LLM 到 ROI ： 如何在零售业中扩展 General AI

零售实践 LLM到ROI：如何 零售中的ScalegenAI 零售商继续尝试生成AI，并看到 这项技术对重新点燃增长有着巨大的希望-如果他们迅速采取行动，抓住机会。 这篇文章是亚历山大·苏哈雷夫斯基、安德烈亚斯·埃斯基、艾米丽·雷索的合作作品，和HolgerHürtgen，以及OlegSokolov和SergeyKondratyuk，代表QuantumBlack，麦肯锡的AI和麦肯锡的零售实践。 2024年8月 一次生成AI(genAI)成为主流，在2022年底，零售业高管花了很少的时间意识到他们面前的潜力。提到 零售商财报电话会议中的人工智能(AI)去年飙升-这并不令人惊讶，因为GeneAI有望在2400亿美元之间解锁为零售商带来3900亿美元的经济价值，相当于整个行业的利润率增长 1.2到1.9个百分点。这与 非生成人工智能和分析的价值，可以将数十亿美元的价值变成数万亿美元。 在过去的一年中，大多数零售商已经开始在整个零售业中测试不同的AI用例 价值链。即使进行了所有这些实验，然而，很少有公司能够意识到 这项技术的全部潜力。我们调查了超过50名零售高管，尽管大多数说他们正在试验和扩展大型语言 模型(LLM)和GeneralAI，只有两个高管表示他们已经成功实施 他们组织中的genAI(参见侧栏， “我们的调查findings”)。 一些零售商发现它不需要实施 genAI广泛，因为它需要重新布线零件零售组织，如技术 能力和人才。数据质量和隐私关注、资源和专业知识不足，和实施费用也有 挑战零售商扩大规模的速度他们的传统AI实验。 成功利用的零售公司 genAI的力量通常在两个关键领域表现出色。首先，他们考虑GeneralAI用例如何提供帮助变换特定fic域而不是扩展 在一系列场景中，他们的资源太薄了。其次，它们从试点和 大规模部署的概念验证。这不仅需要数据优先级和技术 整合，但也意味着fi不能组织支持广泛采用AI的变化。 在本文中，我们将探讨哪些用例可以最重要的价值和组织是什么 转换是必要的，以扩大这些技术成功。 我们的调查findings 2024年4月,我们进行了说他们已经在扩展generAI成熟。三分之二的零售商说他们 52个全球财富500强零售业调查高管。我们的调查集中在 零售商在探索和 实验生成AI(genAI)。我们发现大多数零售高管 （90％）说他们开始尝试 使用genAI解决方案和扩展优先级用例和这些实验 在他们的其他AI上有敲门声 倡议；三分之二的零售领导者说他们想投资并更专注于 数据和分析。 64％的零售领导者说 他们进行了genAI飞行员增强了他们的组织 内部价值链，而26% 这方面的解决方案。更重要的是， 82%的零售商表示，他们有进行了genAI用例的试点与客户的重塑有关 服务。百分之三十六的人说他们是在这一领域缩放genAI解决方案。 现成的AI工具已经成为 在过去的一年里更容易获得。超过一半的零售领导者接受调查 （60％）选择现成的平台，尽管采用率 这些第三方平台在采购等领域(18%) 和商业（25％）。采用 第三方一代AI解决方案可能会成长为一代AI平台市场 打算增加他们的GeneralAI预算明年。 与此同时，10%的零售商表示，他们正在采取观望的方式来 genAI。他们计划将genAI集成到他们以后的行动，特别是 在没有全方位服务的地区 平台还没有。这个决定可能会阻止从一些因素来看，例如有不充分的专业知识或组织资源， 与数据质量和隐私相关的问题，以及与之相关的费用 genAI实施。 LLM到ROI：如何在零售业中扩展GeneralAI2 从里到外：两种方式 genAI改造零售业 我们采访的零售商已经试点 在其内部价值链中的genAI用例，有些甚至开始扩展genAI 解决方案。GenAI可以帮助简化运营，允许领导者更快、更明智 跨零售商内部价值链的决策。 