2024年利用人工智能加快零售业向消费者需求的转变报告

TDWI洞察加速器 利用人工智能加速零售行业以满足消费者速度。 ByJamesKobielus 赞助商 TDWI洞察加速器 今天的消费者行动迅速。在选择零售场所以及消费者包装商品方面，他们拥有许多选项 。当他们所依赖的商家和品牌开始忽视他们 ，或者简单地无法满足他们的需求时，他们并不羞于在任何时候转换忠诚度。 在今天快速变化的市场环境中，零售商及其供应链合作伙伴需要以消费者的速度行动。零售商不能依赖那些来得太晚以至于无法使用或极其不准确的预测需求。 底线受损当需求旺盛的商品缺货，而其他商品过度生产和过剩库存堆积时，客户会变得不耐烦。对于零售商来说，由于不良数据和错误情报造成的严重后果通常表现为客户忠诚度下降、市场份额下降和利润率缩小 。 今日零售业驱动力分析 为了保持竞争力，今天的零售商必须提供差异化的客户体验、实现持续的运营效率，并推出创新的产品和服务。实现这些成果需要人们和系统之间的广泛协调。这一协调的核心是客户数据和高级分析，尤其是人工智能 。 差异化体验 客户体验是零售商成功的关键驱动力。与任何基于情感的指标一样，客户对其体验的认知受到许多因素的影响，其中一些因素在一段时间内相对稳定（例如，零售商的店铺离家有多远），而其他因素可能难以预测（例如，当客户在寻找特定产品时，特定店铺是否有该产品在库存中）。 考虑到风险之高，零售商必须不断加强其预测需求、优化定价和营销策略、削减供应链中的成本和瓶颈以及跨渠道提供个性化体验的能力 。他们必须通过快速、准确且适用于广泛决策者的数据驱动智能来实现这些成果。 本TDWI洞察加速器聚焦于人工智能（AI）如何帮助零售商和消费品公司保持竞争力、取悦客户并加速创新新产品和服务的交付。它突出了推动零售商及其供应链合作伙伴在规划和管理AI运营部署方面几个关键紧迫趋势的动向。 零售商成功的关键在于提供更优质的顾客体验。他们考虑以下关键体验维度： 顾客是否觉得与零售商的关系令人满意 ？ 客户是否在更长的周期内持续续约关系？ 顾客是否定期回到零售商的店面购物？ 随着时间推移，客户是否正在增加他们的平均购买价值、购买频率和购物篮大小？ 客户是否定期且快速地参与新推出的优惠活动？ 顾客是否享受与零售商的关系，足以影响亲朋好友对该零售商的青睐？ 在筛选客户数据以寻找关键体验差异化因素时，零售商通常寻求在不同情况下对各种客户最重要的指标。对于零售商而言，拥有360度的客户视角使他们能够更有效地参与其中。这为他们提供了客户在世界中外部行为“旅程”的全面画像，同时构建了一个日益深入的内部“旅程”画像，包括驱动他们的体验、倾向、情感和态度。 今天的零售商寻求在其业务流程中塑造关键的客户旅程时刻。完成这一点需要他们将这些流程注入可信赖的数据和分析。基于经验差异化是一种可货币化的商业资产 。提供满意的体验往往取决于跨渠道的敏捷数据驱动参与。 为了有效地完成所有这些任务，零售商需要大量相关数据。客户数据平台必须提供一个可扩展的平台来存储实现全方位视角所需的数据，以及执行AI和其他高级分析所需的能力，以获取可操作见解。 越来越多地，聊天机器人和数字助手在许多行业的客户体验中扮演关键角色，它们运行在云端的AI、分析和数据上，并部署到移动 、网页和其他平台。生成式AI技术，如大型语言模型，是这些体验的重要推动者。在最近的一项TDWI调查中，当被问及“贵公司正在使用计划使用生成式AI构建哪些类型的应用？”时，最大比例的受访者，约占37，选择了“用于客户支持的聊天机器人”（见图1） 。 为了通过聊天机器人和其他应用程序提供这些体验，零售商需要经过验证的人工智能和其他分析模型，这些模型能够公正地对待每位顾客的个人旅程。例如，如果您在销售宠物用品，将以前的购买记录以及其他信息（如宠物的医疗问题和疾病）连接起来，有助于在顾客与客户服务互动时确保更好的结果，从而确保任何推荐既及时又安全。 