零售业中的惊涛骇浪——人工智能、机器学习和大数据

热门下载（点击标题即可阅读）

☞【下载】2015中国数据分析师行业峰会精彩PPT下载（共计21个文件）

转自：数据派ID：datapi

作者：Prannoiy Chandran

翻译：李润嘉

校对：丁楠雅

本文教你如何利用人工智能和机器学习来提高零售业的效率和顾客参与度。

时尚是一门富有魅力的生意。同时也越来越具有争议。

在焚烧销毁了2800万英镑的超额库存（据年报所列）后，英国时尚公司Burberry最近引起了大量抗议，但其仍在继续与Louis Vuitton和 Chanel等时尚品牌联合推动的“品牌保护”行为。

抛开品牌保护的话题，这个抵制活动爆发的时间点对Burberry来说简直是糟得不能再糟。因为多年的不道德行为，这个行业已经处于严格的审查之中。此外，时尚公司必须应对不断变化的品味和购物习惯。尤其是千禧一代越来越喜欢在线上而不是在时髦的商店里购物，他们希望有更快的配送和更高的折扣。随着可持续时装和复古服饰的日益普及，以及在电子商务领域声名鹊起的街头品牌的兴起，他们对时尚的态度也在发生重塑。甚至投资者也对Burberry的年报感到愤怒，他们起初质疑为什么要制作那么多卖不出去的商品，后来是指责为什么不尝试售出滞销的商品。

总的来说，时尚品牌所面临的问题也是零售业的结症，他们不得不应对顾客选择和购买消费品及服务的思维方式的迁移。零售商如今被迫转移到线上，努力以长远的眼光来考虑如何利用自己的实体店铺。

看到正在关店的大型零售商（比如Sears和Payless）的数量，即可有一个表面的印象——零售业正在走向衰败。但事实远非如此。在数字领域，零售业正在蓬勃发展。由亚马逊和eBay等公司开启的改革对传统零售商业模式带来了巨大挑战，同时也给零售商和消费者带来了巨大的潜力。

这也意味着行业越来越转向优化和效率，同时也在避免过剩和浪费。零售业正处于独特的机遇之中，可以从人工智能、机器学习和大数据的交汇中获益。在这个行业中，需要管理和追踪各种类别的大量商品、追踪消费者的购物习惯，最重要的是，运营一个不断吸引回头客的品牌。现在的消费者想要紧跟最新潮流，同时也渴求便利；这就引发了订阅盒(subscription boxes)和线上购物的兴起。最近对全球零售商的调查表明成本节约、增强决策制定和过程自动化成为人工智能最有可能产生积极影响的主要方面。

人工智能对零售业的积极影响（调查）。Statista(2018)

当然，需要使用能够处理和学习大型数据集并做出可行预测和建议的算法和模型，才能从多渠道采集来的数据中得出靠谱的结果。使用类似判别分析、k近邻算法、深度学习和支持向量机等数据科学技术，同时利用计算机视觉和自然语言处理等人工智能技术，可有效改进零售和CPG中的分类、优化和预测问题。以下是机器学习和人工智能在零售业中的5个应用，以及一些已经从中获益的零售商的例子。

CalculAI已经为数字零售商（尤其是有实体店铺的）确定了一系列关键算法，以有效地使用人工智能和机器学习。这张图列出了其中的一部分

1. 个性化推荐商品

推荐引擎并不只是将消费者的注意力集中到他们自己无法发现的商品上。如果推荐引擎做得好，它们会使消费者回购更多商品，并帮助零售商预测需求，提前做好供应决策。

亚马逊有当今市场上最好的推荐引擎之一，其55%的销售额都来自于它的推荐引擎。它的推荐算法不仅考虑到你自身的行为（点击商品记录、下单频率、搜索内容），还考虑到与你类似的消费者的购买行为。比如，当你在搜索母亲节礼物时，亚马逊的推荐算法不仅会考虑你自己的消费行为，还会考虑其他也在搜索类似礼物的人的行为。这一切都是通过物到物逐项协同过滤（item-to-item collaborative filtering）实现的，这套算法由亚马逊自己研发，用来解决现有算法无法扩展到其平台处理的大量数据的问题。这个方法聚焦于每件商品的评级分布（与每个用户相对）。这使得评级分布，即扩展到大数据集的能力更加稳定。

