ZDNet至顶网软件频道消息: JDA软件公司产品营销总监戴夫.布鲁诺近日在《Real Results》杂志上发表文章,就当今零售环境下,零售门店的角色转变一题,分享了自己的观点。
戴夫.布鲁诺已经拥有25年零售技术领域经验,以下是其此篇文章的关键内容摘要:
消费者在改变:
1、移动设备、社交网络、电子商务等数字技术的快速发展,彻底改变了消费者的购物方式。
2、消费者在零售门店浏览商品的同时,往往在线上对比商品价格,查看购买评价,或者在微博、微信朋友圈征取好友建议等。
3、在实体店内进行此类线上操作的消费者多是80/90后的新一代消费者。他们熟谙当今热门的移动应用,并热衷于网上社交互动。据估计,中国约有4亿这样的消费者,到 2030 年他们的年消费额将达百万亿元。
零售商在改变:
1、74% 的零售商赞同:未来五年中,消费者在门店的互动体验将对其业务起到关键作用。
2、他们希望将门店改造成更具有社交和娱乐功能的场所,增强门店体验。
3、零售商也在店内设立了电子导购终端设备,消费者可以方便查询商品的摆放位置和库存情况,如果店内缺货,则提供相应可用库存门店,或直接下单并申请相应调货。
4、零售商还将门店用作网上订单的配送中心。消费者在网上购物时,可以选择到门店自提。
5、有些零售商还直接从门店直接配送网上订单,而不是配送中心。约有三分之一的零售商将门店作为全渠道订单的配送中心,预计到2015这一趋势将扩大到四分之三的零售商。
新兴门店对员工技能提出了更高要求:
1、由于商品的销售并不一定在门店开始或结束,因此需要努力提升门店员工的服务技能,更好地协助消费者进行购物。有 61% 的零售经理认为消费者比店员更懂得利用网络了解商品信息。
2、为此,零售门店经理和员工需要能够管理整个购物过程,并与顾客进行充分互动,最终促成订单。
3、对于某些零售领域,这还意味着要授予经理和员工更多权限,允许他们提供折扣,给予免费送货服务,提供不同的配送方式,或有权作出其它提升顾客忠诚度的决定。
新的工具:
上述情形也需要在店员配备了合适的工具之后才能实现。
1、能够了解商品特性,对比价格,查看库存位置,浏览顾客反馈意见以及促销活动等;
2、配备议价工具;
3、能够访问顾客数据,例如历史购物记录、品牌偏好、配送方式选择等,建立高品质的购物体验;
4、具有顾客联络的工具。进行售后跟踪,评估顾客满意度,进行相关商品、服务的促销,或邀请重要顾客参加特别活动。
其他注意事项:
1、零售商通常还需要店员处理一些非销售任务,例如商品展示、网上订单发货或是其它门店的“留住订单”。这些工作并不直接算作他们的业绩,因此,零售商需要制定专门的激励和薪酬机制来提高店员在这方面的工作积极性。
2、门店经理还需要能够预测商品和服务需求(包含劳动力需求),并按门店或门店群进行分解。这就需要更加先进的预测能力,能够基于客流和任务对门店人员进行计划和排班。
戴夫.布鲁诺认为实体门店的未来走势目前尚不明朗,但毫无疑问的是,如果恰当利用,实体门店将能为零售商带来独特的机会,影响消费者的购物决策。通过提升门店环境,向门店员工适当放权并配备适当设备,为顾客提供更满意的购物体验,零售商也能在更大程度上提高顾客购买率和顾客忠诚度。当然,这一切也需要零售商采取新的方法进行招聘、培训和管理,并建立有效的薪酬和激励机制。这的确听上去并非易事。但是,凭借正确的信息系统和合作伙伴的丰富经验,零售商便能够赢得更多消费者的青睐,获得更大市场份额。
好文章,需要你的鼓励
Meta宣布为Facebook Dating推出AI聊天机器人助手,帮助用户找到更匹配的对象。该AI可根据用户需求推荐特定类型的匹配者,并协助优化个人资料。同时推出Meet Cute功能,每周提供算法选择的"惊喜匹配"。尽管18-29岁用户匹配数同比增长10%,但相比Tinder的5000万日活用户仍有差距。AI功能已成为约会应用标配,Match Group等竞争对手也在大力投资AI技术。
中科院深圳先进技术研究院联合中科院大学提出PACS框架,通过将强化学习问题转换为监督学习任务,让大语言模型学会自我监督和评价。该方法在数学推理任务上显著超越现有方法,在AIME 2025测试中成功率达59.78%,比传统方法提升13-14个百分点,为AI推理能力提升开辟了新路径。
Neo4j认为已找到让生成式AI访问图数据库记录的方法。图数据库专注于数据点之间的关系建模和查询,在欺诈检测、推荐引擎等场景中表现出色。2024年4月,ISO批准了图查询语言GQL标准,Neo4j的Cypher查询语言完全符合该标准。现代工具提供拖拽式工作流程,GenAI可作为自然语言接口,将用户请求转换为Cypher查询。
Orange Research团队开发的DivMerge技术实现了AI模型合并的重大突破,通过基于信息论的Jensen-Shannon散度优化,能够将多个专门模型智能组合成保持各自专长的"超级模型"。该技术在双任务合并中达到99.18%性能保持率,显著优于传统88.48%的水平,且在多任务场景下展现更好扩展性,仅需25个样本即可有效工作,为AI应用降本增效提供了新路径。