製造，供應鏈物流或客戶服務中，擁有大量對業務非常重要的 AI 應用，可能還需要三到五年的時間。
具有直接，嚴格的投資回報率的應用，最有可能被更廣泛的零售採用。與「將包裹損失減少 6％ 至 10％」相比，「甚至透過案例研究和案例」，「提高客戶參與度」的收益要小得多。我們使用 AI 的零售業高管嘉賓，希望這些大型公司中相對呆板的委員會可能非常關鍵，安全且專注於底線（有關機器學習行業高管的更多見解，請訪問我們的 AI 播客訪談頻道）。
與更大的行業參與者領導的許多 AI 創新領域一樣，未來可能將由領先的行業參與者證明有效的零售 AI 用例來決定。可以肯定地說，世界上每一個大型零售商都在向亞馬遜尋求「下一步」的提示，我們可以預期，相對較小的零售商將在廣泛地關注亞馬遜、沃爾瑪、百思買等。他們對策略的想法。
我們建議對零售 AI 應用感興趣的商人在未來 18 個月內密切關注來自亞馬遜和其他大型參與者的 AI 案例（即真正為公司帶來利潤的應用，而不是繁華的研發項目）的成功牽引力。
沒有留言:
張貼留言