免费领【企业数字化IT建设地图】
前言
现在，我们特别聚焦于数据这一要素，因为它与帆软紧密相连。在AI应用中，企业往往拥有大量的数据，如销售数据、浏览数据、行为数据、商品数据等。然而，这些数据并不能直接用于AI模型的训练。它们需要经过严格的整理、清洗和预处理，以符合AI模型的需求。
对于AI的应用，我们主要有推荐系统和销售预测这两个方面，它们与零售经营息息相关。
AI推荐系统
AI在CV（计算机视觉）和NLP（自然语言处理）领域的应用也非常广泛，推荐算法对于零售销售人员来说尤为重要，因为它能够带来潜在用户的转化和销售增长。
那么，AI是如何实现推荐的呢？一般来说，推荐算法会利用商品的相似性和用户的相似性来工作。为了了解这些相似性，算法需要依赖企业的数据和基础条件。比如，云店的日活用户数、用户的购买行为（购买数量、浏览次数、加购次数、支付情况等）都是重要的数据来源。这些数据能够反映出用户对商品的喜好程度。
在推荐算法中，协同过滤是一种常用的方法。它通过计算用户之间或商品之间的相似性来预测用户可能感兴趣的商品。例如，如果两个用户购买过相同的商品，那么算法会认为这两个用户有相似的兴趣，进而推荐其中一个用户购买过的其他商品给另一个用户。
AI销售预测
再来看销售预测，这是零售行业的核心问题之一。销售预测的准确性直接影响到供应链的效率和库存管理的水平。理想情况下，我们希望销售预测能够非常准确，以便实现供应链的快速响应和库存的最优管理。然而，由于市场变化的不确定性，销售预测往往具有一定的挑战性。
为了提高销售预测的准确性，我们需要找到数据中的规律性。有些数据在某些维度或范围内可能呈现出明显的规律性，比如春节期间的销售波动。而有些数据则可能看起来比较稀疏，没有明显的规律。对于这类数据，即使使用AI进行预测，也可能难以得到令人满意的结果。
因此，我们需要从多个维度去分析数据，寻找其中的规律性。比如，某个门店的销量可能没有明显的规律，但如果从全国范围或总仓的角度来看，可能会发现一些规律。同样地，某个商品层面的销量可能没有规律，但如果从门店、品类或时间周期等维度来分析，可能会发现一些有用的信息。只要数据中存在规律性，AI算法就有可能帮助企业做出更准确的销售预测。
在这个领域，通常讲得最多的就是时间序列算法。这类算法听起来非常强大，因为它们能够基于过往的销量数据、周期性规律以及节假日等参数，对未来的销售情况做出很好的预测。理论上说，如果促销活动较少或者数据更为真实，这类算法的表现会更好。因此，如果时间序列算法能够充分发挥其作用，那么在优化供应链、销售和库存管理等方面，它将能够表现出色。
![]()
零售可关注的AI其他应用
关于NLP，特别是GPT-4，虽然发布至今并未带来革命性的巨变，但当GPT-4刚出现时，微软的研究团队深入分析了它，并发布了长达150多页的白皮书。
除了GPT-4之外，还有一些开源模型如清华大学提供的Child GLM等，也对NLP研究起到了重要作用。然而，在零售企业中，我更期待NLP的应用不仅仅局限于智能客服的应答。我更希望NLP能够辅助我们进行数据查询和分析，比如通过对话方式与AI交流，快速获取所需数据并进行分析。然而，这一过程并不简单，因为自然语言与数据库之间的映射需要精确的算法和大量的训练数据。特别是一些特殊术语和简称（如“华南”与“华南大区”、“新开店”与“30790”），对于AI来说更是挑战。但我相信随着技术的发展，这些难题将逐渐得到解决。
对于IT从业者来说，查看和理解AI代码可能是一项挑战。由于技术栈的多样性，我们可能会遇到不熟悉的语言或框架。但正是这种多样性促使我们不断学习和进步。比如销售预测中的某些算法可能采用了不常见的编程语言（如阿语），但其表现却非常出色。这提醒我们要保持对新技术和新语言的开放态度。
那你让Java的人去看一个阿里云，其实它是很困难的，很难看懂，但是你让GPT4帮你去解析一下，为了这段语音是什么？它其实可以极大地提高我们去解析，就是这个代码解释的这个效率，这一块GPT四代就可以做一下尝试，并且可以不断的折磨它，他会不断地帮你去优化。
本文摘录于帆软最新《消费零售行业数据建设白皮书2.0》
该书汇集了行业大咖的洞见，深入分析了消费零售行业的痛点与思考，并通过精品案例展示了数据建设在优化用户体验、营销策略和提升业务效率方面的巨大潜力。
扫描下方二维码或点击“阅读原文”链接即可下载完整PDF资料
直播预告
❗行业大讲堂-电商专场第二期❗
⏰ 11月14号19:00帆软小程序直播间
👨🏫直播嘉宾：
库存分类：通过ABC-XYZ模型科学补货 库龄分析：倒推库存法对库龄进行分析。 上升品识别：模型识别上升品种，挖掘潜力品。 滞销品识别：识别滞销品，有效降低库存风险。
