人工智能有望帮助零售商实现个性化购物、简化客户服务,并将消费者想要的东西交付到他们手中。凯捷集团全球零售主管Lindsey Mazza最近表示,“只要把握住消费者的购买动机,零售商就能发挥最大业务潜力。”
这种需求,也开始推动人工智能在日杂百货行业的快速普及。就在最近于拉斯维加斯召开的Groceryshop大会上,AI技术就如同已经在领域内存在几十年了那样,几乎出现在每一场演讲、每一段讨论当中。
在最近出版的《电力与预测》(Power and Prediction)一书中,作者表示爱迪生于1879年点亮第一只电灯泡,但之后美国家庭和企业又花了四十多年才真正步入电气化。
人们需要时间来理解电气化带来的次生影响,而这些次生影响(比如说大规模生产)最终将改变地球上每一个人的生活方式。
当初智能手机的雏形Palm Pilot推出时,没人能想到用户可以靠它把自己的汽车叫到面前。
跟当初的电力和智能手机一样,我们尚处于AI实际应用的起点。随着时间推移,AI背后隐藏的变革力量也将愈发明显。
日杂行业的竞争向来极为激烈,而且大多发生在实体店之内。其规模巨大,却利润率微薄,业内大佬沃尔玛、亚马逊和Kroger等厂商的资产总值甚至超过不少国家政府。
在这个行业中,一点微小的改进就可能决定胜败、生死。而在零售商们看来,AI的颠覆性作用已经不容忽视。
现在我们已经看到,管理者做出的几乎一切决策都能获得AI技术的协助。更令人兴奋的是,AI甚至能够帮助人们做出前所未见的判断。
美国最大的葡萄酒电商零售企业Total Wine公司首席数字官Christina Callas表示,在日用百货这类电商业务中,搜索“在过去20年间一直是决定销售额的关键”。但是,葡萄酒购买流程“相当复杂、令人望而生畏”,导致线上销售变得特别困难。Total Wine正使用Bloomreach构建在线搜索,其使用体验基本类似于直接同店员对话,这也是之前的线上零售所无法实现的。只有AI技术,才能成就这一切。
Veeve公司创始人兼CEO Shariq Siddiqui也在Groceryshop大会的采访中指出,以往当有多位消费者反复就同一个问题询问员工时,“零售商根本无法捕捉到这种微事件,但现在我们已经能做到了。”AI会观察这些交互,发现其中的模式并据此解决以前人们感知不到的问题。
Veeve的主业是开发一种放置在购物车上的装置,当消费者在超市里转悠时随时展示优惠信息。它还能用摄像头检测丢失或放错位置的货品,确保员工能够随时前往处理。
参加本次大会的以色列厂商ShopperAI,就在利用超市零食通道处拍下的视频训练其AI模型。他们发现很多消费者会停下来拿起合装包类产品,查看之后再放回去。根据这一情况,方案建议重新布置货架,将所有品牌的合装包都摆放在统一位置。这样不仅能增加合装包的销量,也让袋装零售的整体收入增长了18%。
而根据洗发水货架的观察,研究发现消费者中只有30%是女性。为了吸引更多女性客户的参与,其建议将女性卫生用品摆放在洗发水旁边。调整之后,女性购物者纷纷来到此处,顺利将洗发水销量拉升达25%。
下一步是对购物流程做个性化改造。Digital Wave Technology公司CEO Lori Schafer表示,“生成式AI让这种个性化改造成为可能。”现在,他们可以对每周食谱和预装购物篮做个性化设计,也能引导消费者在店内寻找符合需求的产品。
一家名为Birdzi的公司已经开始推进个性化日杂营销。该公司CEO兼联合创始人Shekar Raman指出,“如果消费者们买下一玉米、冰淇淋和羽衣甘蓝,但没有购买纸制品等其他产品,我们就会提供优惠、引导他们在相应的货架上继续加购。”这些营销举措效果显著,宣传邮件的开启率达到营销邮件平均水平的10倍。今年Birdzi已经发出了3亿封推销邮件,预计这个数字明年有望增长至10亿封。
这一切也都响应了凯捷公司Mazza所关注的核心议题:了解消费者需求。如同电气化、智能手机和其他各类创新一样,我们很难在技术起步之时预见到它将走向何方。
AI将在日杂百货领域蓬勃发展,面对激烈竞争,哪怕是最小的优势也足以产生决定性影响,而这又会反过来推动AI技术的发展。随着时间推移,相信我们的生活也将逐渐因此改变。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。