消費(fèi)者品牌和零售商通常很難充分理解不斷變化的客戶需求。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(fèi)數(shù)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(guó)，時(shí)尚零售商的庫(kù)存滯銷(xiāo)成本估計(jì)就高達(dá)500億美元。這就是美國(guó)2014年產(chǎn)生1600萬(wàn)噸紡織廢料的部分原因。

這并不是因?yàn)樾袠I(yè)中沒(méi)有任何意圖或努力;相反，很難大規(guī)模地了解消費(fèi)者。鑒于消費(fèi)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(fèi)者是無(wú)效的，并且零售商現(xiàn)在需要關(guān)注更精細(xì)的細(xì)分市場(chǎng)，甚至包括單個(gè)人群。越來(lái)越多的消費(fèi)者在驅(qū)動(dòng)趨勢(shì)，而不是由商家來(lái)定義趨勢(shì)，這與市場(chǎng)上更多的試驗(yàn)和破壞并駕齊驅(qū)。

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(shè)計(jì)師，購(gòu)買(mǎi)者和銷(xiāo)售商必須運(yùn)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(fèi)者的喜好如何變化以及不同的設(shè)計(jì)，銷(xiāo)售和營(yíng)銷(xiāo)選擇將如何執(zhí)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(fù)責(zé)在任何給定季節(jié)選擇商品的財(cái)務(wù)成功，但是她無(wú)法預(yù)測(cè)目標(biāo)季節(jié)之前12個(gè)月的任何設(shè)計(jì)效果，也無(wú)法確定在季節(jié)內(nèi)應(yīng)用的最佳促銷(xiāo)措施。這是因?yàn)樗龓缀蹩床坏诫S著時(shí)間的推移，整個(gè)商店的消費(fèi)者喜好如何變化以及競(jìng)爭(zhēng)產(chǎn)品在市場(chǎng)上的表現(xiàn)如何。

想象一下一個(gè)由AI驅(qū)動(dòng)的系統(tǒng)，該系統(tǒng)可以分析數(shù)百萬(wàn)在線客戶評(píng)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(jié)特定位置的客戶情緒與產(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對(duì)色塊套頭衫的反應(yīng)如何，以及哪些屬性是她的色塊套頭衫與競(jìng)爭(zhēng)色塊套頭衫相比客戶情緒低落的可能原因。有關(guān)她的有價(jià)商品和新計(jì)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(jì)劃。

計(jì)算了三個(gè)不同品牌在外觀上相似的花卉上衣的市場(chǎng)情緒。儀表板顯示了該國(guó)不同地區(qū)的消費(fèi)者對(duì)此類(lèi)產(chǎn)品的偏愛(ài)，并在不同的商店推薦了庫(kù)存干預(yù)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(guó)各地跨品牌食品銷(xiāo)售以對(duì)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(yù)測(cè)的系統(tǒng)，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(shù)此類(lèi)談判都失敗了。

實(shí)際上，IBM最近對(duì)1900多個(gè)零售和消費(fèi)產(chǎn)品領(lǐng)導(dǎo)者的研究表明，智能自動(dòng)化在零售和消費(fèi)產(chǎn)品行業(yè)的采用預(yù)計(jì)將在3年內(nèi)從如今的40%激增至80%以上。

我們位于印度的IBM Research團(tuán)隊(duì)與IBM MetroPulse團(tuán)隊(duì)合作，將這種先進(jìn)的，由AI驅(qū)動(dòng)的功能帶入MetroPulse，MetroPulse是一個(gè)行業(yè)平臺(tái)，將大量的市場(chǎng)，外部和客戶數(shù)據(jù)集整合在一起。新功能使用AI和自動(dòng)化功能，將這些結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)集圍繞語(yǔ)義，視覺(jué)和位置上下文進(jìn)行融合，并發(fā)現(xiàn)有關(guān)隱藏在此融合數(shù)據(jù)中的客戶偏好的細(xì)粒度見(jiàn)解。這些見(jiàn)解將幫助消費(fèi)者品牌和零售商在產(chǎn)品設(shè)計(jì)，庫(kù)存計(jì)劃，需求預(yù)測(cè)和產(chǎn)品分類(lèi)方面做出更明智的選擇，以適應(yīng)動(dòng)態(tài)的消費(fèi)者偏好。

