編譯|高盛人工智慧行業報告（六）

行業應用：零售

預計2025年，將減少540億美元成本，並增加410億美元額外收益

消費者的線下轉線上已經給傳統零售行業提出了很大的挑戰，電子商務出現的同時，也為零售商提供了大量的消費者數據。但是，零售公司應該如何利用手中積累的數據來為消費者提供更好的服務，獲取更多利潤，這個最重要的問題依然沒有得到解決。早期，成功嘗試利用這些數據的企業，是通過線上廣告技術來更加有效地定位網路上的客戶。現在，零售商能夠利用不相關的數據集，不僅僅能夠優化廣告，更能做到優化庫存管理、需求預測、客戶管理和趨勢預測。我們發現AI/ML可以推動這方面的進步，通過需求預測，可以推動每年價值540億美元的勞動效率提升。預計2025年之前，通過優化定價將在全球範圍內實現任意品類，比如服裝和鞋類等，超過410億美元的年度銷售額提升。

機遇是什麼？

進入千禧年之後，零售行業親歷了重大變革，隨著消費能力的提升，消費者的購買習慣也開始逐漸向線上化進行轉變。儘管零售商為了應對這些變革已經做出了一些成功的改變，但是AI/ML可以給全渠道零售商和單一業務的零售商提供從大量消費和產品數據，使其能夠從中洞察商機。用戶消費所產生的數據也逐漸轉到線上，支持不斷積累和技術進步。在我們的研究中，也發現了一些可以利用AI/ML來拓展零售價值鏈的關鍵領域。

雖然推薦引擎在電子商務領域中不是一個新鮮事物，但傳統技術面臨著一些限制，我們認為AI/ML流程可以超越傳統技術，從銷售和內容數據中提取更深入、更準確的見解。與此同時，自然語言處理（NLP）AI系統可以實現更直觀且相關性更強的搜索能力，以及對話式商務能力。此外，將AI/ML整合到批發和零售採購的早期和後期階段，可以通過更精確的需求預測提高勞動力和庫存效率，並通過優化定價改善銷售。

痛點是什麼？

預測需求，趨勢。零售面臨的最大挑戰之一是如何恰當的引導趨勢以及衡量需求。特別是在服飾方面，設計師和買家通常會在物品到達貨架前兩年做出關於什麼是時尚和需求的決定。目前的預測模型在自動化、解釋需求驅動以及歷史數據的限制等方面展現出不足。

庫存管理。由於價值鏈各部分之間的系統複雜程度和協調水平往往是不同的，庫存管理仍然是一個難題。庫存過剩和缺貨都可能對零售商的銷售產生重大影響，因此庫存管理在整條價值鏈中顯得至關重要。IHL的一項研究顯示，截至2015年第一季度，超過630億美元的銷售損失是由缺貨造成的，超過470億美元是由庫存過剩造成的。

商店的數量和規模。商店的遍布（footprints），不管是從總面積還是人均使用面積來看，一直都是零售商的痛點。2015年，美國的零售店的總面積為76億平方英尺，人均使用面積23.5平方英尺。而2005年分別為67億平方英尺和22.8平方米。隨著電子商務不斷滲透到如電子和服裝這些傳統類別，新的類別如快速消費品（CPG）將為電子商務提供新的增長點。

目前的業務如何開展？

目前業務的開展方式可以歸納為由生產、倉儲、分銷和零售這4個步驟組成的一條價值鏈。雖然這四個步驟展現了業務的一般開展方式，但是在每一個步驟中，通常都可以找到附加步驟，合作夥伴或中間人。如果將製造到銷售的過程進行合併，可能導致庫存過剩、缺貨，以及資源的低效分配——特別是在旺季。由於更多的新技術和新系統已經被應用，比如：準時製造（just-in-timemanufacturing），物流和庫存管理在近幾十年來有了顯著改善。像UPS這樣的第三方物流供應商，也採用了高級演算法來優化路線和包裹管理——這是我們看到未來AI能夠發揮潛力的另一個領域。然而，目前的業務開展方式仍然存在一些挑戰，特別是在諸如：時尚、服裝和鞋等品類中，預測消費者想要什麼，想要多少，願意出多少錢尤為困難。

AI/ML能幫助做什麼？

推薦引擎。AI/ML能夠通過利用銷售、消費者和內容組成的超大的數據集來提升推薦引擎的功能。早期的電子商務的一大機遇就是推薦引擎，當時主要是基於商品屬性，而對用戶喜好知之甚少。像協同過濾這樣的技術，則可以充分利用已知客戶喜好的相似性來為未知的偏好提供建議。

