消費者品牌和零售商通常很難充分理解不斷變化的客戶(hù)需求。這就是為什么您通常在自己喜歡的時(shí)裝商店中找到XL尺寸而沒(méi)有M尺寸的原因。這就是為什么您必須花費數小時(shí)尋找在Instagram上看到的樣式卻仍然找不到的原因。這就是為什么僅在美國，時(shí)尚零售商的庫存滯銷(xiāo)成本估計就高達500億美元。這就是美國2014年產(chǎn)生1600萬(wàn)噸紡織廢料的部分原因。
這并不是因為行業(yè)中沒(méi)有任何意圖或努力;相反，很難大規模地了解消費者。鑒于消費者的喜好多樣且不斷變化，使用年齡，性別和收入的廣泛定義來(lái)表征消費者是無(wú)效的，并且零售商現在需要關(guān)注更精細的細分市場(chǎng)，甚至包括單個(gè)人群。越來(lái)越多的消費者在驅動(dòng)趨勢，而不是由商家來(lái)定義趨勢，這與市場(chǎng)上更多的試驗和破壞并駕齊驅。
為了在這樣一個(gè)動(dòng)態(tài)的環(huán)境中創(chuàng )建和銷(xiāo)售“下一件大事”，設計師，購買(mǎi)者和銷(xiāo)售商必須運用自己的創(chuàng )造力，而且還必須以前所未有的粒度考慮消費者的喜好如何變化以及不同的設計，銷(xiāo)售和營(yíng)銷(xiāo)選擇將如何執行。這就是AI和自動(dòng)化進(jìn)來(lái)的地方。
例如，考慮一個(gè)時(shí)裝零售買(mǎi)家。她負責在任何給定季節選擇商品的財務(wù)成功，但是她無(wú)法預測目標季節之前12個(gè)月的任何設計效果，也無(wú)法確定在季節內應用的最佳促銷(xiāo)措施。這是因為她幾乎看不到隨著(zhù)時(shí)間的推移，整個(gè)商店的消費者喜好如何變化以及競爭產(chǎn)品在市場(chǎng)上的表現如何。
想象一下一個(gè)由AI驅動(dòng)的系統，該系統可以分析數百萬(wàn)在線(xiàn)客戶(hù)評論的自然語(yǔ)言文字以及市場(chǎng)上所有產(chǎn)品的圖像，以總結特定位置的客戶(hù)情緒與產(chǎn)品功能之間的關(guān)鍵關(guān)系。例如，堪薩斯城和布法羅的客戶(hù)對色塊套頭衫的反應如何，以及哪些屬性是她的色塊套頭衫與競爭色塊套頭衫相比客戶(hù)情緒低落的可能原因。有關(guān)她的有價(jià)商品和新計劃產(chǎn)品的此類(lèi)信息將幫助她極大地改善其分類(lèi)，定價(jià)和減價(jià)以及營(yíng)銷(xiāo)計劃。
計算了三個(gè)不同品牌在外觀(guān)上相似的花卉上衣的市場(chǎng)情緒。儀表板顯示了該國不同地區的消費者對此類(lèi)產(chǎn)品的偏愛(ài)，并在不同的商店推薦了庫存干預措施。
同樣，考慮酸奶品牌的銷(xiāo)售經(jīng)理。借助可以分析全國各地跨品牌食品銷(xiāo)售以對公司生產(chǎn)的菠菜朝鮮薊味酸奶的需求進(jìn)行高質(zhì)量預測的系統，銷(xiāo)售經(jīng)理可以與零售商協(xié)商產(chǎn)品介紹和貨架圖。由于缺乏這種能力，今天大多數此類(lèi)談判都失敗了。
實(shí)際上，IBM最近對1900多個(gè)零售和消費產(chǎn)品領(lǐng)導者的研究表明，智能自動(dòng)化在零售和消費產(chǎn)品行業(yè)的采用預計將在3年內從如今的40%激增至80%以上。
我們位于印度的IBM Research團隊與IBM MetroPulse團隊合作，將這種先進(jìn)的，由AI驅動(dòng)的功能帶入MetroPulse，MetroPulse是一個(gè)行業(yè)平臺，將大量的市場(chǎng)，外部和客戶(hù)數據集整合在一起。新功能使用AI和自動(dòng)化功能，將這些結構化和非結構化數據集圍繞語(yǔ)義，視覺(jué)和位置上下文進(jìn)行融合，并發(fā)現有關(guān)隱藏在此融合數據中的客戶(hù)偏好的細粒度見(jiàn)解。這些見(jiàn)解將幫助消費者品牌和零售商在產(chǎn)品設計，庫存計劃，需求預測和產(chǎn)品分類(lèi)方面做出更明智的選擇，以適應動(dòng)態(tài)的消費者偏好。
