零售業中的生成式人工智慧： 5 個需要考慮的主要用例

如果您正在考慮哪些行業將從採用生成式人工智慧 (AI) 解決方案中受益最多，零售業可能不是您第一個想到的行業。

然而，Salesforce 的一份新報告指出，17% 的買家已經使用生成式人工智慧來獲取購物靈感。 具體來說，用戶轉向 ChatGPT 等高度發達的語言模型 (LLM) 來研究小工具創意、獲取時尚靈感並製定個人營養計劃 - 而生成式 AI 成為主流才僅僅九個月！

在本文中，我們將探討實體零售商如何利用這種新興技術來自動化任務、增強客戶體驗，並透過優化供應鏈和消除詐欺來提高利潤率。

探索生成式人工智慧在零售業的變革潛力

生成式人工智慧是人工智慧的一個子集，它能夠利用經過訓練的資訊來創建新的、獨特的內容，例如文字、視覺效果、音訊和視訊。

與大多數針對特定任務（例如識別圖像和PDF 文件中的字元或檢測異常支付交易）而設計的基於人工智慧的解決方案不同，生成式人工智慧模型可以執行多個任務並產生各種輸出，只要它們與訓練相似即可資料集。

然而，兩種人工智慧之間的顯著差異並不意味著它們不能共存。 相反，這些技術有助於解決其他技術的缺點，使零售品牌能夠做出更明智的業務決策並改善其數位策略。

從廣義上講，生成式人工智慧的使用可以分為以下幾類。

綜合數據生成

傳統的人工智慧系統嚴重依賴大型資料集進行訓練。 然而，收集這些數據可能是一個耗時且成本高昂的過程，同時也引發隱私問題。 這就是生成式人工智慧派上用場的地方。 由於其在產生不同類型資料方面的多功能性，這項新技術可以幫助合成傳統人工智慧模型訓練的資訊。 此外，它還解決了與資料隱私和安全相關的障礙，使零售商能夠以無風險的方式優化人工智慧模型效能。

進階分析

傳統商業智慧 (BI) 系統擅長處理和分析結構化數據，以可讀格式呈現見解。 注入人工智慧的 BI 系統擁有分析來自各種內部和外部 IT 系統的結構化、半結構化和非結構化資料的能力。 零售業的生成式人工智慧解決方案模仿人工智慧驅動的數據分析工具的功能。 這些解決方案為沒有技術專業知識的員工提供了用戶友好的介面，以及從各種來源存取不同類型的數據，例如客戶評論和社交媒體提及。 此外，他們可以產生與您已有的資訊類似的數據，以放大您的分析工作並模擬反映當前市場趨勢和客戶行為變化的現實場景。

更聰明的內容創建

生成式人工智慧創建內容的能力是無與倫比的。 這就是為什麼世界領先的電子商務公司轉向生成式人工智慧來編寫 SEO 友善的部落格文章、登陸頁面和產品描述。 在實體零售中，產生人工智慧的內容相關應用可能不會產生如此變革性的影響。 然而，實體店仍然可以利用該技術來製作上下文相關的內容，從傳單和購物應用程式中的個人化行銷訊息到互動式顯示器上運行的產品影片。

讓我們看看這些功能如何與特定用例結合。

零售業 5 大生成式人工智慧用例

為顧客提供個人化購物指導

為了在實體店提供個人化的客戶體驗，企業可以使用基礎人工智慧模型來創建經過公司資料培訓的數位購物助理。 這些助理位於您的品牌應用程式中，可協助購物者在商店中尋找產品、捆綁排列相關產品、建立購物清單，並根據過去的購買和瀏覽資料提供折扣。 您還可以利用零售生成人工智慧技術為數位看板和資訊亭開發動態、自適應內容。

零售品牌利用生成式人工智慧驅動的個人化的一些早期例子包括家樂福，這是一家跨國零售和批發連鎖店，在 30 個國家經營近 14,000 家商店。 今年早些時候，該公司推出了 Hopla，這是一個由 ChatGPT 驅動的聊天機器人，可以根據家樂福顧客的預算、過去的購買情況和飲食限制，為他們提供個人化的購物提示甚至食譜。 這類聊天機器人可以成為免結帳購物解決方案的受歡迎的補充，為精通科技的客戶提供無縫協助。