这项技术也立即提供，没有遗憾 e-ciency增益，以及可能的应用程序零售中的redefine决策 （稍后更多）。 零售商还尝试了GeneAI以重塑客户体验。GenAI可以 加深与客户的关系(部分地，通过扩展零售商和零售商之间的互动整个客户旅程中的客户)和帮助 让客户体验更加个性化 andfullfilling.Theadvancedconversationalabilities 由自然语言驱动的新一代AI聊天机器人模型，可以使智能购物助手成为 主要购物渠道。 增强零售业的内部价值链 GenAI具有提高生产力的潜力零售价值的每一步 连锁，包括在营销、商业化、分配，以及反向工作(图表1)。 零售商可以开始意识到genAI的影响通过速赢用例的价值链。这些 GenAI有潜力提升沿着每个 零售价值链的步骤。 用例通常需要更少的资源来实施相对于它们的影响和比较 与其他generAI用例。事实上，零售商可能更轻松地部署当前的o-the-shelf工具 不需要很多定制。真实这些用例的示例包括： —市场营销。亚马逊推出了一款基于AI的图像生成工具将在2023年末提供帮助广告客户提供更好的广告体验。 工具使用genAI文本提示来转换基本产品照片变成更现实的生活方式 图像。例如，而不是显示白色背景的沙发图片，AI 可以将沙发放在AI生成的生活中帮助购物者设想产品的空间 在更相关的背景下。到目前为止，该工具已经提高广告点击率 到40%。 —软件开发。“Copilot”，或代AI 帮助员工完成工作的工具 为任务提供起点，可以提升 通过减少时间来提高技术人才的生产力在软件工程任务上的花费高达 60％。MercadoLibre部署了一些这些副驾驶提高满意度和 生产力在公司发展中的作用：团队，授权他们专注于更高的- 通过自动化更多重复的任务来价值工作。 附件1 有几个接触点，生成AI可以改变零售价值链。 零售价值链 在生成AI之前生成AI之后 采购所有供应商谈判(包括端到端合同创建)由合伙人手动处理，经常导致被忽视的细节 基于有限的繁琐的供应商评估数据，导致次优选择 Distribution端到端通信 由合作伙伴处理的第三方物流 第一轮供应商谈判处理 由生成式AI(genAI)聊天机器人 采购人员利用genAI来协助 完成交易(例如，发电机-AI驱动的简报和供应商条款和关键的自动摘要 见解) 初始通信和电子邮件到 GeneAI聊天机器人处理的第三方物流 店内 Operations 对分销中断的延迟响应由于供应链运作的复杂性 信息搜索(例如，价格、店内位置、库存水平)由员工手动处理， 导致客户服务延迟 返回管理流程，以及对分发中断的响应，由genAI 联营公司使用Gen-AI驱动的助手即时语音获取信息(例如，价格和促销、产品位置、库存水平) 电子商务在一代人身上花费了数百个小时电子商务内容 电子商务内容的自动生成(例如， productpro-les,descriptions)withinafewminutes 市场营销 Backoce Commercial 基于规则的手动网站个性化，消耗员工资源 由于有限，单一规模-全营销方法来自结构化数据的客户洞察 通过漫长的营销材料创作，迭代过程 耗时的管理流程，例如 人力资源和工资单，容易出现错误和风险 不同成熟度的分析工具，有时很难采用 个性化电子商务客户体验由自动前端自发 开发技术 无限的见解从Dierent中提取非结构化来源（如产品评论） 完全个性化的营销材料生成对每个客户都有更高的效率 下一代“白领”瘦- 转移支持的行政流程 Gen-AI驱动的聊天机器人的函数和接口(例如，软件开发副程序，HR/财务副驾驶) 使用genAI增强分析工具接口，创意任务的自动化(跟单副驾驶) 端到端个人独立决策端到端决策优化 价值链 函数，导致重复的搜索循环对于商业活动的根本原因，经常无法确定真正的潜在因素 价值链通过更快、更精确和来自结构化和 非结构化数据源，推动决策定价,促销,股票分配,数字营销和其他绩效杠杆 麦肯锡公司 —店内操作。