亚马逊网络服务如今提供基于亚马逊自用方法的商品推荐引擎

在这些算法中，卖家引诱消费者购买更加昂贵或者额外的商品，来确保交易更有利可图，从而保证了销量的显著提升。他们还把售货员的猜测排除在外，只考虑那些非常可能吸引到消费者的高度定制推荐。这也使得零售商能够预测消费者的未来购买内容，再次避免依靠猜测来维持充足库存。

2. 供应链规划

长久以来，因为有太多内在不确定因素的存在，存货规划需要进行大量试错。下个月会有多少人来购物？是否会出现意外情况使人们的购物习惯发生改变？某个畅销商品会不会突然失宠，反之亦然。但是通过机器学习可以研究出一些参数，以在强大的数据分析支持下做出明智的决定。

根本原因分析，有助于识别现有系统中的故障原因，是可以实现自动化的主要领域之一。机器学习算法可以更准确地描述出错的原因，识别出缺失数据或者通信失误等异常，找出每个错误在供应链中的精确位置。在确定根本原因时，消除了人为偏见和猜测，并且这适用于各个阶段，无论是仓库处理还是供应商管理。

自动化根本原因分析过程可以快速识别痛点，并实现及时有效的行动

类似的算法通过识别出跨越多个渠道推动最多销售的表现最佳的商品，来帮助进行需求规划，从而可以快速识别和扩展最佳实践行为。通过使用SKU，零售商可以获得大量数据。最关键的是可以有效处理和分析这些数据。机器学习提供的复杂性允许更多分段，从而可以获得更加详细和更多描述性的见解。单个商品的表现可以在多类别中追踪，在分析中也可以包含多个变量。判别分析也可以合并到解决该领域的机器学习中，以实现和改进分段和分类问题。

旧预测范式将每个SKU和交易视作一个孤立的事件，并且依赖于历史数据和手动决策（比如，两件商品有多相似）。这往往忽略了促销节奏、互相争夺市场和季节变化等因素，这对传统预测工具集来说都过于复杂。

利用机器学习，零售商可以将历史数据和实时数据相结合，并识别出人类和传统预测工具可能会遗漏的模式。此外，人工智能可以使用自然语言处理和计算机视觉来学习产品描述和图像，从而自动填满数据库，尤其是固定数据字段。

计算机视觉可以帮助快速处理关于库存的可视信息，并将有关属性和数量的相关数据输出到数据库以供进一步分析

然后，可以使用深度学习为每件商品提供更加细致的见解。通过这种方式，算法可以接管将商品互相比较并追踪它们在不同环境下的表现的过程，甚至可以提出支撑关键商业决策的意见。通过减少库存管理中的错误和避免过多或过少库存的情况可以有效降低成本。由此带来的效率提升同时伴随着毛利率的提高和头条新闻的增加。

“人工智能能够在促销、分类和供应链等领域消除人工行为的多个标准。人工智能使得零售商通过创造个性化和便利的购物体验来提高顾客的数量和他们的平均消费额。” ——麦肯锡全球研究院（2017）

3. 优化路线规划

位置智能正在重塑零售商规划配送路线的方式。因为必须要收集实时数据，并根据当前条件进行调整和决策，路线规划是能从数据分析中受益的另一关键领域。优化配送路线需要根据交通、天气情况和每位顾客的位置等变量来为每次转弯和停靠做出适当决策。关联物流即为前进的方向，它利用物联网收集足够多的数据，以供机器学习算法使用。追踪器和传感器可以收集天气、温度以及其他相关因素的信息，完整描述当前配送环境。机器学习模型可以处理这些数据，并获得比人类和当前导航软件在成本和时间上更为优化的路线，这标志着蓬勃发展的车联网的下一步前进方向。

Anheuser-Busch即为将机器学习元素引入路程优化，并几乎立即看到了生产力和效率提升的公司的例子。这家酿造业巨头在使用机器学习平台进行一日路线规划方面，在两个城市展开了试点。一个月之后，他们审查了驾驶员满意度和工作时间等指标，决定将这个平台推广到全美国和部分加拿大地区的批发商。他们使用的这个平台还考虑到了经验丰富的驾驶员的集体经验（关于停车和为特定顾客配送的最佳时间等），并将这些变量综合考虑，对每位顾客的最佳配送时间提出建议。这种将动态路径规划和持续性能优化结合的方式对于寻求优化效率和顾客服务的零售商来说是个好兆头。