隨著用戶的快速增長和對計算資源的瘋狂消耗，數據稀缺、用戶/商品「冷啟動」以及系統的擴展性成為亟待解決的問題。不過由於數據稀缺、用戶/商品「冷啟動」、用戶快速增加而導致的擴展性問題，對消費水平計算所需的資源開始變得不切實際。像Zalando和StitchFix這樣的公司已經致力於將銷售數據、商品屬性與客戶的偏好通過機器學習結合起來，Zalando認為這種定製化的商品所帶來的親和力終將推動銷售率的上漲。

客戶支持。自然語言處理（NLP）和圖像識別在零售業的客戶支持方面和強化傳統搜索參數方面也有各自的使用場景。就像最近收購了BlackbirdTechnologies的Etsy公司，利用了智能圖像識別和自然語言處理技術提供了更加強大的搜索功能。這顯示出電子商務公司正在尋求方法來提高搜索結果的相關性來為他們的平台提供更大的優勢。

自然語言處理為各公司提供了一個機會，使其能發展自己的用戶會話體驗和商務。最近收購API.ai的Alphabet和Angel.ai這樣的公司正在創建一個以自然語言處理為支撐的人工智慧系統，從而在信息和語音上對商務和客戶提供支持。簡而言之，像自然語言處理和圖像識別等技術正在模擬人類的對產品屬性的理解（如：視覺），而這是歷史上從未出現過的。

需求預測與價格優化。AI/ML技術能夠通過客戶所接觸的數據和內容屬性去預測用戶對新商品新風格的需求。對諸如服裝這種流行趨勢來也快去也快的行業，預測消費者的需求對零售商來說是一個長期挑戰。通過利用AI/ML，零售商可以進行模式識別，更好的理解促銷和價格彈性的本地影響，並將其納入到營銷和生產過程中。

像亞馬遜這樣的公司也正在朝這個方向前進，並在2013年末獲得了一個叫做「預期包裝運輸」的專利。雖然在原始專利申請文中沒有提到機器學習，但是這種類型的系統很明顯的最終會通過深度學習進行協調。因為其不僅需要考慮季節性需求，還需要考慮天氣、人口統計和獨特的用戶購物模式所帶來的影響。

量化機會

降低成本提高需求預測。目前根據美國勞動局統計美國的企業在勞動成本上每年花費近60億美元用於「分析過去的購買趨勢、銷售記錄,商品的品質以及價格，以此來確定價值和收益。商品選擇、順序以及商品的支付授權」。換句話說，批發和零售買家的任務是利用歷史數據，專業經驗，專業知識，來確定在未來兩年內什麼是購物者有興趣購買。雖然電子商務的持續滲透增加了此任務的可用數據量,但是挑戰仍然存在，將這些數據轉化為理解的數據,不僅提高目標的定位，同時也向更有挑戰性的運動趨勢預測傾斜。我們相信這種類型的預測非常適合與AL/ML的分析能力相結合，不僅可以實現定量分析，也可以實現可視化的數據預測以及優化購買決策。我們估計全球AL/ML實踐的整合，直到2025年在零售業方面每年大約可以節約540億美元人工成本。

優化定價。為優化每日定價，HBS和RueLaLa聯合進行的一項研究顯示，機器學習過程的整合帶來的平均收入增長約9.7％（相關的90％信任區間為[2.3％，17.8％]）。鑒於了閃購模式和銷售量的一些細微差別，我們將潛在改進從平均值提高200bps到7.7％，並通過結合AI/ML來考慮基於預測需求優化定價的多變問題，可以實現2.3％-7.7％的改進。零售業，特別是服裝和鞋類中的動態定價的一個挑戰是缺乏新時尚風格，顏色搭配等等的用於預測需求的歷史數據。應用機學習能夠同時分析數百個產品和屬性，將最終實現從更廣泛的數據集比傳統預測更好地評估和優先化洞察。因此我們看到使用AI/ML所帶來的定價優化將會使2025年全球服裝和鞋類電子商務的年銷售額平均增長410億美元。

誰可能被擾亂？

隨著AI/ML在零售價值鏈中各種流程的整合，證明其在庫存管理、生產和定位方面的高效對一些公司和員工都具有破壞性。我們認為，過度構建的大型零售商可能受到更多影響，因為以AI/ML驅動的高效價值鏈可以幫助小零售商趕在更大競爭對手之前進一步完善他們的需求預測和庫存管理。同時，對於更加嚴格的庫存管理方式，那些之前從大型零售商和品牌商過度購買和/或過剩生產，並從中獲益的折扣零售商，也受到了嚴重的衝擊。隨著更加準確的生產和需求預測，折扣零售商從生產超支、訂單取消和預測錯誤判斷中，獲益的機會也大大減少。回顧，截至2015年春的零售年度（IHL），因庫存過剩導致銷售額損失超過470億美元。

）