零售商还需要具备扎实行为科学基础的数据科学家和分析师，以模拟客户在不同现实场景中的可能行为。这对于零售商来说至关重要，以便他们能够深入了解客户，针对他们提供优惠，并为他们提供支持和加强关系的体验。 对于零售商来说，了解其行为倾向模型是否符合来自客户平台的数据至关重要。由人工智能驱动的智能可以帮助零售商更快地利用这些数据来优化策略、活动、产品陈列等。人工智能驱动的自然语言查询可以使零售品类经理快速探索客户数据，从而快速了解消费者满意度、可能未来的购买情况等信息。 现代零售商利用人工智能在数字渠道以及传统实体环境中构建更优质的客户体验。由人工智能驱动的“下一步最佳行动”主动引导并优化所有提供、互动和体验。通常，这些下一步最佳行动由针对每位客户独特档案的人工智能生成输出驱动。 您的公司正在建设哪些类型的应用？ 计划使用生成式人工智能进行构建？ 聊天机器人用于客户支持 37 生成市场营销内容入职新员工 生成开发者代码作为分析公司数据的前端使用 开发针对性的营销活动 开发合作伙伴应用程序生成销售内容 开发新产品以销售 作为新产品开发的一部分 生成合成数据 28 26 25 20 17 17 16 15 11 9 图1基于2024年TDWI数据和分析调查的192位受访者。 持续效率 保持竞争力需要零售商关注总收入和收入，以及成本和运营费用。 人工智能驱动的数字助手对于寻求新效率的零售商来说具有战略意义。这些助手可以向各种内部和外部零售利益相关者提供实时运营智能。 零售商可以为门店员工配备人工智能驱动的数字助手，这些助手能够将复杂的数据整合起来以回答问题。通过自然语言界面进行互动，这些助手能够预测性地解决商品销售和其他问题例如，在库存缺货时提供可接受的产品替代品从而在顾客受到影响之前解决问题。此外，它们可以将实时运营数据动态地整合到一个统一的过程视图中 正如库存和履约这跨越了传统商业领域。 为了战略规划目的，AI赋能的数字助手工具可以帮助零售商做出各种决策。利用基于云的地理空间分析，数字助手可以帮助零售商优化企业级的地点选择和商店定位决策，考虑到可能的新的实体店。助手可以通过利用AI交互式评估根据地区人口密度、客户人口统计学、竞争对手位置和其他关键变量适宜的地点。他们可以确保在任何此类选择中都考虑供应链因素，例如在候选店铺位置相对于供应商位置和区域配送设施的配送路线上的路线优化。他们甚至可以确保考虑到风险 因素例如邻里犯罪率和自然灾害的发生率被纳入考虑范围。 不懈创新 今天的零售客户期望持续的创新能力，因为商家及其CPG合作伙伴推出更新、更好 、更复杂、更成本效益的产品和服务。 在服务当今市场时，零售商及其消费品合作伙伴正在使用越来越多的AI赋能工具来推动研究、开发、工程、制造和创新的商品及服务的交付。 例如，由人工智能驱动的计算机辅助设计工具，得益于混合现实功能，使得产品开发者能够利用沉浸式环境进行创意构思、模拟和优化更具创新性的设计和功能。人工智能驱动的精确度高的3D可视化技术使公司能够从消费者和其他产品开发过程中的利益相关者那里获得更精确的反馈。 除了在原型设计阶段从消费者视角促进设计外，此类由人工智能驱动的工具使设计团队能够在生产之前从美学、可制造性和可靠性等角度更好地评估正在进行的工作。生成式人工智能工具可用于快速包装原型设计，从而缩短物理产品设计生命周期，并使设计团 零售商依赖于人工智能设备和应用来追踪和分析店内顾客的移动和互动，从而有助于改善店面布局、商品营销策略和产品位置。 使用人工智能驱动的智能结账系统，帮助商店员工加快顾客购买、退货以及其他店内交易的速度 为客户提供通过图片而非文字搜索产品的AI赋能能力，例如，通过分享设计或配色方案来挑选衣物或新的油漆色调。 现代零售中哪些技术赋能者至关重要 人工智能有潜力成为现代零售行业最具颠覆性的技术。这是由于其客户体验和后台办公流程（如采购、履约和库存管理）的有益影响。 