机器学习驱动的平台，例如Anheuser-Busch使用的平台，跟踪指标从而使得零售商和算法可以不断地从以前的数据中学习并提高性能

在路线规划中使用机器学习，还可以解决零售业中的最后一公里问题，它与电子商务的发展息息相关。当快递从中心仓库运输到顾客的家里时，交付过程的最后一段通常充满了问题和沟通失误。正如阿里巴巴和亚马逊利用无人机所完成的，位置智能可以使路线规划和配送过程自动化，提高了可靠度和效率。除此之外，每个配送过程中所使用的优化路径都会保存为机器学习算法可以从中学习的历史数据。企业软件供应商已经意识到了支持位置智能和路线规划的工具的需求，比如微软，专门为希望改变配送规划的CPG公司研发了企业机器学习工具。通过机器学习提供的更深入的分析和改进的集成，零售商已经在研究如何扩展当天的配送。

4. 购物助理

我们已经习惯于向售货员寻求帮助，但是他们自己通常也不确定某件特定的商品在哪里，或者还有多少库存。机器学习可以将商品的所有可用追踪信息集成给零售商，同时为顾客提供个性化购物体验。具有认知功能的购物助理工具需要以自然语言的形式接收输入，并以自然语言的形式输出回答、指示和说明。在这个平台，顾客可以询问具有他们自己偏好的问题，并得到自己可以轻松理解的回答。基于聊天机器人技术的现有发展，该领域的大部分研究和开发均受到以下信念的影响：当消费者在实体商店时，他们更倾向于智能手机的帮助而不是售货员。

梅西百货已经朝着这个方向迈出了一大步，他们与IBM的华生实验室合作推出了一款名为“梅西随叫随到”(Macy’s On Call)的购物助理平台。这个基于移动设备的平台由人工智能提供技术支持，使用华生实验室的自然语言分类器接口(Watson’s Natural Language Classifier API)。它甚至为讲西班牙语的顾客提供双语服务，强调了为消费者提供个性化服务的重要性。

“梅西随叫随到”(Macy’s On Call)旨在移动平台上提供无缝人机交互

为了使此类平台有力高效运行，底层机器学习算法需要使用诸如神经网络和深度学习之类的技术，有效处理商店内相关商品的数据。平台可以回答类似某件商品何时有货等问题，或者当消费者想要更多选择时，可以提供某件商品的类似款。与其他机器学习应用一样，随着越来越多的消费者的使用，数字购物助理将变得越来越智能。

购物助理只是将移动技术积极融入零售环境的更大努力的一部分。这样做需要了解顾客与零售商互动的关键接触点。虽然实体零售商十分清楚货架上的库存产品，并在收银台为顾客提供服务，但当顾客在使用其线上购买的产品时，零售商在规划和售后方面与顾客互动的能力非常有限。移动技术有望改变这种状况，并为零售商全面满足客户需求提供新的途径。

5. 价格优化和促销

价格优化中的参数众多，不仅使人头痛，而且往往现有的软件工具都束手无策。机器学习算法能够在将所有内容组合成输出复杂分析和结论的综合预测模型之前，创建出基于各子集的组合决策树。经过充分训练之后，模型可进行准确预测。这对于寻求研究促销活动潜在影响的零售商来说尤其有用。

为了全面了解某种促销方式的影响，需要考虑折扣力度、产品类型、价格弹性、来自其他零售商和促销的竞争等因素。还有一些诸如货架陈列和营销策略等难以输入到传统价格优化软件和电子制表软件的因素。使用人工智能的组合来收集相关信息并利用机器学习来处理数据，已被证明可以获得比传统方法更准确的预测。促销中绝大数的风险已消除，零售商只会实施投资回报率令人非常满意的促销活动。也没有必要去尝试有潜在风险的促销方式，因为算法已经模拟了每个促销方式的结果，并给出了最能增加销量和利润的促销方式。

