消費者品牌和零售商通常很難充分理解不斷變化的客戶需求。這就是為什么您通常在自己喜歡的時裝商店中找到XL尺寸而沒有M尺寸的原因。這就是為什么您必須花費數(shù)小時尋找在Instagram上看到的樣式卻仍然找不到的原因。這就是為什么僅在美國，時尚零售商的庫存滯銷成本估計就高達500億美元。這就是美國2014年產(chǎn)生1600萬噸紡織廢料的部分原因。

這并不是因為行業(yè)中沒有任何意圖或努力;相反，很難大規(guī)模地了解消費者。鑒于消費者的喜好多樣且不斷變化，使用年齡，性別和收入的廣泛定義來表征消費者是無效的，并且零售商現(xiàn)在需要關(guān)注更精細的細分市場，甚至包括單個人群。越來越多的消費者在驅(qū)動趨勢，而不是由商家來定義趨勢，這與市場上更多的試驗和破壞并駕齊驅(qū)。

為了在這樣一個動態(tài)的環(huán)境中創(chuàng)建和銷售“下一件大事”，設(shè)計師，購買者和銷售商必須運用自己的創(chuàng)造力，而且還必須以前所未有的粒度考慮消費者的喜好如何變化以及不同的設(shè)計，銷售和營銷選擇將如何執(zhí)行。這就是AI和自動化進來的地方。

例如，考慮一個時裝零售買家。她負責(zé)在任何給定季節(jié)選擇商品的財務(wù)成功，但是她無法預(yù)測目標(biāo)季節(jié)之前12個月的任何設(shè)計效果，也無法確定在季節(jié)內(nèi)應(yīng)用的最佳促銷措施。這是因為她幾乎看不到隨著時間的推移，整個商店的消費者喜好如何變化以及競爭產(chǎn)品在市場上的表現(xiàn)如何。

想象一下一個由AI驅(qū)動的系統(tǒng)，該系統(tǒng)可以分析數(shù)百萬在線客戶評論的自然語言文字以及市場上所有產(chǎn)品的圖像，以總結(jié)特定位置的客戶情緒與產(chǎn)品功能之間的關(guān)鍵關(guān)系。例如，堪薩斯城和布法羅的客戶對色塊套頭衫的反應(yīng)如何，以及哪些屬性是她的色塊套頭衫與競爭色塊套頭衫相比客戶情緒低落的可能原因。有關(guān)她的有價商品和新計劃產(chǎn)品的此類信息將幫助她極大地改善其分類，定價和減價以及營銷計劃。

計算了三個不同品牌在外觀上相似的花卉上衣的市場情緒。儀表板顯示了該國不同地區(qū)的消費者對此類產(chǎn)品的偏愛，并在不同的商店推薦了庫存干預(yù)措施。

同樣，考慮酸奶品牌的銷售經(jīng)理。借助可以分析全國各地跨品牌食品銷售以對公司生產(chǎn)的菠菜朝鮮薊味酸奶的需求進行高質(zhì)量預(yù)測的系統(tǒng)，銷售經(jīng)理可以與零售商協(xié)商產(chǎn)品介紹和貨架圖。由于缺乏這種能力，今天大多數(shù)此類談判都失敗了。

實際上，IBM最近對1900多個零售和消費產(chǎn)品領(lǐng)導(dǎo)者的研究表明，智能自動化在零售和消費產(chǎn)品行業(yè)的采用預(yù)計將在3年內(nèi)從如今的40%激增至80%以上。

我們位于印度的IBM Research團隊與IBM MetroPulse團隊合作，將這種先進的，由AI驅(qū)動的功能帶入MetroPulse，MetroPulse是一個行業(yè)平臺，將大量的市場，外部和客戶數(shù)據(jù)集整合在一起。新功能使用AI和自動化功能，將這些結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)集圍繞語義，視覺和位置上下文進行融合，并發(fā)現(xiàn)有關(guān)隱藏在此融合數(shù)據(jù)中的客戶偏好的細粒度見解。這些見解將幫助消費者品牌和零售商在產(chǎn)品設(shè)計，庫存計劃，需求預(yù)測和產(chǎn)品分類方面做出更明智的選擇，以適應(yīng)動態(tài)的消費者偏好。

