3月12日,SAP举办了“疫时危与机,应对有方略” SAP 零售行业线上研讨会,零售行业专家、企业共同探讨了疫情大考下中国零售业的影响和新机遇,企业如何迅速在突变情况下,满足消费者需求,进行行业革新。
中国现代零售业过去的几十年发展,一直不断演化和变革,消费需求、政府政策和科技发展等因素是零售行业发展的固有驱动力。新冠疫情对泛零售行业而言是一场大考,将对整个零售行业未来几十年的发展产生深远的影响。据悉,零售商家纷纷受到巨大的影响,百货行业营收与同期相比下降80-90%,全国已有600个购物中心减免了商户租金。
经过疫情考验的企业将呈现出巨大的发展空间,毕马威企业咨询(中国)有限公司数字化和客户业务合伙人毛健在会议上表示:“疫情催生了零售行业变革的三个新驱动力。首先,疫情带来的差异化打击加速了零售行业竞争格局分化,将凸显“赢家通吃”和“局部打穿”的马太效应,各个细分类目行业结构将被重构,行业加速洗牌。同时,消费将出现显著的“多快好省”和“极致体验”的消费需求分裂。消费者对产品质量、安全性、履约时间和性价比要求加剧,对线上和全渠道、社区/近生活圈的偏好加强。其次,数字化转型的战略问题将成为常态问题,在流量红利消失时,企业需要思考如何通过数字化营销、对接O2O到家服务、产品快速迭代等创新业务模式获取经营和品牌红利。“
SAP中国大消费品行业资深零售专家顾问丁彦文和SAP零售行业专家吴占东分享,近期数据显示超市销售额增长了600%,京东到家、淘鲜达、多点都出现了400%以下的增长。虽然零售行业遭到重创,但以生活用品和生鲜品类为主的超市和连锁店有了巨幅增长。“宅经济”促使了尽快构建到家业务的能力。这也是零售企业最快的自救方式,把线下流量转移到线上。
SAP专家认为,疫情下零售本质没有变:依然是把最好的商品,以最低的成本最快的速度交付到消费者手中,并提供最好的服务。涨价原因有两种:一是系统错误,对于“异常管理”透明度和实时性不够,二是加盟店涨价,对加盟店的管理粒度不够,只做到了财务管理,没有进行业务管理。此外,供应链建设所带来的的渠道成本降低才是零售企业的核心竞争力。疫情也促使了尽快构建 “从供应链到定价”构筑全流程能力,尤其是控价能力。
突发事件是检验企业的免疫力,迫使企业重新思考定位,优化内部管理,加速布局全渠道。作为SAP客户嘉宾,利群商业集团总裁徐瑞泽表示疫情期间,利群集团多个业务包括奥莱,购物中心,百货商场在内的日常经营受到了很大影响,在失去了春节传统销售旺季的同时,百货及外租区商铺部分已基本停业。
在数字化零售平台方面,利群2016年就推出了O2O业务,并在17年推出了基于线上的B2B业务。利群做过很多次订单爆量的预演,但在出现疫情后,线下流量大幅转到线上,平台购物需求压力加大,订单量超过了以往测试的10倍甚至20倍以上。
为了保障供应,利群积极调动全体员工,并且最大化利用数字化技术,很好地应对了极大的物流挑战。其数字化技术主要运用在线上和库存管理上,线上商城,数据分析,保证无接触式配送能实施和商品货源的充足,通过数据分析来指导线上线下经营。快速的响应使利群线上O2O和B2B业务得到巨大的锻炼和提升,较好地实现了平抑市场物价,稳定民生物资供应。
毛键表示,在危机中能跑通的商业逻辑才是真正优秀的商业逻辑,在危机中被验证的数字技术才是真正有效的数字技术。零售行业数字化转型正在步入深水区,疫情完成了零售企业数字化转型的教育过程。未来,企业将会把数字化转型作为战略性命题进行体系化思考和加速执行。
零售商承担着国家“保供应、保品质、保价格”的战略重任,而只有全链路的信息流、物流、资金流全流程透明和可追溯才能保证商品的供应、品质和价格。零售行业一直追求从工厂到消费者的高效供应链路,尤其是应急情况下的供给能力。大平台将更加注重供应链整合及物流效率的提升能力,并且强化精准服务,前后端实现专业分工的生态协同,提升服务效率和体验,降低边际成本。
社区商业将加速爆发,在交通枢纽和生活社区将出现高速发展的社区商业,围绕在线社群,聚合社区生鲜零售、日杂、轻餐饮、社区服务等各类商品、服务,缩短消费和商品之间的距离,实现精准触达和服务。第二,“危机见转机”,短期内的区域隔离,将加速催生社区生鲜企业的到家服务,前置仓和拼团,社区商业爆发,直播带货。
疫情过后,产业生态也会更具黏性发展:任何一家企业不可能单独应对疫情灾难,长期存在的零供博弈关系期望得到缓解,疫情将倒逼品牌零售商、购物中心和商场、供应商的命运共同体的形成。供应链能力强,管控优秀,勇于创新、具有组织自驱力的零售企业将从危机中脱颖而出。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。