使用实时数据还可以实现真正灵活的定价框架，与此同时，AI提供的自动化可确保准确无误的数据收集。动态定价是旨在处理海量数据的数字平台的前进方向。例如，Airbnb考虑具有不同权重的多个变量，向潜在房主提供建议价格。根据历史交易数据对原始算法背后的假设进行测试、建模，并与实际结果相比较。算法使用分类器技术，根据房屋的特点和实时市场数据，计算其被预订的可能性。如今，Airbnb的机器学习算法根据房屋的展示照片等因素对其进行分类，甚至可以根据周边环境的变化自行调整价格。Airbnb现在推出了一个名为Aerosolve的开源机器学习软件包，具有基于地理的功能，并强调用户之间的交互。

Airbnb的Aersolve算法使用多尺度k-d树，生成基于清单密度的邻域多边形，并给出定价建议

库存管理和需求计划 的制定也变得更加容易，因为机器学习使零售商在订购货物时能够做出更明智的决策。随着机器学习在价格优化中变得越来越普遍，下一步将是通过基于消费者的历史购物行为和各种其他因素向其提供个性化促销的方式来定制促销活动。

结论

随着机器学习和人工智能的普及，零售商可以在通过数字和移动平台与顾客积极互动的同时，提高效率和生产力。这是零售商前进的方向，与此同时，他们应牢记减少浪费和提高效率的必要性。真正需要进行自动化和更深入的数据分析的是，如何确定成本效益良好且准确的决策模式。零售商现在必须弄清楚，如何与期望直接、便利购物体验的顾客建立有意义的联系。最终，零售商需要聚焦于通过为顾客提供完整的购物体验来吸引回头客。

请点击https://www.calcul.ai/retail了解更多我们在智能过程自动化中的工作。

请通过prannoiy@calcul.ai联络我们。.

参考文献

https://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-Artificial-Intelligence-Discussion-paper.ashx

https://www.martechadvisor.com/articles/customer-experience-2/recommendation-engines-how-amazon-and-netflix-are-winning-the-personalization-battle/

https://www.shopify.com/retail/how-6-brands-are-using-machine-learning-to-grow-their-business

http://opexanalytics.com/practical-applications-machine-learning-supply-chain-planning-suggestions/

https://www.statista.com/statistics/805303/world-ai-benefits-for-retailers/

http://www.daisyintelligence.com/how-ai-optimizes-demand-forecasting-for-grocers/

http://multichannelmerchant.com/ecommerce/making-sense-of-forecasting-2-0-and-the-role-of-ai/

https://blog.mapmycustomers.me/route-optimization-map-my-customers-tutorial-ab2e05baab0

https://enterprise.microsoft.com/en-us/articles/industries/retail-and-consumer-goods/machine-learning-retail-execution-supercharged-store-visits-and-data-analysis/

https://www.variancejournal.org/articlespress/articles/Machine-Spedicato.pdf

http://www.oliverwyman.com/our-expertise/insights/2018/jan/machine-learning-for-retail-part-2.html

http://citec.ma/course/big-data-donnees-massives/

http://www.oliverwyman.com/our-expertise/insights/2017/feb/machine-learning-for-retail.html

https://spectrum.ieee.org/computing/software/the-secret-of-airbnbs-pricing-algorithm

https://airbnb.io/aerosolve/

原文标题：
Disruption in Retail ─ AI, Machine Learning & Big Data
原文链接：
https://towardsdatascience.com/disruption-in-retail-ai-machine-learning-big-data-7e9687f69b8f

译者简介

李润嘉，首都师范大学应用统计硕士在读。对数据科学和机器学习兴趣浓厚，语言学习爱好者。立志做一个有趣的人，学想学的知识，去想去的地方，敢想敢做，不枉岁月。

读BD最佳实践案例，赢DT未来！【政、工、农册免费在线试读】

18各行业，106个中国大数据应用最佳实践案例：

（1）《赢在大数据:中国大数据发展蓝皮书》；

（2）《赢在大数据:金融/电信/媒体/医疗/旅游/数据市场行业大数据应用典型案例》；

（3）《赢在大数据:营销/房地产/汽车/交通/体育/环境行业大数据应用典型案例》；

（4）《赢在大数据:政府/工业/农业/安全/教育/人才行业大数据应用典型案例》。【本册免费在线试读，PC打开连接：https://item.jd.com/12058567.html】

或点击“阅读原文”，购买“赢在大数据系列丛书”。