該平臺(tái)分為三層，每一層都具有深厚的行業(yè)內(nèi)容：

數(shù)據(jù)層，包括

市場(chǎng)數(shù)據(jù)包含最新信息，特定位置的消費(fèi)者偏好信號(hào)，產(chǎn)品格局和品牌/零售商行為。我們策劃的一些數(shù)據(jù)集示例包括在線客戶評(píng)論和評(píng)論，銷(xiāo)售點(diǎn)數(shù)據(jù)和產(chǎn)品圖片。對(duì)這些大數(shù)據(jù)集的分析可以為公司提供有關(guān)城市或社區(qū)級(jí)別的消費(fèi)者喜好在品牌，零售商，文化和地區(qū)之間如何變化的線索。

超本地第三方數(shù)據(jù)不斷更新，外部因素會(huì)影響鄰域級(jí)別的信號(hào)，這些因素會(huì)影響消費(fèi)者的行為，例如人口統(tǒng)計(jì)，天氣預(yù)報(bào)和歷史記錄，本地事件和訪客。

私有企業(yè)數(shù)據(jù)，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(shù)據(jù)經(jīng)過(guò)高度安全性和隱私保證。

整合多個(gè)數(shù)據(jù)集對(duì)于正確地實(shí)現(xiàn)需求感知和預(yù)測(cè)至關(guān)重要，正如《2018年供應(yīng)鏈管理：在客戶服務(wù)中》，零售系統(tǒng)研究，2018年12月所述，其中60%至70%的受訪者認(rèn)為“很多價(jià)值”從考慮情緒，貿(mào)易區(qū)域數(shù)據(jù)和過(guò)去促銷(xiāo)等新數(shù)據(jù)到需求預(yù)測(cè)。

知識(shí)層，包括

零售行業(yè)特定的數(shù)字詞匯表–知識(shí)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(tǒng)以標(biāo)準(zhǔn)且有意義的方式解釋和分析數(shù)據(jù)層中的數(shù)據(jù)，最終為最終用戶生成見(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(bào)層，包括

各種AI算法和模型可以識(shí)別和理解隱藏在數(shù)據(jù)中的信號(hào)，并通過(guò)儀表板和API以有意義和標(biāo)準(zhǔn)化的方式將其轉(zhuǎn)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(dǎo)者，產(chǎn)品設(shè)計(jì)師，銷(xiāo)售商和其他企業(yè)用戶了解和優(yōu)化其目標(biāo)消費(fèi)者群的行為和偏好。面向購(gòu)物者的個(gè)性化和認(rèn)知幫助解決方案也可以使用這些API，以增強(qiáng)銷(xiāo)售點(diǎn)上的消費(fèi)者參與度。這些算法利用多模式AI，可解釋的AI和預(yù)測(cè)中的最新AI技術(shù)，并對(duì)其進(jìn)行調(diào)整以了解特定于行業(yè)的知識(shí)和概念。

多模式AI將視覺(jué)感知和自然語(yǔ)言處理結(jié)合在一起，以從多種數(shù)據(jù)模式中提取見(jiàn)解。例如，它可以識(shí)別圖像中的時(shí)尚對(duì)象，并將它們與隨附評(píng)論中的客戶意見(jiàn)表達(dá)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(duì)消費(fèi)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AI模型變得越來(lái)越復(fù)雜，非數(shù)據(jù)科學(xué)家?guī)缀鯚o(wú)法理解他們的行為，這使他們難以依賴(lài)模型的預(yù)測(cè)。導(dǎo)覽技術(shù)帶來(lái)了可解釋性，并幫助最終用戶理解“為什么”。例如，了解市場(chǎng)上夏季裝扮不同設(shè)計(jì)方面的情緒，并解釋當(dāng)?shù)匾蛩兀ㄈ丝诮y(tǒng)計(jì)學(xué)，天氣）和銷(xiāo)售因素（價(jià)格，庫(kù)存，促銷(xiāo)）對(duì)美國(guó)各州情緒變化的貢獻(xiàn)。