2023年6月，Lindex，a 瑞典零售商宣布发布 “LindexCopilot”来支持其商店员工。该工具，在公司的培训 销售和商店数据，为员工提供关于商店的个性化建议和指导操作和有关日常任务的信息。 虽然上面的例子可以帮助简化日常 任务，GeneAI还可以帮助零售商加速他们的决策通过自动生成 见解、根本原因和域级别和全公司的回应(图表2)。 零售业务受到无数人的影响 被diš邪教量化和跟踪的力量， 附件2 生成的AI可以帮助提高零售决策的清晰度。 实现生成AI决策所需的内部和外部输入 进行性能分析和预测 一项艰巨的任务。传统上，团队可能会花费数周研究竞争对手的战术，改变 在定价和促销、供应链问题、和意外的中断，以了解销售 下降并设计策略以避免未来的销售 drops.genAI和高级的结合 分析可以彻底改变这个过程：而不是手动评估数据，来自世界各地的工人公司-从首席执行官到类别经理- 可以访问具有密钥的个性化报告绩效洞察和建议的行动。 让我们用一个假想的电子零售商作为例如。零售商的电视销售额是6%比它预测的要低。零售商的团队 数据孪生 组织的细粒度数据模型，捕获关键的内部和外部事件 内部数据 分类和产品 消费者行为和忠诚度电子商务和商店 库存和供应链定价和促销 交易记录 外部来源 竞争对手的行动宏观经济学 微事件和中断趋势和创新 天气，季节，节假日 分析异常检测噪声统计引擎消除和检测 需要注意的事件 AI核心 机器学习因素推荐引擎 树和推理所需的操作生成基于根本原因分析基于行业实践和 在颗粒扇区上-和生成AI技术 business-speciinterc触发器 个性化见解 1:1个性化和可操作的报告 对于每个利益相关者 生成的AI驱动接口 主动分析 关键数据点和削减交付给利益相关者主动和自动 潜水更深提示额外 人类分析 语言 麦肯锡公司 花了一个星期的时间寻找根本原因 下降，并提出了十几个潜在的原因：错过的销售预测可能是 由于异常的阴雨天气？延迟的产品 release?orweretemporaryout-of-stockitemsand 一个薄弱的促销活动应该归咎于什么？ 在这个例子中，一个在 零售商的专有数据，可以自动分析不仅这些潜力的影响 根本原因，但也有其他方案，例如它的竞争对手可能采取了什么行动同时。一个跨职能的团队，由 零售商的技术领导者和考虑的投入来自销售和商业团队，可以与 技术提供商定制零售商的AI- 和gener-AI动力系统。generAI平台然后可以创建一个影响原因列表，以及作为零售商可以考虑帮助的一系列行动减少未来的销售额下降。 根据我们与零售商的早期合作，我们期待一代人工智能驱动的决策 系统将推动高达5%的增量 销售并将息税前利润率提高0.2～ 0.4个百分点。 当谈到使用GenAI副驾驶时，公司 将需要决定他们是否是“接受者”(用户 先前存在的工具)，一个“整形器”(一个集成商具有更多专有数据的可用模型 定制结果)，或“制造商”(制造商基础模型)。在整个内部价值链中， 大多数零售商可能会采用taker原型，使用公开可用的接口或API，很少 无需定制以满足他们的需求。 然而，今天的许多o÷现成的解决方案不要接受一些零售商的功能 需要充分认识到技术的价值，因为为这些解决方案提供动力的技术通常不包括部门和公司特定的fic 数据。与此同时，大多数零售商不会能够采用制造商原型，因为 与建筑基础模型相关的成本 在典型零售商的预算之外。在这些 在这种情况下，零售商可能会选择整形器原型，使用自己的自定义现有LLM工具 代码和数据。shaper原型也将是与GeneralAI决策用例相关。 零售商在塑造方面投入了多少资源 它的新一代人工智能工具将取决于它想要的市场服务，它想要优先考虑哪些用例，以及 这些用例如何补充零售商的核心价值主张。 重塑客户体验 如今，零售商通常