零售借力 AI,老问题有了新解法

2019-04-28 14:35:40

零售行业的运作模式一直随着技术发展而改变。曾经,互联网催生了电子商务;如今,人工智能正提升着零售行业的效率和客户体验。

凯捷咨询于 2019 年 1 月发布的一份报告显示,28% 的零售商表示正在使用人工智能技术,这一数据较 2017 年的 17% 和 2016 年的 4% 有了显著增长。报告中预测,有效运用人工智能技术可以为各类企业带来合计约 3400 亿美元的收益。

在中国,阿里巴巴、京东、美团、饿了么等零售巨头,在业务中大规模采用人工智能已是常态。一些中小型零售企业,也在尝试用人工智能解决一些过去难以解决的问题。

规模化带来的难题

小红唇作为针对女性的美妆时尚短视频社区,已经积累了 2000 多万用户,以及超过一百万条短视频。

在快速发展中,小红唇面临着规模化带来的效率问题:用户量和内容量双双增加的情况下,如何让用户和内容保持高效匹配?

“早期我们只是根据时间结合运营策略做排序或推荐,确保用户能看到最新和对平台最有价值的内容。”小红唇 CTO 王洋告诉 PingWest 品玩,“当用户量和内容都达到一定量级后,上述方式的问题也很明显。”

王洋解释道,用户要看到自己更感兴趣或可能感兴趣的内容,要通过更多的刷取、点击和搜索。这意味着用户跳出和流失概率更高。另外,粗放的运营规则可能伤害到某个量级并不小的用户群,而精细的运营规则又意味着,复杂的逻辑和开发维护成本。

小红唇 App 页面相似的困扰也出现在衣二三上。主营女性服装租赁的衣二三,正经历着用户的快速增长,2018 年 9 月付费用户比去年同期增长 10 倍。

衣二三 CTO 程异丁对 PingWest 品玩表示:“由于服装的非标属性,客户很难用语言描述自己想要的衣服,而且衣服的属性很难结构化,导致用户检索商品和商品展示的效率不够高。”

衣二三使用过一些非机器学习的规则,起步很快, 但天花板很低。“ 套用几个规则之后, 就陷入无法优化的境地”。

在用户感知较弱的后台,同样面临提高运营效率的挑战。

宝尊是品牌电商代运营领域的龙头企业,已于 2015 在美国纳斯达克上市。宝尊电商技术和创新中心算法和大数据部总监张建告诉 PingWest 品玩:“宝尊运营了接近两百家品牌店铺,需要大量人手完成日常商品选取、上下架、客户识别、关系维护、订单处理、数字营销内容生成等任务。”

这些工作大部分都是人工完成的,“这就带来两大问题:一是人工工作量很大,从而使得业务发展不具有快速扩展性,新开一家店铺需要相应人手来支持;二是运营的经验和能力由具体的人所有,没办法快速复制,而且一旦有经验的人员流失,则会带来业务损失和风险”。

宝尊也曾尝试过基于规则的方法,但“这些方法的应用场景有限,而且性能(比如准确度等)相对固定,没有办法随着数据量的提升而进一步得到提升”。

用人工智能解决难题

得益于计算成本下降、数据量增加以及算法越来越完善,采用人工智能的门槛逐渐降低,企业面临的效率问题也有了更优化的解决方案。

小红唇摒弃了基于时间和运营策略的排序和推荐,将人工智能中的一种方法“机器学习”应用于首页 Feed 流(视频、图片)推荐和商品相关推荐中。

王洋告诉 PingWest 品玩:“使用机器学习后,用户平均内容浏览量、打开频次、和通过内容引导产生的商品购买都有显著提升,若干指标超过10%。”

而衣二三借助机器学习解决“客户很难用语言描述自己想要的衣服”这一问题,实现了以图搜图,帮用户免去描述的烦恼和不确定。

并且,衣二三利用机器学习优化了若干个场景的个性化推荐。最终,“在相似商品推荐的位置, 点击通过率(CTR)涨了约 100%。在流式商品推荐位, 用户点击量涨了40%”。

衣二三 App 页面宝尊电商的后台运营效率也因采用机器学习得到了提升。通过使用图像内容自动识别、目标定位等计算机视觉相关技术,以及自然语言处理、自然语言生成等文本相关技术,可以针对电商网站上的商品,自动生成数字营销内容。同时,利用机器学习算法帮助店铺运营人员预测商品销售情况,也针对运营活动进行用户指标生成和运营策略制定等工作。

张建对 PingWest 品玩表示:“使用了机器学习方法后,扩展了应用场景,不用再为每个单一场景写算法,而是尽量用一个通用模型处理多个场景。并且,准确度的等性能指标有了翻倍的提升。随着数据积累,可以进一步提升模型性能。”

在采用机器学习过程中,Google 开源的 TensorFlow 深度学习框架成为大多数企业的选择。

王洋肯定了 TensorFlow 框架对业务的帮助:“在小红唇机器学习实践中,TensorFlow 对 CTR 模型提升效果显著,相较于传统的线性非线性机器学习算法库(如ScikitLearn等),使用神经网络模型在训练集和测试集的效果都有超过10%提高。”

宝尊电商同样在模型训练和生成中使用了 TensorFlow。张建告诉 PingWest 品玩:“TensorFlow 完全可以满足我们目前的机器学习需求,安装方便,上手也很快。另外社区支持很多,方便我们解决工作中的问题。”

衣二三则将 TensorFlow 应用于对商品视觉特征进行捕捉和抽象上, “抽象出来的视觉特征用于图片搜索和人货匹配”。

实践者的经验之谈

人工智能不是万能的,经过一番实践,先行者们总结出了一些经验。

王洋认为,零售行业有大量的有价值的用户行为数据,加上 TensorFlow 等深度学习框架,企业可以很好优化 CTR、商品下单预测等场景的性能。此外,在新零售蓬勃发展的环境下,机器学习在社交化选品和推荐等场景也有很大探索空间。

“基于视觉分析可以优化商品的标签分类、元数据管理,基于文本可以做商品评价分析,面向用户可以做个性化匹配与广告等。”程异丁对 PingWest 品玩表示。

张建概括地更加系统:首先,所有和图片相关的方面都可以使用机器学习相关的方法来提升工作效率。比如对于商品图片的自动化处理、对于视频内容的自动化识别、对于客户信息的自动化采集等方面。

其次,是利用 TensorFlow 这样的机器学习框架,完成对于海量结构化数据的自动处理和预测分析。比如销量预测、用户标签的自动生成、营销用户的自动识别和选取、风控策略的自动化实现等。

PingWest 品玩正在对零售&电商行业应用机器学习的情况进行一次调研,如果您和您的公司愿意将项目与我们分享,我们会和您深入沟通,并进行后续的公开报道和展示。分享项目请点击下面的链接:

http://f6561v8yvvye4oiz.mikecrm.com/jCQf1QL

题图来自 world.edu