該平臺分為三層，每一層都具有深厚的行業(yè)內(nèi)容：

數(shù)據(jù)層，包括

市場數(shù)據(jù)包含最新信息，特定位置的消費者偏好信號，產(chǎn)品格局和品牌/零售商行為。我們策劃的一些數(shù)據(jù)集示例包括在線客戶評論和評論，銷售點數(shù)據(jù)和產(chǎn)品圖片。對這些大數(shù)據(jù)集的分析可以為公司提供有關(guān)城市或社區(qū)級別的消費者喜好在品牌，零售商，文化和地區(qū)之間如何變化的線索。

超本地第三方數(shù)據(jù)不斷更新，外部因素會影響鄰域級別的信號，這些因素會影響消費者的行為，例如人口統(tǒng)計，天氣預(yù)報和歷史記錄，本地事件和訪客。

私有企業(yè)數(shù)據(jù)，包含有關(guān)零售商自己的商店，產(chǎn)品，商品，促銷和銷售歷史的信息。這些數(shù)據(jù)經(jīng)過高度安全性和隱私保證。

整合多個數(shù)據(jù)集對于正確地實現(xiàn)需求感知和預(yù)測至關(guān)重要，正如《2018年供應(yīng)鏈管理：在客戶服務(wù)中》，零售系統(tǒng)研究，2018年12月所述，其中60%至70%的受訪者認為“很多價值”從考慮情緒，貿(mào)易區(qū)域數(shù)據(jù)和過去促銷等新數(shù)據(jù)到需求預(yù)測。

知識層，包括

零售行業(yè)特定的數(shù)字詞匯表–知識圖，以實體，屬性和關(guān)系的形式捕獲行業(yè)信息。該層允許AI系統(tǒng)以標(biāo)準(zhǔn)且有意義的方式解釋和分析數(shù)據(jù)層中的數(shù)據(jù)，最終為最終用戶生成見解。例如，考慮捕獲各種時尚術(shù)語及其之間關(guān)系的時尚分類法（例如，“ peplum”是“ top”的類型），或者捕獲各種食品類型，成分，風(fēng)味和類型層次的雜貨店本體。

行業(yè)情報層，包括

各種AI算法和模型可以識別和理解隱藏在數(shù)據(jù)中的信號，并通過儀表板和API以有意義和標(biāo)準(zhǔn)化的方式將其轉(zhuǎn)化為見解和建議。這些見解和建議可幫助業(yè)務(wù)領(lǐng)導(dǎo)者，產(chǎn)品設(shè)計師，銷售商和其他企業(yè)用戶了解和優(yōu)化其目標(biāo)消費者群的行為和偏好。面向購物者的個性化和認知幫助解決方案也可以使用這些API，以增強銷售點上的消費者參與度。這些算法利用多模式AI，可解釋的AI和預(yù)測中的最新AI技術(shù)，并對其進行調(diào)整以了解特定于行業(yè)的知識和概念。

多模式AI將視覺感知和自然語言處理結(jié)合在一起，以從多種數(shù)據(jù)模式中提取見解。例如，它可以識別圖像中的時尚對象，并將它們與隨附評論中的客戶意見表達聯(lián)系起來;或語義相似性模型，該模型理解蘋果汁對消費者而言，蘋果汁與檸檬汁比與蘋果更相似，但在口味和成分方面與蘋果汁接近。

可解釋的AI解釋了為什么模型為給定的輸入生成特定的輸出。隨著AI模型變得越來越復(fù)雜，非數(shù)據(jù)科學(xué)家?guī)缀鯚o法理解他們的行為，這使他們難以依賴模型的預(yù)測。導(dǎo)覽技術(shù)帶來了可解釋性，并幫助最終用戶理解“為什么”。例如，了解市場上夏季裝扮不同設(shè)計方面的情緒，并解釋當(dāng)?shù)匾蛩兀ㄈ丝诮y(tǒng)計學(xué)，天氣）和銷售因素（價格，庫存，促銷）對美國各州情緒變化的貢獻。