跳到主要內容

智慧零售時代的人工智慧

 

Appier 首席人工智慧科學家孫民

數位轉型並非新的概念,過去這幾年,各行各業也都面臨著科技變革步調越來越快的壓力。2020年蔓延全球的新冠疫情迫使企業加快轉型的腳步,讓企業紛紛轉向數位優先(Digital-first)的經營模式。

零售業是一個亟需因應疫情變化而調整與消費者互動方式的產業,許多零售業都緊跟轉型的步伐。過去七十多年,零售業歷幾個階段的轉型,從百貨公司的興起到超級市場的發展,批量生產實現後又帶動了像7-11這類連鎖便利商店的普及。而在亞馬遜(Amazon)或阿里巴巴(Alibaba)這些電商企業推動之下,我們現在正處於零售業的第四波變革,這個階段的變革重點在於科技的應用,不只要更好地滿足並預測消費者需求,還必須使零售業每一階段的供應鏈更加有效率。可以預見的是,未來,越來越多的數據將被應用於零售業的三大核心元素,那就是店家(或網站)、商品與顧客。

人工智慧是驅動數據發揮作用的關鍵,它可以比人類更快速且更有效率地發掘數據的規律與洞察,因為人工智慧能以人類無法手動完成的方式,對海量數據進行極度廣泛的觀察。你能夠為人工智慧設定一個特定目標,例如分析顧客消費旅程的複雜性。人工智慧不只有分析數字與文字資料的能力,還能處理所謂的「感知」數據,例如蒐集並分析客戶瀏覽商品時的視覺線索。

人工智慧是一種通用技術,可以在整個零售業的不同階段加以應用,而數位行銷是其中一項零售業應用人工智慧的領域,因為數位行銷必須仰賴大量的數據蒐集與分析才能產出更精確的結果。對零售業的行銷人員來說,他們首要關注的目標是 獲取用戶(Acquisition)──人工智慧可以蒐集線上與線下數據獲得更全觀的用戶輪廓,並且找出對特定產品擁有較高瀏覽意圖的人群。

其次是互動參與(Engagement)──有效的互動指的是在對的時間、用對的方式、將對的資訊提供給對的消費者。對人們來說,這是一個極其艱鉅的任務,因為單靠人力只能利用有限的渠道去接觸少量的受眾群體;而人工智慧可以透過分析既有的可用資訊後,自動分析出最適合接觸消費者的時間點與渠道。

接著則是要將互動參與(Engagement)良好的受眾成功轉換為顧客(Conversion)。對此,人工智慧可以對線上瀏覽行為進行實時分析並定義猶豫客,讓零售業者只需要提供優惠或折扣給最有可能因此產生轉換的對象。透過提供優惠給真正需要的消費者,實現更好的行銷預算分配,同時提升銷售表現。

最後,零售業者可以檢視那些以前曾經購買過商品或服務,但是現在不再參與互動或呈現休眠狀態的消費者。人工智慧可以協助辨識這些對象,並透過可用的數據為行銷人員提供線索(Data Insights and Prediction),讓他們知道掌握哪種類型的訊息或誘因有助於喚回消費者,藉此幫助業者重新與這些對象建立互動關係。

除了數位行銷,人工智慧還能以許多不同方式簡化整個零售鏈。它可以分析製程中所產出的數據,例如品管相關資料;或者可以提升倉儲機器人的效能,讓機器人在撿貨時更有效率並減少人力;也可以分析消費者購物旅程,幫助業者規劃資源;還可以透過有效使用聊天機器人提升消費體驗與售前∕售後服務。

