比提升銷售量更重要!日本服飾產業藉由 AI 輔助,解決庫存問題
2021/05/16
by
陳泓儒
對零售業來說,「庫存」是一門相當不簡單的學問,透過庫存可以吸收季節性需求波動,維持生產過程平穩,然而,當商品滯銷堆在倉庫時,便會有倉儲成本,業者大多會以祭出換季大拍賣因應。
既然庫存那麼重要,適時導入 AI 協助管理便能夠更有效率。日本軟體公司「Full Kaiten」即開發出一套庫存管理軟體系統,將「減少庫存獲得最大的利潤」奉為宗旨,幫助許多企業大忙,甚至度過疫情危機。
藉由數據分析,有效減少庫存
過去零售業最怕商品不夠賣,總是先進貨再說,但若滯銷往往得不償失。日本電商集團 Felissimo 旗下子公司的代表理事葛西龍也相當有感,他說:「無止盡的進貨對企業是毫無幫助的。」該企業從 2020 年 9 月引入 Full Kaiten 的 SaaS 系統後,引入的產品數量減少,但銷售量卻比前年同期增長了 14%,營業額也增長了 3%。
Full Kaiten 的 SaaS 系統使用人工智慧(AI)分析過去的銷售數據,並預測商品的所有庫存何時售罄,以此去反推進貨量。不只如此,它還能判斷商品熱銷是因其本身受歡迎,還是純粹因為折扣,方便企業端調整自已的銷售組合。
雖然過去葛西會藉由數據分析調整企業內部策略,不過光是分析數據,就得花上 1 天的時間,現在有了 Full Kaiten 的幫忙,就能將決策時間縮短為半小時到 2 小時,並可能有驚人發現。
舉例來說,Full Kaiten 分析指出,平常客單價 5,000 日圓以下的顧客,若幫他們推出 5,000~7,000 日圓的商品組合,其實他們也會買單。知道這項消費趨勢後,企業就將銷量高的商品綑綁其他商品,銷售給適合的消費者,客人不但不會有拿到庫存貨之感,反而還會覺得「撿到寶」。
不該盲目決定特價商品
Full Kaiten 社長瀨川直寬在大學畢業時,先進入外資的新創公司擔任軟體銷售業務。2012 年,因理念不符加上妻子懷孕,瀨川決定轉換跑道,創業去賣母嬰用品,隨著業績蒸蒸日上,預付款項增多,2014 年瀨川發現自己的存摺,只剩 3 個月的營運資金,請財務檢視自家公司的營運狀況後,發現「增加庫存可以獲利」,於是他決定放手一搏。
瀨川在學生時期,就很善於使用軟體去做銷售數據分析,因此他也想將其複製進自家企業,但很快就踢到了鐵板,因為商品實在太多。最終瀨川只能盲目地選擇要打折商品並增加其庫存,雖然確實帶動了銷量,但仍舊無法解決過季、滯銷的問題。
半年後,他又再碰上一次經營危機。這次,他決定研發一款銷售模型,去觀察商品的銷售曲線,並試著在它過季前,找出能提高銷售額的販售組合或小量折扣,靠著庫存銷售分析,解決了公司第一次的經營危機。
2016 年,瀨川碰上了第二次麻煩。為了拓展新客,瀨川將自家母嬰用品的免運費用,從 8,000 日圓下修到 2,000 日圓。他原先預估:「此舉雖降低了客單價,但若增加了 40% 的新客,營收還是會增加。」想不到,新客成長不如預期,僅多了 20%,此舉不但讓公司出現虧損,也吃掉了營運資金。
硬撐了 4 個月後,瀨川還是妥協把免運門檻調回 8,000 日圓。他仔細反省了這項決策,發現客單價 8,000 日圓的客群,其實和平時只買 2,000 日圓的客群並不重疊,加上「免運」這項誘因沒有那麼大,當你調降這項服務費用時,消費者很難會多買一點,這筆減收的錢大部分不會回流到企業營收內,因此這項操作可說毫無收益。反倒若提升客單,讓鐵粉更願意購買,效益才會顯現。
歷經這次風波,讓瀨川在庫存銷售分析之餘,也開始了客單價分析。透過將客單價的價格帶圖表化,找出適合提高客單價的商品並加強銷售力道,幫助度過了這次危機。
別急著增加銷售,重點應放在增加利潤
隨著自家品牌藉由自己開發的系統,讓營運漸漸步上軌道,瀨川常被許多供應商問道「如何管理庫存?」為了讓這套系統造福更多服飾業者,加上妻子亦從旁建議:「何不乾脆專研系統賣出去?」瀨川在 2018 年 9 月將自己的嬰兒服飾產業出售,專研於 SaaS 系統。