該平臺分為三層，每一層都具有深厚的行業(yè)內容：
數據層，包括
市場(chǎng)數據包含最新信息，特定位置的消費者偏好信號，產(chǎn)品格局和品牌/零售商行為。我們策劃的一些數據集示例包括在線(xiàn)客戶(hù)評論和評論，銷(xiāo)售點(diǎn)數據和產(chǎn)品圖片。對這些大數據集的分析可以為公司提供有關(guān)城市或社區級別的消費者喜好在品牌，零售商，文化和地區之間如何變化的線(xiàn)索。
超本地第三方數據不斷更新，外部因素會(huì )影響鄰域級別的信號，這些因素會(huì )影響消費者的行為，例如人口統計，天氣預報和歷史記錄，本地事件和訪(fǎng)客。
私有企業(yè)數據，包含有關(guān)零售商自己的商店，產(chǎn)品，商品，促銷(xiāo)和銷(xiāo)售歷史的信息。這些數據經(jīng)過(guò)高度安全性和隱私保證。
整合多個(gè)數據集對于正確地實(shí)現需??求感知和預測至關(guān)重要，正如《2018年供應鏈管理：在客戶(hù)服務(wù)中》，零售系統研究，2018年12月所述，其中60%至70%的受訪(fǎng)者認為“很多價(jià)值”從考慮情緒，貿易區域數據和過(guò)去促銷(xiāo)等新數據到需求預測。
知識層，包括
零售行業(yè)特定的數字詞匯表–知識圖，以實(shí)體，屬性和關(guān)系的形式捕獲行業(yè)信息。該層允許AI系統以標準且有意義的方式解釋和分析數據層中的數據，最終為最終用戶(hù)生成見(jiàn)解。例如，考慮捕獲各種時(shí)尚術(shù)語(yǔ)及其之間關(guān)系的時(shí)尚分類(lèi)法(例如，“ peplum”是“ top”的類(lèi)型)，或者捕獲各種食品類(lèi)型，成分，風(fēng)味和類(lèi)型層次的雜貨店本體。
行業(yè)情報層，包括
各種AI算法和模型可以識別和理解隱藏在數據中的信號，并通過(guò)儀表板和API以有意義和標準化的方式將其轉化為見(jiàn)解和建議。這些見(jiàn)解和建議可幫助業(yè)務(wù)領(lǐng)導者，產(chǎn)品設計師，銷(xiāo)售商和其他企業(yè)用戶(hù)了解和優(yōu)化其目標消費者群的行為和偏好。面向購物者的個(gè)性化和認知幫助解決方案也可以使用這些API，以增強銷(xiāo)售點(diǎn)上的消費者參與度。這些算法利用多模式AI，可解釋的AI和預測中的最新AI技術(shù)，并對其進(jìn)行調整以了解特定于行業(yè)的知識和概念。
多模式AI將視覺(jué)感知和自然語(yǔ)言處理結合在一起，以從多種數據模式中提取見(jiàn)解。例如，它可以識別圖像中的時(shí)尚對象，并將它們與隨附評論中的客戶(hù)意見(jiàn)表達聯(lián)系起來(lái);或語(yǔ)義相似性模型，該模型理解蘋(píng)果汁對消費者而言，蘋(píng)果汁與檸檬汁比與蘋(píng)果更相似，但在口味和成分方面與蘋(píng)果汁接近。
可解釋的AI解釋了為什么模型為給定的輸入生成特定的輸出。隨著(zhù)AI模型變得越來(lái)越復雜，非數據科學(xué)家幾乎無(wú)法理解他們的行為，這使他們難以依賴(lài)模型的預測。導覽技術(shù)帶來(lái)了可解釋性，并幫助最終用戶(hù)理解“為什么”。例如，了解市場(chǎng)上夏季裝扮不同設計方面的情緒，并解釋當地因素(人口統計學(xué)，天氣)和銷(xiāo)售因素(價(jià)格，庫存，促銷(xiāo))對美國各州情緒變化的貢獻。