加速零售業數據和人工智能投資回報率的見解

注冊參加加速零售數據和人工智能ROI虛擬活動的洞察。

全球大流行加速了零售業的趨勢，這是一個經常被報道的指標，電子商務取代實體渠道的速度在今年增長得更快2020年的前三個月是過去十年的最高水平．大流行迫使消費者集體比曆史上任何時候都更快、更徹底地改變了他們的購買模式。零售業已經成為一個不斷變化的領域——消費者比以往任何時候都更有控製權，更有流動性(考慮到世界動態，至少在某種程度上是數字化的流動性)，社交聯係更緊密。實體零售仍然很重要，但零售商必須學會如何適應和增強全渠道的購物者體驗。為了做到這一點，他們加快了對技術的投資，現在正在研究如何優化運營以提高盈利能力。

零售商已經轉向機器學習(ML)來應對供應鏈中的挑戰和不斷變化的客戶偏好，其影響預計將實現美元。每年為零售企業帶來90億至17億美元的價值．事實上，與所有單獨的行業領域相比，零售領域從AI和ML中受益的潛力最大。這一價值正在價值鏈的所有環節和所有點上發揮作用，這一領域先進分析的潛在優勢將重新定義我們所知道的零售業。

零售商和包裝消費品供應商正在做出數據驅動的實時決策，以應對棘手的供應鏈或與消費者不透明的關係帶來的威脅。如下圖所示，高價值用例(以邊緣數據為例的需求預測或語音到文本分析為例)需要各種數據類型(例如利用自然語言處理NLP生成的語音到文本算法的呼叫中心記錄)，從而驅動對可以實時吸收和處理增加的數量和多樣性的數據架構的需求。

無論是尋求對消費者行為的洞察，還是深入供應鏈需求預測，我們看到零售業在轉向數據驅動用例時，四個常見的頂級數據+人工智能投資優先級:

• 實時決策的需求:驅動流數據攝取，為需求預測或下一個最佳報價提供關鍵的實時決策提供動力
• 需求感知與預測:在當今動蕩的市場中，改善分析以更好地預測需求和庫存管理至關重要。
• 個性化和忠誠度:增加的數據量可以進行更深入的客戶細分和留存分析，改善個性化，提高忠誠度，增加收入
• 數據共享與協作:通過低成本、基於開源的數據共享，提高與供應商、分銷商和交付夥伴的協作和服務水平。

這四個投資優先級是通過以下用例實現的:

1. 由於更優化的供應鏈流程，實現品牌和產品的大規模增長和擴張
2. 預測性維護，以推動資本和設施成本的降低
3. 通過有效的庫存管理和良好的監控，改善供應鏈管理，從製造商到消費者的產品流動同步
4. 改善人機協作，改善員工安全條件，提高整體效率
5. 動態定價，提供改變價格的能力，利用有競爭力的定價和可預測的客戶反應模型
6. 以客戶為中心的響應式營銷，根據預測的市場需求提供快速的變化
7. 通過流分析來預防損失，識別並提醒店內員工潛在的(實時)欺詐和收縮
8. 個性化營銷通過個性化營銷優化定價和促銷

雖然這些優先事項似乎在大多數零售商中都很常見，但許多零售商仍然難以滿足這些目標的需求，並取得切實的成果。事實上幾乎30%的操作用例部署下降進入“概念驗證(POC)煉獄”，並且從未實現以下三個頂級類別創造的9- 17億美元/年價值的一部分:

1. 定價和促銷
2. 供應鏈與庫存優化
3. 客戶獲取和潛在客戶生成

為什麼?挑戰以人員、流程或技術的形式出現在組織中。零售商在數據和人工智能方麵苦苦掙紮的原因是:

傳統數據係統不支持實時零售:遺留數據係統是麵向批處理的，這意味著它們在計劃的基礎上引入數據。然後他們必須在數據可用之前做額外的處理。當幾秒鍾很重要時，數據倉庫在幾分鍾和幾小時內交付。

被迫在準確性上做出妥協的:僅僅加載數據是不夠的，企業還需要對數據采取行動。但是數據倉庫並不是為大型分析而設計的。數據需要在其他地方提取和分析，否則可以分析的內容將受到很大限製。當使用數據倉庫運行曆史需求預測時，需要限製預測的類別和深度，因為最優的粒度預測需要幾天或幾周的時間。

對不同類型數據的有限支持:數據倉庫不是為今天的數據而建的。
對市場的反應意味著利用所有類型的數據。因此，公司開始實施單獨的係統來挖掘非結構化數據。但這些都很昂貴，需要與數據倉庫集成，增加了成本和複雜性

昂貴且專有的數據共享:零售商尋求在整個價值鏈上進行合作，但目前的係統成本高昂，而且僅限於最大的參與者。曆史解決方案是與合作夥伴共享數據，每個合作夥伴需要單獨的數據倉庫許可證。許多大型零售商擁有數百甚至數千個合作夥伴，這使得這種做法不切實際。