根據日本經濟產業省的數據,日本服裝市場規模較 30 年前幾乎多了一倍,然而價格卻下降了 60% 左右,加上新冠肺炎疫情影響,整體工資減少,讓服裝支出也跟著下跌,服裝庫存問題變得愈來愈嚴重。瀨川指出,當前的銷售重點已轉為「減少銷售和增加利潤」。
因應疫情短期內看不到曙光,過度追求銷售規模反而會發生過度的價格競爭,大型企業在這個策略下便具有壓倒性的優勢,從 2020 年夏末開始,GAP、GU、UNIQLO 等公司已開始陸續降價去爭取客戶,讓中小企業易受打擊。
瀨川建議,這時候千萬不要盲目降低成本, 雖然短期售價降低會刺激銷量,但有時大訂單也會超過店家本身的銷售能力,且可能做不出與大企業的差異化。最終,毛利會因折扣銷售而減少,且極有可能還是滯銷。
瀨川也補充,即使沒有疫情,因為日本人口不斷減少,庫存太多的問題也會浮上檯面,透過使用 AI 分析,讓庫存減少且資源更有效率地運用,是 Full Kaiten 努力的方向。
附圖:Full Kaiten 的系統可透過 AI 協助企業管理庫存。
以往庫存過剩時,企業會推出特賣活動來清倉。
透過設定適合的客單價,協助企業創造最大收益。
資料來源:https://fc.bnext.com.tw/articles/view/1371?utm_source=article&utm_medium=read-around
「消費者購買決策過程舉例」的推薦目錄:
- 關於消費者購買決策過程舉例 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
- 關於消費者購買決策過程舉例 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於消費者購買決策過程舉例 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於消費者購買決策過程舉例 在 消費者行為 的評價
- 關於消費者購買決策過程舉例 在 2023 GML: Youtube行銷新策略!利用AI 助消費者決策 的評價
- 關於消費者購買決策過程舉例 在 消費者購買決策例子的問題包括PTT、Dcard、Mobile01 的評價
- 關於消費者購買決策過程舉例 在 消費者購買決策例子的問題包括PTT、Dcard、Mobile01 的評價
- 關於消費者購買決策過程舉例 在 消費者購買決策例子的問題包括PTT、Dcard、Mobile01 的評價
消費者購買決策過程舉例 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
AI加值智慧製造 鋼鐵傳產乘浪而起
芮嘉瑋/專欄 2021-01-28 02:45
2020年面對COVID-19(新冠肺炎)的襲擊,疫情籠罩之下各行各業幾乎空轉一年,投資購買設備及原料的腳步也都放緩,預期新的一年,隨著疫情穩定與經濟復甦,許多企業勢必加速添購設備和增加庫存料,鋼材需求可望隨著市場回升而轉強,且至少旺到第2季。
舉例來說,在汽車的構造上,有相當高的比例是使用鋼板,包括車門、引擎蓋、後車箱、底盤、車頂等,所以汽車業的好壞,間接影響了鋼材的需求。這2年汽車上游原材料反應了因電動車興起所展開的換車潮,從而鋼市好轉、鋼價高漲,幾乎各國都是如此。
隨著消費型態轉變,產品生命週期縮短,各行各業面臨客製化的挑戰,並在智慧工廠生產流程的訴求下,往往需要智慧機械、智慧製造設備以從事更複雜的生產工作,鋼鐵傳產業也不例外。然而,現有機器人或製造機台受限於原本功能單一又無法擴充的窘境,必須藉由人工智慧、物聯網、大數據等各種新興技術多元化功能的整合,以利製造業數位轉型升級,因應瞬息萬變的市場挑戰,凸顯「智慧製造」的概念是企業轉型升級的唯一出路。
何謂智慧製造?