以時尚連鎖品牌Zara為例,Zara利用機器人進行自助結帳,減少服務台排隊的客戶。而傢俱零售商 West Elm 與平價服飾品牌 Uniqlo 則是透過人工智慧分析使用者對產品類型喜好或臉部表情等數據資料,向顧客推薦其可能偏好的商品。此外,美國連鎖藥局 Walgreens 利用人工智慧追蹤抗病毒藥物、止咳藥、與感冒藥的銷售情況,偵測季節性流感的傳播狀況;不只有助藥商控管存貨,也能作為當地社區預防流感的參考依據。最後是自然語言處理(NLP, Natural Language Processing)技術的進步,現今的人工智慧技術相較於之前更能模擬真人回覆,這意味著在不久的將來跨多種語言的自動化客服將有長足的進步,使品牌商與零售業者能以更有效的方式服務顧客,從而提升顧客滿意度。

數據與人工智慧還能幫助業者規劃線上至線下的不同消費者情境。人工智慧已在強化學習的領域獲得重大突破,能夠對資源做更好的分配。這項優勢在管理和因應快速變化的全球疫情態勢尤其重要。強化學習著眼於在既定環境與情勢下,應該採取哪些行動以獲得正向回饋。對企業而言,這項突破可以改善涉及到人力、存貨、車輛、倉儲等需要資源分配的領域,幫助具有物流需求,像是需要配送或運輸商品的企業(例如電商、美食外送業者等等),不僅僅是依賴當下模式與過往經驗做出資源配置決策,還能附加上強化學習的優勢,更好地預測未來資源分配的情形,確保為接下來預期發生的情境做最佳準備(例如在交通繁忙情況下預先派發更多司機、在需求量大的時期提早備貨等等)。

數據資料將會是智慧零售時代最具影響力的關鍵,而且影響層面將貫串資源分配、物流配送、使用者體驗、到顧客服務。我們已經見證了智慧零售的影響力,零售業者也在 2020 年意識到轉向數位優先經營的急迫性。可以預期零售業者在未來將持續引領先進技術的應用,不只要因應疫情適應新常態,還要讓消費行為更加有趣、更身歷其境、且更有效率。

強力徵求
Machine Learning Scientist
Task of the role

  1. Use machine learning and analytical techniques to build prediction model for advertising/enterprise solutions.
  2. Experience in analyzing and extracting valuable information from large amounts of business data
  3. Design, develop and test advanced models for predictive consumer behavior
  4. Co-operate with software engineering teams to drive real-time model implementations and new feature creations
  5. Design efficient, scalable, automated processes for large scale data analyses, model development, model validation and model implementation
  6. Research and evaluate pioneering machine learning and statistical model

Backend Engineer
Task of the role

  1. Develop and operate scalable, reliable and maintainable service-based software and related components.
  2. Cowork with team members to design system architecture, choose proper technologies and plan development.
  3. Design & develop server-side architecture & function logic of new services
  4. Design and maintain database schemas for new services
  5. Ensures the scalability of the system
  6. Ensure the high performance of responsiveness to requests from the front-end
  7. Integrate the front-end modules built by your coworkers into new services
  8. Responsible for laying the foundation for the platform as well as proposing solutions to ease software development, monitoring of software, etc.
  9. Profiling and performance tuning of critical components
  10. Deploy system to production and monitor service health
  11. Participate in idea brainstorming and contribute ideas to technology, algorithms and products

Frontend Engineer
Task of the role

  1. Design & develop front-end architecture & interactive user interfaces
  2. Integrate the back-end modules built by your coworkers into new services
  3. Ensures the flexibility of front-end architecture
  4. Ensure the high performance of responsiveness
  5. Build reusable code and libraries for future use
  6. Build unit tests and test automation
  7. Perform code reviews to ensure existing code stay high-quality, fast, and flexible
  8. Handle and resolve issues escalated from the production operational environment
  9. Participate in idea brainstorming and contribute ideas to technology, algorithms and products

其他職缺更多職缺資訊,請見Appier網站
● iOS Engineer
● Android Engineer
● QA Engineer
● Product Manager

