(资料图)

机器学习在零售业中的10个关键应用

近年来，在封锁、宵禁、供应链中断和能源紧缩之间，零售商一定感觉很恐慌。但，幸运的是，零售业可以依靠全方位的技术创新来更好地应对这些困难时期的挑战。

这些技术中最有影响力的工具之一肯定是人工智能，包括其强大的子集——机器学习(ML)。下面，让我们简要介绍一下这项技术的本质，并探讨机器学习在零售业中的关键用例。

机器学习在零售业中的作用

零售中的机器学习依赖于自我改进的计算机算法，这些算法被创建来处理数据、发现变量之间的重复模式和异常，并自主学习这些关系如何影响或决定行业的趋势、现象和业务场景。机器学习系统的自我学习和情境理解潜力可以在零售业中用于：

识别推动零售业的潜在动力。例如，基于机器学习的数据分析系统被广泛应用于营销领域，通过推荐引擎和基于客户数据的定向广告来个性化购物体验，还可以预测产品需求或其他市场趋势，从而优化库存管理、物流和定价策略。推动与人工智能相关的认知技术，如计算机视觉和自然语言处理(NLP)，它们分别从视觉和语言模式中识别和学习，以模仿人类视觉和交流。零售商通常使用这些工具从文本和视觉来源收集数据，支持聊天机器人和上下文购物等交互式解决方案，或用于视频监控。

10个重新定义零售业的机器学习用例

零售商如何从上述机器学习算法的能力中受益?以下是典型零售场景中一些最相关的机器学习用例。1、定向广告虽然主要用于电子商务，但有针对性的营销代表了一种强大的工具，可以将潜在客户引导至在线平台和传统商店。这涉及根据一系列行为、心理、人口统计和地理参数（如购买和浏览历史、年龄、性别、兴趣、地区等）对用户进行细分，并针对性投放完全个性化的广告和促销活动。2、情境购物一种不同的、更具交互性的解决方案可以吸引用户的注意力，并将其引导到自己的电子商务平台，这是上下文购物。这种营销工具利用机器学习和计算机视觉来识别和指出社交媒体上视频和图片中显示的商品，同时提供“快捷方式”以访问在线商店中的相关产品页面。3、推荐引擎一旦用户登陆在线平台，可能会在海量商品中迷失方向。推荐引擎是强大的工具，旨在将客户导向其可能真正需要的产品。为了提供量身定制的建议，这些系统可以采用基于内容的过滤方法，即推荐与过去购买的商品具有相似特征的商品，或者选择协同过滤，这意味着建议其他客户订购的具有相似购买模式、个人特征的商品,和兴趣。4、动态定价由于机器学习，产品推荐和广告并不是唯一动态变化的东西。如今，大多数在线商店和电子商务平台会根据产品供求波动、竞争对手的促销和定价策略、更广泛的销售趋势等因素，不断调整价格。5、聊天机器人聊天机器人和虚拟助手是高度交互的工具，由机器学习和NLP提供支持，能够为客户提供全天候的用户支持（包括有关可用产品和运输选项的信息），同时发送提醒、优惠券和个性化建议以提升销售水平。6、供应链管理产品补货和其他库存管理操作绝不应听之任之。为了更好地匹配产品供需，优化仓库空间利用率，避免食物变质，值得依赖机器学习算法的分析和预测能力。这意味着要考虑多个变量，例如价格波动或基于季节性的购买模式，预测未来的销售趋势，并因此计划适当的补货计划。7、交付优化物流的另一个可以通过机器学习增强的方面是产品交付。由机器学习驱动的系统，在通过物联网传感器和摄像头网络收集的交通和天气数据的推动下，可以轻松计算出最快的送货路线。相反，通过处理用户数据，可能会推荐合适的交付方式，以更好地满足客户的需求。8、自动驾驶汽车这种用于产品交付的机器学习和计算机视觉的体现还远未得到完善和大规模实施。然而，像Amazon和Kroger这样的企业正在投资这项技术，相信很快可以依靠自动驾驶汽车来加快产品分销。9、视频监控机器学习驱动的计算机视觉系统可以驾驶车辆，还可以发现小偷。这些工具与传统视频监控解决方案之间的主要区别在于，后者基于一种相当不准确的基于规则的方法来识别入侵者，该方法存在大量误报。另一方面，机器学习系统可以识别更微妙的行为模式，并在发生可疑情况时向管理层发出警报。10、欺诈检测对于在线零售商和电子商务平台，小偷更可能从信用卡中盗窃，而不是从货架上偷。由于机器学习算法旨在识别重复出现的模式，因此其还可以查明任何偏离常态的事件，包括异常交易频率或账户数据不一致，并将其标记为可疑，以便进一步检查。

通过机器学习克服现代挑战

人工智能、机器学习和认知技术已被证明在增加利润和优化成本、个性化客户体验、提高物流和库存管理方面的运营效率，以及确保安全的零售环境方面具有无可估量的价值。事实上，《财富》商业洞察力的2020年报告强调，到2028年，全球零售业人工智能市场预计将达到311.8亿美元，其中机器学习是其核心部分。从零售的角度来看，这将使机器学习成为灯塔，在经历了两年多的风暴之后，可以找到正确的航线并停靠在安全的港口。