經歷4次工業革命的演進,第4次工業革命被視為「工業4.0」,且因智慧製造是工業4.0的核心部件,在製造產業兩者幾乎可劃上等號,從而「工業4.0」常被稱為「智慧製造」。
在工業4.0的時代驅動下,現今製造業不斷與數種新興技術結合,從而工業4.0被定義為「製造技術中整合了網路安全(cybersecurity)、擴增實境(AR)、大數據、自主機器人(autonomous robots)、積層製造(additive manufacturing)、模擬(simulation)、系統整合(system integration)、雲端運算(cloud computing)和物聯網等技術使之具有自動化、聯網、數據交換以及智能工廠所需功能的系統平台」 。
因此,智慧製造實際上需要整合以上所述之各種關鍵領域技術的同步發展以建構出相應的產業生態體系,並在生產過程的每一個環節都能達到高度自動化、客製化與智慧化的先進製造模式,使生產環境具備自我感知、自我學習、自我決策、自我執行以及自我適應的能力,以適應快速變化的外部市場需求。
如何利用AI加持智慧製造
由於智慧製造包括連網(connection)、轉化(conversion)、虛擬(cyber)、認知(cognition)和自我配置(configure)等能力 ,其中利用機器學習、深度學習等AI技術使機器具備自我診斷並即時做出判斷的認知能力,就是AI之所以成為智慧製造核心技術之所在,它可以從大量原始數據中自動提取關鍵特徵及製造業中規律性的模式,進而學習過往曾經發生過的錯誤,以提前作預測及預警,藉此不僅可降低停機時間、提升製程效率,也可適時的根據產線作調整。
至於該如何利用AI加持智慧製造,讓我們看看國內鋼鐵龍頭中國鋼鐵股份有限公司(簡稱中鋼公司),在其智慧生產技術中導入AI實現智慧製造的專利布局,提供製造業者掌握AI加值智慧製造,讓工廠轉型升級邁向智慧工廠。
中鋼發明一種透過人工智慧演算模組在生產製程中進行估測及控制的系統(TWI704019),具體而言,係透過人工智慧演算模組所產生的估測鋼帶翹曲模型對鋼帶翹曲量進行估測,而該人工智慧演算模組係利用機器學習模組、深度學習模組或者使用一雲端伺服器模組評估該製程參數及該翹曲量。
該專利提供一種包含熱浸鍍鋅設備100、矯正機構130、感測模組150、人工智慧演算模組160以及最佳化演算模組165的熱浸鍍鋅鋼帶翹曲量估測系統。其中,該人工智慧演算模組160連接該感測模組150及該熱浸鍍鋅設備110,用以收集且評估該熱浸鍍鋅設備110中諸如產線速度、張力、鋼帶鋼種、鋼帶寬度、鋼帶厚度、鋼帶剛性等製程參數及翹曲量,進而可產生估測鋼帶翹曲模型,且該估測鋼帶翹曲模型包含一矯正干涉量,用以供矯正機構130矯正鋼帶。
經過大量數據的累積,該估測鋼帶翹曲模型還可以包含來自該最佳化演算模組165的製程參數最佳值,當類似或相同的製程參數(例如類似或相同鋼種)的鋼帶需要進行熱浸鍍鋅時,該估測鋼帶翹曲模型就會顯示諸如最佳張力、最佳產線速度、最佳矯正干涉量等製程參數最佳值,供操作者參考,從而獲得翹曲量最少且鍍鋅厚度一致的鍍鋅鋼帶。
再者,由於一般的鋼捲產品需要經過諸如煉鋼、熱軋和冷軋等許多生產階段,為了讓產品的機械性質符合預定的規範,過去往往依賴人為經驗調整生產階段的製程參數,然而,人為經驗難以即時反應生產線狀況,中鋼就此發明一種適用於一軋延系統之製程參數的調控方法(TWI708128),當執行完一部分的生產階段以後,可以即時地計算下一個生產階段的製程參數,其中之製程參數的調控方法包括根據歷史資料建立一機器學習模型,後續並將測試資料輸入至機器學習模型以預測目前產品的機械性質等步驟。
