部落格|Appier

亞太地區零售業者如何運用人工智慧來把握未來商機?

作者:Admin | Oct 31, 2018 4:00:00 PM

過去幾年,人工智慧(AI)已從一個前景看好的熱議關鍵字,躍升成為人人趨之若鶩的主流科技,從銀行、電信、醫療保健到保險業,幾乎各類產業都已投入某種形式的人工智慧應用,零售業也不例外。

最近一項研究指出,預計於2025年,零售市場對人工智慧技術的投資總額將達到272億3860萬美元,此數值幾乎是2016年投資額的38倍(2016年為7億1260萬美元)。有鑑於消費者購物習慣的快速改變,加上零售業活絡的買氣,以及人工智慧技術翻轉產業的影響力,這樣飛躍性的成長其實不難理解。

人工智慧正衝擊著整體零售產業

零售業比金融業和保險業更早一步開始採用人工智慧技術:由Appier委託市調機構Forrester所進行的一項全新調查顯示,亞太地區(Asia Pacific)的零售業中有56%的受訪者表示早已開始採用,或正在擴展其人工智慧導入計畫。

有些企業在製造階段早期便開始採用人工智慧,知名品牌如AdidasNike運用由人工智慧和電腦視覺驅動的機器人來自動執行任務,並藉此省去雇用人力所衍生的成本。在亞馬遜的自動化倉儲中心內,員工利用具有深度感測(depth sensing)和物體辨識(object recognition)功能的機器人來分類、儲存和管理庫存,以及協助搬運沉重的包裹。

一旦產品送至超市和零售通路,零售業者及品牌也需仰賴人工智慧技術以了解產品的銷售情況,傳統方式是透過結帳時所收集的銷售資料(POS data),以及偶一為之的人力稽核程序,來進行銷售管理工作。但如今像可口可樂這樣主打快速消費品(consumer-packaged-goods)的品牌,正採用影像辨識和擴增實境解決方案來了解其產品的銷售速度,以及何時應補足熱銷產品庫存,還有哪些產品和促銷活動的成效最好。

隨著實體店面買氣逐漸萎縮,品牌及零售業者也逐漸將重心轉向網路商店,在這樣的變化之下,人工智慧成了將合適商品推薦給目標消費者的有力武器。行銷人可透過人工智慧分析消費者的跨螢行為,以針對特定裝置傳遞最合適的訊息。日本家具零售業者大塚家具(Otsuka Kagu)使用人工智慧來接觸新的受眾,並找出廣告點擊次數最多的高峰時段,結果其使用跨螢行銷的點擊率比單螢行銷高出了55 %。

人工智慧還可以幫零售業者提高應用程式使用者的數量;舉例而言,日本最大的手作市集網站minne便是利用人工智慧,來識別並鎖定較有可能下載其應用程式的高價值受眾,並且優化其廣告內容以吸引更有可能進行應用程式內購買的目標客群。

人工智慧也正在滲透零售產業鏈的最後一哩路──物流。機器學習演算法能夠分析出貨資料、天氣模式和貨幣波動情形,以進一步預測合理的運送方式,讓零售業者更能清楚掌握其運輸狀況。

在人工智慧技術帶動下,零售業行銷前景似錦

人工智慧在零售產業的諸多應用當中,行銷也許是受惠最大的領域。如前文曾提及,由市調機構Forrester所進行的調查中發現,有60%的零售業者認為採用「以人工智慧為導向的工具」的主要好處,在於提升行銷的生產力以及增進其效用。

傳統的行銷倚賴年齡、性別和地點等一般性質的人口統計資料,來了解其顧客的樣貌;如今零售業者需要更多樣化的數據,以協助洞察顧客的興趣和獲取更精準的分析報告。

透過由人工智慧驅動的行銷自動化(marketing automation)工具,零售業者可以分析使用者的線上行為模式,例如上網的時間和使用何種裝置,並根據其興趣及行為加以分門別類。這種更深層次的洞察,讓行銷人可以更易於管理大規模的個人化行銷活動。

現今零售業行銷人的主要目標之一,是取得跨螢購物使用者的單一顧客樣貌(single customer view,SCV)。Appier CrossX所提供的人工智慧解決方案能夠跨裝置連接受眾,連鎖量販店家樂福在跨螢追蹤功能的協助下,其頁面瀏覽量創下60%的高月增率,且其營收月增率成長了25%。家樂福電子商務業務發展經理Gil Prescott表示:「人工智慧在引導家樂福的營運上發揮了極大作用,它不僅提供上述各方面的業務洞察,也有助於替未來的全通路發展決策及方向奠定基礎。」

克服挑戰,展望未來

儘管人工智慧前景無限,但仍有一些問題尚待解決。第一道難題是關於資料的收集與整合;在市調機構Forrester所做的調查中,有58%的受訪者指出其所面臨的主要挑戰是關於巨量資料的收集與整合,另外還有52%的受訪者表示另一項亟待解決的問題是如何從不同的管道獲取資料。

行銷資料的形式各異,其類型包括過往業績與消費需求數據、社群媒體交流紀錄、顧客詢問與回饋內容、線上行為和顧客忠誠計畫(loyalty programs)資料;只有像亞馬遜這樣的電商巨人才能輕鬆取得上述資料,一般小公司並不具備這種能力。第二道尚待解決的難題是,若希望機器學習模型能夠有效處理資料並準確預測結果,那麼這些來源各異的資料必須先經過格式化和清除的程序。

採用人工智慧解決方案時,一般的做法是先建立一支資料科學團隊,然而在零售產業中,不同的部門有不同的資料需求。例如,行銷團隊需要了解的是使用者的線上行為;銷售人員仰賴的是關於定價和銷售規劃的資料;顧客關係管理團隊則需要知道顧客即時回饋的意見。

儘管企業可以嘗試建構內部的資料科學團隊,但他們通常缺乏用來分析不同團隊性質相異的資料的專業技術。此外,在資料科學領域持續發展的情況下,資料科學團隊中的某些角色可能會面臨被淘汰的命運;另一個較為可行且較為靈活的解決方案是透過外部供應商,尋求人工智慧即服務(AI-as-a-Service)這類的專業協助。

零售業者能夠聊以慰藉的,是至少在執行人工智慧導入計畫方面,目前的導入完成率表現不俗;然而,即使供應鏈各階段幾乎都已採用人工智慧技術,但零售業者目前所應用的僅只是人工智慧的一小部分,其未來仍潛藏無限可能。在實現完整運用人工智慧的目標之前,零售業者們勢必要一一克服資料收集、整合與分析的難題,並且打造具有多元職能的團隊,以早日為無限可能的未來做好十足準備。

* 欲深入了解不同產業運用人工智慧的現況,請閱讀我們的資訊圖表,以及完整版的Forrester 調查報告