至顶网软件频道消息: 连锁门店是当下非常常见的一种零售业态,通过连锁和规模化经营来提供收益以应对电商冲击不是为一种有效办法。不过,店大了经营管理也就更为复杂,连锁门店的补货就是其中的难点之一。众所周知,门店经营的好坏,货品是否适销对路非常关键。在传统的门店管理中,进哪些货、进多少货品很大程度上依靠店长的个人经验,卖得好的少进了;卖得不好进多了,这种事是在很多门店司空见惯。
尽管每个连锁门店的管理者都希望找到一个经验丰富的店长来管理,但过于依赖店长的个人能力肯定是不是管理者所希望的,鉴于此,人们开始探索通过技术手段来帮助解决这一问题,包括BI、大数据以及最新热门技术的人工智能都在探索之列。所幸的是,多年来的技术研究取得进展,得益于各种技术的应用,连锁门店的补货正在逐渐变得可控、透明,个人经验占比不断下降。
成立于2015年的超盟数据就是一直致力于解决连锁门店补货难题的公司之一。超盟数据集合了大数据和零售领域的专家,致力于利用企业ERP系统等自有数据和第三方数据,通过大数据和人工智能等技术为连锁零售企业提供经营管理、品类管理、门店智能等人工智能解决方案。超盟数据利用最新的人工智能技术、无服务计算技术同时结合自己积累的零售行业经验大幅,来提高连锁门店补货的效率和科学性,提升货品的周转率和门店利润率,从而为连锁门店迈向智慧门店打下了很好的基础。
据超盟数据CTO李健豪介绍,应用BI、大数据和人工智能进行进货、补货预测并不新鲜。实际上,今天在几乎所有大型零售企业都或多或少地在利用这些技术来帮助进货和补货,很多企业还做到了相当程度地自动化。不过,这些应用都普遍集中在总店、集中在大型仓储中心,而很少应用到连锁门店级别。这背后的重要原因之一在于,连锁门店的补货时间窗口短,而且每天都要做,同时货品数量(SKU)并不少。另外,一个连锁门店很可能有数百甚至上千家门店,每天一次做出补货的决策,每次决策可能涉及TB乃至PB级的数据量,而且要在指定的时间段完成,庞大的计算量对后台IT系统构成很大的压力。
“补货预测是一种短时爆发性的业务需求,需要很高计算力。如果是企业自建,在计算完成后,很可能机器闲置,会造成必要要的浪费。” 李健豪介绍。
自然地,云服务成为首选方案。但是,如果按照传统的云服务计费模式(企业级业务通常都按包月计费),这个计算成本依然是连锁门店很难承受的,而超盟数据很巧妙的解决了这个问题。
引入AWS Lambda是超盟数据的技术手段之一。Lambda 是AWS推出的一项计算服务,也称为无服务器计算(Serverless),基于Lambda用户无需预配置或管理服务器即可运行代码。同时,Lambda 只在需要时执行代码并自动缩放,也只需按消耗的计算时间付费,而代码未运行时不产生费用,这可以有效节约成本。超盟的门店自动补货解决方案就选择了AWS Lambda,并利用Lambda成功地搭建了一个承载数据采集、清洗、分析和数据展现的核心业务系统。由于利用Lambda的按计算时间付费的这一特性,成本得到有效控制。
超盟数据另一个核心能力是对行业的了解,正是因为长期一直扎根于零售行业,积累下丰富的零售货品信息,还建立了大量的销售预测模型,从而能更好地利用人工智能、大数据技术来解决实际问题。
据悉,超盟数据的连锁门店自动补货系统可以实现智能预测。它能根据全网销售记录,结合当前门店消费者行为分析,推荐新品、汰换旧品。比如,它能结合地理位置对线下门店销售的影响,包括分布在一栋建筑物两侧的便利店可能拥有不同消费习惯的顾客,考虑到全国不同地域的消费者,来帮助店长进行决策,进而帮助连锁企业实现“千店千面”的经营,避免传统的一刀切模式,优化单店效率。
目前,超盟数据已经服务于超过1万家门店,为这些门店的经营管理提供帮助,助力它们从传统零售向新零售转型升级、迈向智慧门店。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。