在該專利之軋延系統的運作流程示意圖中,在步驟220,可根據這些歷史資料來建立一個機器學習模型221,此機器學習模型221是要根據生產參數來預測產品諸如拉伸強度、降伏強度和伸長率等的機械性質,換言之在訓練階段中生產參數是作為機器學習模型221的輸入,機械性質則作為機器學習模型221的輸出。機器學習模型221可以是卷積神經網路、支持向量機、決策樹或任意合適的模型。
在步驟230,對目前在線上的產品執行部分的生產階段。在步驟240中,將測試資料輸入至機器學習模型221以預測目前產品的機械性質,並判斷所預測的機械性質是否符合一規範。在步驟250中,依照預設生產參數進行下一個生產階段。
如果步驟240的結果為否,則執行一搜尋演算法以取得最佳的生產參數,並據此實施下一個生產階段(步驟260)。其中,執行搜尋演算法以取得調控後參數的步驟包括:設定一利益函數;將尚未完成生產階段的可調控參數與線上資料合併後輸入至機器學習模型以取得預測機械性質,並根據利益函數計算出預測機械性質的誤差值;以及取得最小誤差值所對應的可調控參數以作為調控後參數。
此外,中鋼亦發明一種設備監診方法(I398629),係在設備故障監診分析流程的邏輯下導入類神經網路(neural network)之人工智慧,以便在決策分析時有效解決故障類型分類方面問題。
給台灣製造業的建議與展望導入AI技術、配合感測器收集各類數據以及大數據分析進行諸如產線異常診斷或品質監控,以維持機器正常運作無虞是智慧工廠有效運作的基礎。然而,智慧製造除了藉由智慧機械建構智慧生產線、透過雲端和物聯網分析資料、AI自主監測診斷調整產線產能之外,虛實整合系統(或稱網路實體系統,Cyber-physical systems)也是構成工業4.0創建智慧製造所需的功能之一,整合物理模型、感測器資料和歷史數據,在虛擬空間即時模擬呈現生產狀態,透過遠程監視或跟踪與工廠現有的資訊管理系統緊密整合,建立完整資訊生態系統才能透過AI即時彙整資訊進行決策。
未來製造業仍將是全球產業不可或缺的一環,隨著工業4.0的蓬勃發展,台灣製造業在邁向智慧製造過程中,所有智慧化的步驟都需要運用AI來執行分析、診斷、預測或決策等工作,欣見國內鋼鐵龍頭已率先落實AI加值智慧製造,然而若能整合虛擬(Cyber),強化與工業物聯網之整合,更可提升透過AI提高組織運作效率及效能的目的。
過去製造業藉由大量生產與低價競爭已非決勝關鍵,如何協助國內產業在後疫情時代轉型升級,是當前的重要議題。持續強化在地製造業與資訊業領域的技術整合優勢,透過機器學習、類神經網路或深度學習等AI技術的導入,並與使用者/消費者連結形成完整的製造服務體系,將可望從傳統製造體系中依賴人為經驗、人力需求及規格一致的常態,轉換為自動化、客製化、智慧化和靈活彈性化的智慧製造。本文以鋼鐵龍頭之典範轉移為例,以期台灣所有製造產業均應具備智慧製造的軟硬實力,才能持續在全球製造體系中發光發熱。
附圖:鋼帶翹曲量估測及控制系統結構示意圖。芮嘉瑋
台灣專利號I708128之軋延系統的運作流程示意圖。芮嘉瑋
資料來源:https://www.digitimes.com.tw/tech/dt/n/shwnws.asp?cnlid=1&cat=140&id=0000602586_r1c6gnef7wl2247ink60m
消費者購買決策過程舉例 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
為了活下去,全球最大的零售商沃爾瑪變身數據公司
文:王茜穎 / 若水 Flow AI Blog 編輯團隊
【本文重點】:
1. 今天,人工智慧不再是一種選擇,而是生存下去的基本必須品。