留言

這個網誌中的熱門文章

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot(上) 最近因為一些契機學了 Python 3,用它做了一個 Telegram Bot ( GitHub 連結 ),裡面用到 NLP Service,用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot,接下來我們可以透過 NLP 服務,讓 Chatbot 根據使用者不同的訊息做回答,這樣就變成更加人性化的聊天機器人囉! 使用的工具及服務: Python 3 (for develop) pipenv (for dependency management) OLAMI (for NLP) ngrok (for testing) Step 1. Creating new bot Telegram 很有趣的地方在於,與其他通訊軟體(Line、Messenger)相比,開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的,它叫做 BotFather (眾 Bot 之父 XD)。如果已經有 Telegram 帳號,只要加 BotFather 為好友,就可以開始管理你的 Bot。 加入 BotFather 好友後,它會親切地問候,並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...

利用 Jitsi 建立個人化的視訊會議平台

  近期因為疫情的關係,越來越多企業開始實施分流或在家工作,視訊會議的需求也日益增加。 在商用解決方案選擇上,有不少企業會選擇知名品牌的產品,例如  Cisco Webex 、 Google Meet 、 Microsoft Teams 、 Zoom  都是很不錯的方案。 KKBOX 集團在去年便試行及做好充分 work from home 的準備,今年五月也因應疫情升溫,全員 work from home 至今兩個月有餘。 當然,取之 Open Source,也要對社群有些貢獻。在這一屆 COSCUP,我們要來介紹 Open Source 圈中也很知名,效果也很不錯的一套視訊會議平台: Jitsi 。 除了基本的視訊會議功能外,在最後我們也會示範如何透過 Jitsi 畫面輸出到 YouTube/Twitch 或其他支援 RTMP 的平台進行直播。 由於篇幅有限,且 Jitsi 可以調整的細節非常多。今天我們純粹很快速的示範,如何簡單的建置出一個 Jitsi 環境,並提供單場會議內容錄影或直播。 Jitsi 的文件可以在 這裡 找到。 今天透過 AWS Lightsail 的 $10/month instance(1 core CPU + 2GB RAM + 60GB SSD),作業系統則是 Ubuntu 20.04 來示範。當然,使用其他 VPS 亦可,大同小異,這邊直接跳過 VPS 相關的建置過程。 *firewall 相關資料參考 這裡 及 這裡 。 針對系統做必要的更新 基本的 apt repository 更新: $ sudo apt update 因為後面要示範的會議錄影及直播需要使用 ALSA loopback device,如果是 EC2 or Lightsail 則需要額外安裝 generic kernel( 註 ): $ sudo apt install linux-image-generic linux-headers-generic linux-image-extra- virtual 接著做系統套件們的更新: $ sudo apt dist-upgrade $ sudo apt autoremove 如果是 AWS EC2 or Lightsail 則需要另外再將預設的 AWS optimized kernel...

機器學習的五大實務問題:對企業的影響與相應的化解方式

Appier 首席機器學習科學家 林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來,不是大公司吃掉小公司,而是速度快的公司吃掉速度慢的公司。 從現在開始,唯有善用適當的資訊快速做出決策的企業,才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動,都能運用機器學習技術處理大量的資料,進而提高自身的競爭優勢。 然而,機器學習雖能創造大好機會,卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料,以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素,都意味著機器學習模型的運作並不是百分之百的自動,往往仰賴許多外部的資源來作監控及維護。 此外,機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題,以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練,而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料,像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言,顧客在填寫問卷時可能會隨便填寫,或對題目略而不答;感測器可能因失靈而回傳錯誤資料;即使使用者的網頁行為明確,網站 cookie 回報的資訊也可能不完整。 此外,資料也可能包含雜訊,當無謂的資訊夾雜其中時,機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」,「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題,這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下,將難以針對該模型偵測其特徵與標籤之間的關聯性優化,甚至需要耗費額外的人力干預,將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯,才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此,如果輸入資料過於雜亂、殘缺或有所偏差時,將可能難以理解某輸出/標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習,轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...