用例實現

那麼，如果這些人工智能計劃很難取得成功，那麼看到結果和投資回報的途徑是什麼呢?為了回答這個問題，零售商麵臨著一個經典的“做還是買”決定。對於擁有大型數據工程團隊的數字成熟IT組織來說，在內部構建用例是一個可靠的選擇。在購買現成的解決方案時，內部構建可以消除“黑盒”效應。

另一種選擇是與解決方案集成商合作，根據組織的特定需求定製專門構建的解決方案。這些解決方案是為快速實現而設計的，並且缺乏許多“黑盒解決方案”所厭惡的供應商鎖定屬性。

全球解決方案集成商——埃森哲、凱捷、德勤和Tredence——在許多地區和商業組織的專業垂直實踐中擁有廣泛的行業洞察力和知識。利用這些知識，他們開發了專門構建的解決方案，無縫地工作Databricks的Lakehouse for Retail交付有短期投資回報的用例。讓我們深入研究Databricks Lakehouse零售全球解決方案集成商提供的四種專用解決方案。

AI/ML驅動的數據質量管理
零售商和消費品越來越多地轉向實時數據來提供洞察，以滿足不斷變化的客戶需求，預測需求的劇烈波動，並減少貨架上的可用性。beplay体育app下载地址轉向實時分析的挑戰在於，如果數據質量受到損害，高級分析就會失去價值。為了解決數據質量問題，Tredence已經開發了Sancus，這是一款AI/ML數據質量管理工具，通過清理、重複數據、創建黃金記錄和在交互式儀表板上顯示數據以及可配置的數據質量指標來提高數據質量。Tredence Sancus和Databricks Lakehouse for Retail共同為高價值零售用例提供實時洞察:

1. 通過第三方合作促進豐富客戶數據
2. 使用郵政目錄和第三方api啟用全局地址驗證和更正
3. 通過網頁抓取、圖像處理、非結構化數據分析、層次結構管理和數據治理來豐富產品和材料。

供應鏈優化和需求規劃-埃森哲&德勤
由於供應鏈和庫存優化的重要性，埃森哲谘詢公司已經形成了統一需求視圖這是一種開放的、玻璃盒子式的需求規劃方法。該解決方案最大限度地提高了準確性、粒度和及時性，通過單一來源的真實需求計劃，可以在各種功能之間實現更好的解釋性和一致性。它將采購、需求和利潤計劃與以下方麵聯係起來:

1. 提高預測的準確性、速度和粒度
2. 從預測辯論轉向投入一致性
3. 消費主導預測的規模模式

德勤的格子提供能力，解決零售的複雜挑戰，圍繞需求預測，補充，采購，定價和促銷服務。德勤利用其深厚的行業和客戶專業知識，在Databricks的Lakehouse for Retail基礎上，構建了一個集成的、安全的、多雲就緒的“即服務”解決方案加速器，可以根據細分市場的獨特需求快速定製和量身定製。德勤Trellis:

1. 關注零售業價值鏈的需求方和供應方發生的關鍵轉變
2. 實時評估建議、相關影響和見解
3. 在收入和利潤方麵都取得顯著的改善

收入增長管理-凱捷
通過構建更好的推薦引擎來提高客戶滿意度的重要性，凱捷是在提供收入增長管理引擎。在當今的動態環境中，知道客戶三個月前購買了什麼並不總是能告訴你他們明天會購買什麼。為了建立細粒度和準確的需求感知模式，您需要結合動態市場數據、指數和社交媒體等外部性。Capgemini的收入增長管理引擎利用Databricks Lakehouse for Retail對發票數據、外部市場數據、指數、新聞和網絡抓取數據進行快速分析，以探索模式。這將改善銷售和營銷周期的所有方麵，包括用戶獲取、轉換和留存。有了凱捷收入增長管理，你就可以做到

1. 預配置一個可視界麵和過濾器來顯示收入增長
2. 在Databricks中預填充PySpark代碼和筆記本以進行遷移
3. 利用框架進行初始產品backlog結構和模型選擇標準

Databricks Lakehouse for Retail正在解決零售公司長期以來試圖解決的挑戰，但由於技術能力的限製而苦苦掙紮。運營實時業務為用例在需求規劃、交付時間估計、個性化或消費者細分方麵提供了前所未有的可能性。原本需要幾個小時的決定，現在可以在幾秒鍾內做出，這對許多公司來說可能意味著盈利或虧損。結合這些來自全球公認的解決方案集成商的專用用例解決方案，強大的客戶成功計劃，支持底層技術的最大開源社區之一，以及幫助確定從何處以及如何開始數字化轉型之旅的價值評估計劃，Databricks準備通過數據驅動的業務幫助您成為零售業的領導者。

開始

想了解更多關於萊克豪斯零售?點擊這裏我們的解決方案頁麵，或在這裏深入的電子書．現在，零售行業再也不會是以前的樣子了。