2. 為了預測消費趨勢、提高供應鏈和營運效率,沃爾瑪張開數據網,即時監控2000億筆的內部交易數據,200 個外部數據。
3. 從行銷、採購、品管、上架、庫存管理到配送,AI 正在改寫超市地景和運作方式。
零售業是一個國家最古老的行業。但你發現了嗎?全球最大的零售業龍頭沃爾瑪 Walmart,正在把自己變成一家數據公司。
它不得不。它最大的競爭對手,吃下線上零售市場一半江山的電商龍頭亞馬遜,不斷探索線下經營。繼實體書店、無人便利店 Amazon Go、收購全食超市(Whole Foods Market)之後,2019年再度推出 Amazon 4-star,銷售在亞馬遜網站上獲得4顆星以上評價的商品,準備對線下零售市場攻城掠地。
「今天,人工智慧不再是一種選擇,而是生存下去的基本必須品。」知名暢銷作家Bernard Marr 說。《華爾街日報》形容這是一場「不斷升級的科技地面戰」。
如何確保對的產品在對的時機,放在對的位置,做出對的定價,以方便對的人購買,是競爭白熱化的零售業的致勝關鍵。
即時監控2000億筆的內部交易數據,200個外部數據
為了抓出客戶需求、提高供應鏈和營運效率,沃爾瑪阿肯色州本頓維的總部設立了@WalmartLabs 和 Data Café(Collaborative Analytics Facilities for Enterprise,企業協作分析工具),監控過去幾週高達2000億筆的內部交易數據,以及氣象、經濟、電信、社交媒體、油價、鄰近沃爾瑪的重大事件(如:體育賽事)、美國最大評論網站Yelp、信用徵信網站Experian等200個外部數據。
沃爾瑪每週預測全美4700家店,共500億件商品需求,「我們每個週末都提出一套新的預測,」「我們有12小時完成所有的預測,約3天完成所有的訓練。」@WalmartLabs 傑出數據科學家和數據科學主任John Bowman說。
但沃爾瑪的規模實在太大了,Bowman說原有的開源軟體,「隨著我們擴大演算法規模,加入愈來愈多的數據,涵蓋愈來愈多的類別,開始遇到嚴重問題」,目前其預測模型是由內部改寫和開發的機器學習演算法組成,每項商品的預測,都建立在350個數據特徵上。
除了預測消費風向,最基本的,「用來確保門市和配送中心的庫存水位,足以滿足預測的需求。它不只幫沃爾瑪控制庫存成本,也確保架上的庫存足以應付來客或網路訂單。」前@WalmartLabs印度班加羅爾主任Nitin Sareen指出。
沃爾瑪 Walmart 同時收集所有顧客的消費紀錄、住在哪裡、並從店內的免費無線網路追蹤其產品喜好。2017年的報導指出,沃爾瑪掌握了6成美國成人,近1.45億人口的詳細資料。「我們想知道世界上所有的產品,我們想瞭解世界上每一個人,然後我們想要擁有連結兩者,促成交易的能力。」前沃爾瑪全球電子商務與科技執行長Neil Ashe曾說。
它的「社會基因體計畫」(Social Genome Project)監控社交媒體上的公開對話,參透消費者的社交DNA,藉以預測消費趨勢。沃爾瑪開發的Shopycat禮品推薦APP,「透過社會基因體計畫,分析朋友的臉書上的讚、分享、發文等動態,解除送禮壓力,提高送禮樂趣。」
當人們在線上展現我們的喜怒哀樂時,沃爾瑪就從分析臉書和推特的對話,在趨勢轉成需求前,成功預測棒棒糖蛋糕機、電動榨汁機的需求,立刻進貨、鋪貨。
數據讓沃爾瑪(Walmart)能預測未來趨勢,抓出過去錯誤
除了預測未來,即時數據和分析,讓沃爾瑪從異常銷售數字中,立即抓出定價失誤,或發覺特定門市根本未將商品上架的問題。機器學習把解決問題的時間從2~3週,大幅縮短為20分鐘。「若你得花上一週或一個月分析你的銷售數字,才能獲得洞見,你那段時間的營收已經蒙受損失。」沃爾瑪資深統計分析師Naveen Peddamail說。