构建先进的AI能力是当今快速发展的零售行业成功的关键。在这一方面，零售商所做的投资中，顾客数据云、预测分析和机器学习平台、推荐引擎以及自助分析工具居首位。 客户数据云 队能够更快地构思和迭代。客户数据是任何零售商运营的核心。其中大部分数据是从客户服务的实时应用中提取的事件数据。然而，零售商发现收集、存储和处理这些及其他客户数据变得越来越具有挑 为了开发创新的客户体验，零售商正在探索使用人工智能进行增强现实、虚拟现实 、基于图像的搜索以及其他应用。在这方面的一些重要发展包括： 战性。数据复杂且分布广泛。其体积和种类不断增长，其质量可能不足，使其对于关键任务应用不可用。 现代零售商正在将大量客户数据整合到云端的性能型客户数据平台中。他们这样做是为了将数据聚合为“客户360”视图。 客户数据的整合到一个受管理的单一存储库中，支持对采购、个人资料、互动和其他相关数据的“单一真实版本”的视图。有趣的是 ，数据聚合不仅限于内部数据，还可能包括来自电子邮件营销软件或CDP等软件平台的数据。有时当合作伙伴坚持从内部系统提取您的数据并将其转移到他们的系统时，会形成数据孤岛。那些整合内部数据并坚持要求合作伙伴最小化重复数据或新增数据孤岛的公司能够更快速地进行转型。 零售商和其他企业正在将客户数据集中存储在基于云的数据湖和其他存储库中。为了服务当今以客户为中心的实时应用，这些客户数据云使团队能够更轻松地构建更好的分析 。它们通过提供一个统一的平台来管理存储 、集成和加工，以支持运营业务智能和高级分析。统一的云数据平台提供了最新鲜和最完整的客户视图。这使零售商免于维护多个技术堆栈和客户数据的冗余副本。同时，这也确保了客户数据分析对所有零售应用都将更加可访问和可扩展。 一旦建立，零售商的整合客户数据云成为构建和训练AI模型的核心资产，这些AI模型对于许多任务关键型应用至关重要。客户数据平台应支持不断增长的数量和多样化的非结构化数据来源。这对于零售商至关重要。 了解其客户需求并更有效地调整消费者在实体和线上体验中的旅程。 预测分析及机器学习 预测分析对于企业级各种功能至关重要。预测分析平台允许零售商根据历史数据预测需求、情绪、库存和其他因素。当用于预测单个客户和客户群体的行为时，它们还能驱动针对性营销、个性化、体验优化、客户保留 、销售升级和交叉销售以及下一个最佳行动 。 机器学习平台为零售商提供了构建AI应用核心的预测和其他数据驱动统计模型的手段。机器学习所依据的客户数据可能来自不同的来源。机器学习算法可以在客户数据的实时流中检测相关模式，并执行自动化的数据驱动推断。 预测分析与机器学习平台可能还包括数据准备、模型开发和培训等功能。 推荐引擎 推荐引擎是提供个性化产品推荐和指导的核心技术，用于零售商的网页、移动端及其他平台。它们利用人工智能来分析客户行为和偏好。 在客户关系管理基础设施内，推荐引擎是一种嵌入式基础设施功能，尽管它也可能嵌入到零售操作人员使用的数字助理应用程序等设备中。 推荐引擎是复杂的平台。它们包含了复杂的AIML运行时组件，并且需要熟练的数据科学家和领域专家来开发它们的高性能机器学习模型和其他逻辑。 零售商必须确保在他们的推荐引擎中使用最佳匹配的AIML模型。这些模型必须用高质量的数据进行训练，以完成它们已设定的任务。 已经建立。推荐引擎使用机器学习算法对客户、产品和其他领域的数据进行筛选，以向特定用户推荐最相关的项目。基于它在消费者行为数据中发现的模式，它自动生成定制化的、上下文敏感的推荐，以指导决策和行动。 您公司对分析领域最重要的优先事项是什么？2024？请选择最多四个答案。 使数据更易于为分析模型所使用 实施自助式分析 39 35 利用生成式人工智能在组织中构建数据素养 利用机器学习 提升企业分析师的技能以执行更高级的 分析学 部署自动化和增强工具，通常情况下治理分析更加负责任（例如，解决 伦理、无偏见、可解释和透明的分析 流式实时分析利用增