為了收集消費者資訊,沃爾瑪甚至在2012年推出了自己的搜尋引擎Polaris。今年2月,沃爾瑪再度收購以色列科技新創Aspectiva,利用其自然語言處理功能 (Natural Language Processing),讓電腦擁有理解人類語言的能力,分析客戶的產品評論等用戶生成內容,並結合其瀏覽行為,以提供個人化的產品推薦。
沃爾瑪每小時產生約美國國會圖書館館藏167倍的數據,這些通通餵給雲端。沃爾瑪和微軟聯手建立全球最大的私人雲,每小時從百萬名消費者身上收集2.5 petabytes非結構化的數據,做出行銷、採購、鋪貨、庫存管理等各種決策。有一說,此舉是要和亞馬遜的Amazon Web Services (AWS)一別高下。
衝刺電子商務戰場,營造個人化體驗、用AI 工智慧鞏固生鮮市場
電子商務上,沃爾瑪仍看不到 Amazon 亞馬遜的車尾燈。
為此,沃爾瑪接連併購 Jet.com、Bonobos、中國電商 JD.com、及砸160億美元買有「印度亞馬遜」之稱的 Flipkart,去年沃爾瑪亦翻新官網,挾其龐大的數據能力,用消費者的所在地、瀏覽和購買歷史,加強區域與個人的個人化體驗。
例如,顯示當地熱門商品、通常一起合購商品、「我的門市」生鮮配送服務;提供「輕鬆續訂」功能,類似亞馬遜網站上的快速按鈕(Dash button)。去年第四季,沃爾瑪的電子商務營收成長43%,eMarketer並預測今年底沃爾瑪將分食4.6%的市場,較去年成長4%,居全美電商第三名。
沃爾瑪抓緊數據,苦苦追趕,有其苦衷。根據Accenture 2016年的調查,58%的消費者傾向在有個人化推薦的網站購物,一旦沒有,最快60秒就會失去興趣;SmarterHQ的報告則指出,在這樣的情況下,47%的消費者會直接轉往亞馬遜,便宜了沃爾瑪的頭號競爭對手。
為了拉抬線上銷售,沃爾瑪祭出廉價生鮮優勢。去年底全美有1600家門市提供生鮮配送,3100家門市設提貨中心。亞馬遜迅速回防,今年4月,旗下的全食超市推出第三波降價,以及2小時生鮮配送,1小時店內提貨,要挖沃爾瑪牆角。
這是一塊沃爾瑪輸不起的戰場。不同於亞馬遜,生鮮佔沃爾瑪全美近6成營收。金雞母保衛戰,沃爾瑪用AI和相機打造「新鮮度演算法」,名之「伊甸園」(Eden),用AI檢查蔬果缺陷和新鮮度,預測腐壞日期,確保蔬果從農場到貨架全程新鮮,終結食物(成本)浪費。在全美43個配送中心試用6個月,已替沃爾瑪省下8600萬美元,預計5年內將省20億美元。
在此之前,沃爾瑪必須派員在配送中心先目視檢查送進來的生鮮,接著再手動檢查是否符合美國農業部和沃爾瑪內部的食品標準。
「伊甸園源自我們生鮮營銷團隊工程師間的一場駭客松。」沃爾瑪部落格說。在6個月內,他們量化了美國農業部和沃爾瑪內部的食品標準,並發給稽查員一支iPhone,用Eden的APP記錄各種蔬果在不同生命週期時的樣貌,是否符合各項食品標準。這百萬張照片的資料庫,成了人工神經網絡進行深度學習最佳教材。
當稽查員在現場拍下照片時,機器將比對資料庫中的圖像,經過一層層,千百萬個神經元的數值運算後,評估蔬果新鮮度,預測保存期限,最後決定接受或退貨。沃爾瑪還把iPhone送到農夫手上,讓他們在農產品運送前先拍照,通過伊甸園把關再上路,從頭減少因品質而被退貨所衍生的成本。
「這代表(我們)能更有效率地催熟香蕉,當番茄還長在藤上時,就預測出它的保存期限,或依此調整蔬果上架的優先順序。」沃爾瑪供應鏈技術副總工程師Parvez Musani分析。販賣生鮮是一場和時間賽跑的賭局。時間,就是金錢。
除了產地和配送中心的品管,他們發現運輸過程中的溫度,也會影響蔬果新鮮度。為此,伊甸園即時監控蔬果在貨車裡的溫度,若發現溫度飆升導致蔬果「短命」2天,則立刻重新安排貨車路線,送到較近的配送中心,減少損失。
Musani舉例,沃爾瑪的明星商品香蕉,來自7個拉丁美洲國家,鋪貨到全美4千多家門市。不久的未來,在跨洲、跨國、跨州的長途運送過程中,伊甸園會重新估算「新鮮度」,決定香蕉運到哪裡。「最後香蕉會運到較近的門市,確保最新鮮,消費者樂於買一串美味香蕉,人人皆大歡喜。」
跟 Amazon 亞馬遜搶食 AI 語音購物市場
眼紅於亞馬遜語音助理Alexa登堂入室,開口即可在亞馬遜下單,沃爾瑪也想搶食語音購物市場。
近來的專利申請,透露沃爾瑪打算在產品中內建物聯網電子標籤,以監控家用品的使用情況,例如追蹤保存期限,或你提起洗潔精的次數,藉此推測何時需要補充,自動加入你的購物清單,並為沃爾瑪提供顧客行為的龐大數據,包括產品使用的時間和頻率。
今年4月起,直接呼喚Google Assistant也能在沃爾瑪下單,可在全美超過2100家門市提現貨,800家門市領取網購商品。由於語音下單容易指示不清(例如:買2罐洗衣精),為求準確,沃爾瑪顧客的消費記錄將和Google Assistant帳號綁定,以判斷脈絡。
儘管目前語音購物對營收的貢獻很小,分析師紛紛預測這是未來趨勢。為了「不落人後」,沃爾瑪甚至投資一家針對上流社會的個人購物服務新創Jetblack,會員可用簡訊「遠端遙控」購物員幫他們購物,年費要價600美元。
簡訊的文字,是絕佳的機器訓練素材。「沃爾瑪正在利用Jetblack的大批人力來訓練其AI,盼其有朝一日能提供自動化的個人購物服務,為搜尋欄消失,聲控購物成為主流的那一天,提早做好準備,」Jetblack執行長Jenny Fleiss告訴《華爾街日報》。該報分析,沃爾瑪將該投資視為AI和語音購物的研究中心,打算用它來打造和亞馬遜Alexa抗衡的秘密武器。
而JetBlack正是從沃爾瑪位於矽谷的科技孵蛋器Store No.8孵出來的新創公司。為了尋找下一代的零售科技,沃爾瑪透過Store No.8來孵化、投資新創,與創投和學術界合作,開發機器人、虛擬實境、機器學習和AI技術。
AmazonGo會是沃爾瑪的未來嗎?
自去年10月底,沃爾瑪旗下的倉儲式商店Sam’s Club宣布將在德州開第一家無結帳員的超市後,大家都在揣測沃爾瑪超市何時會跟上AmazonGo的無人店。
4月底,沃爾瑪公布了它的「未來超市」。它改造了紐約州Levittown的門市,化身「零售智能實驗室」(Intelligent Retail Lab),在真實運作的超市裡,裝滿感應器、攝影機、並建有龐大的數據中心。「這些硬體佈線之長足以爬聖母峰5次,處理能力之強大每秒能下載3年份的音樂(27000小時)。」沃爾瑪的部落格寫著。
5萬平方呎,3萬件商品,超過百名員工,可以確定的是,沃爾瑪的未來藍圖,不是AmazonGo。
具有人工智慧的攝影機,並非用來分辨消費者拿了什麼,好自動結帳,而是用來監控貨架上的存貨。機器「看見」架上商品,準確辨識品項和數量,並對照預測銷售需求的量,即時通知員工哪些商品空了,立刻補貨,或哪些放太久,立即下架。如此一來,確保架上永遠有貨,而且絕對新鮮。
這不是沃爾瑪第一次用AI來即時盤點庫存。
走進今天的沃爾瑪,你可能會碰到Auto-S貨架掃描機器人,穿梭在繁忙的貨架間。
自駕車的感應器和人工智慧,讓它能即時辨識路徑中的障礙物,優遊於樑柱、顧客、店員之間,避免碰撞。身高2英尺(約60公分),機器手臂最高可達8英尺高,裝有高解析度相機可快速掃描架上存貨、標價標籤和商品位置,而且免傳雲端,運用卡尼基美隆大學研發的Hawxeye人工智慧,機器人可現場用機器學習進行圖像辨識,加快分析速度,減少無用數據。
不到1小時,機器人就掃完數十個貨架,找出缺貨、庫存過低、沒有標籤、標價錯誤和錯置的商品,通知店員處理。在過去,這得花上一群人數天時間才能完成。
目前全美有50家沃爾瑪使用Auto-S貨架掃描機盤點架上商品。目前總里程650英里(近1千公里),尚未發生任何事故。來源:KPIX CBS SF Bay Area / 沃爾瑪
這提升了顧客的便利性,確保他們總能在對的貨架上找到想買的東西。對沃爾瑪而言,這能降低人事成本,減少貨架空間的浪費,但它還有更重大的意義:「驅動這類新科技的動力,是走向全通路零售的必要性。為了提供當天、低價或最後一哩運送,你必須以這些門市做為配送中心。但要實現這個目標,他們真的需要即時掌握架上有什麼,」Auto-S的製造商Bossa Nova執行長Bruce McWilliams接受Venturebeat採訪時說。
入口處的自助提貨塔就是明證,只要掃描你的網路訂單條碼,45秒內你的貨就會出現在輸送帶上,取貨變得跟「高科技自動投幣機」一樣方便。自駕車配送也進入測試階段。
去年11月,沃爾瑪宣布與福特合作,用自駕車宅配;7月,和Waymo(Alphabet旗下子公司,專門研發自駕車)聯手,在亞利桑那州小規模試點,「http://xn--walmart-6p3l44vn4ljhs1l8c981cucbz07isk0a.com/grocery下單,選擇到店取貨,我們的個人購物助理便會依據取貨時間,細心準備訂單上的商品。剩下的就交給Waymo。Waymo會接送顧客往返門市取貨,你可以利用這段時間完簡訊、小睡、工作,隨心所欲。」沃爾瑪部落格如此描述。
這一切聽起來,像是科幻小說?
沃爾瑪可不這麼認為,「今天,變化的速度很快。10年前,多數客戶還在讀第一代iPhone的消息,懷疑是否實用。現在,他們用手機上買東西,就期望宅配到府或店裡取貨 – 而且通常是當天,幾小時內,甚至幾分鐘內,」沃爾瑪執行長董明倫(Doug McMillon)說,「零售商得適應這些變化 – 在某些領域甚至引領潮流 – 不然就會落後並消失。」
附圖:圖說:去年改版後的沃爾瑪網站,新功能包括當地熱門商品、快速追蹤訂單、快速續訂、我的當地門市服務等,強化區域及個人化體驗。來源:沃爾瑪
圖說:伊甸園的APP介面,機器藉由照片的圖像辨識和比對,預估蔬果新鮮度。來源:沃爾瑪
圖說:只要45秒,16英尺高的自助提貨塔,就會準備好你訂的商品。來源:沃爾瑪
資料來源:https://ai-blog.flow.tw/walmart-ai-data-retail
消費者購買決策過程舉例 在 2023 GML: Youtube行銷新策略!利用AI 助消費者決策 的推薦與評價
只要在YouTube 行銷策略中善用Google AI 技術,就能影響消費者的決策過程,在各種裝置上透過不同的影片格式,幫助消費者做出有把握的購買決定。 歡迎參加Google Marketing ... ... <看更多>
消費者購買決策過程舉例 在 消費者購買決策例子的問題包括PTT、Dcard、Mobile01 的推薦與評價
最後網站消費者之決策種類與過程則補充:有關的例子有:每週一次的購買食品、買報紙、理髮。 零售管理概論ch3 零售業消費者. 3-33. 二、消費者之決策過程. 零售管理概論ch3 ... ... <看更多>
消費者購買決策過程舉例 在 消費者行為 的推薦與評價
認為消費者購買決策過程的各階段及購買行為的形. 成與特性,受下列因素影響:. 影響 ... 舉例. 內在. 刺激. 發自個人內在. 的基本需求。 口渴、飢餓、感. 覺冷熱、情緒緊. 張 ... ... <看更多>