加強實體店面的陳列設計

透過生成式人工智慧模型，零售商可以設計出更具吸引力、更有效率、更有效的商店佈局和產品展示，進而提升顧客體驗和銷售量。 正如我們在上一節中提到的，人工智慧有助於將各種客戶數據歸結為有意義的見解，建立商店佈局和買家行為之間的相關性。 例如，突出顯示商店中人流量大的區域的熱圖，可用於優化產品放置。

有遠見的零售商還可以利用人工智慧來製作迎合特定客戶群或個人偏好的顯示器，並使用互動式螢幕、擴增實境(AR) 應用程式和依賴藍牙技術的近距離行銷解決方案來刺激客戶與設計的互動。 雖然其中一些想法乍看之下似乎是科幻概念，但有時生成式人工智慧在零售業的建議可能就像在購買點 (POP) 展示一樣簡單，僅此一項就可以將銷售額增加多達 32 % 。

協助庫存和供應鏈管理

自 COVID-19 大流行爆發以來，零售業一直在應對嚴峻的供應鏈挑戰。 其中包括關閉邊境和隨後的運輸延誤、中國等國家嚴格的封鎖規定造成的生產中斷，以及買家行為巨大變化導致的持續庫存過剩和缺貨。

H&M 和 Zara 等精通科技的企業長期以來一直利用零售軟體開發服務，借助注入人工智慧功能的整合資料生態系統來解決這些問題。 例如，Zara 使用庫存單位 (SKU) 編號來追蹤所有採購，分析每個實體店的銷售趨勢，並根據實際需求調整生產量。 同樣，H&M 使用人工智慧來監控其所有 4,700 個地點的銷售情況、預測銷售量並及時補貨。

透過在零售供應鏈中使用生成式人工智慧，還可以預測需求、維持最佳庫存水準並優化物流運營。 問題是，生成式人工智慧與傳統人工智慧相比如何，它能帶來什麼好處？ 傳統零售人工智慧解決方案依靠歷史資料來檢測新資訊中的模式並提供智慧建議，而生成式人工智慧零售系統可以產生合成訓練資料。 利用這些數據，智慧演算法可以模擬市場狀況和場景，並對供應鏈模型進行壓力測試。 這些功能使生成式人工智慧成為缺乏大量銷售和物流數據的零售商的可行選擇，使公司能夠採用更精細的方法進行庫存規劃，並利用複雜變數優化供應鏈營運。

制定有競爭力的定價策略

實體零售商可以使用生成式人工智慧來制定動態定價策略。 第一步，他們需要收集有關客戶人口統計、行為和購買歷史的資料。 接下來，收集有關競爭對手特定產品類別價格的最新資訊至關重要。 您可以利用市場報告等外部來源的資訊來增強您的資料集。 此外，重要的是要考慮可能影響客戶購買模式的其他因素，例如季節、假期和黑色星期五等重複事件。 零售生成人工智慧系統將吸收這些數據並獲得必要的技能來解釋即時資訊並根據實際需求做出即時定價決策。 智慧演算法還可以幫助開發由客戶的購買歷史驅動的個人化定價策略。

消除詐欺

生成式人工智慧可以透過各種方式幫助偵測和防止實體零售店中的詐欺行為。 例如，當實際資料稀缺或敏感時，您可以讓生成式人工智慧創建真實的合成資料來訓練機器學習模型。 這些數據可用於教授電腦視覺驅動的安全系統，以發現商店行竊和甜心事件——有關零售業中這些人工智慧應用的更多信息，請查看我們最近關於未來超市的部落格文章。

生成式人工智慧還可以創建真實的交易數據，幫助偵測詐騙活動，例如虛假退貨和購買。 這不僅可以增加客戶信任，還可以提高您的整體財務績效。 甚至可以選擇將基於區塊鏈的智慧合約與生成式人工智慧零售解決方案相結合，以檢測傳統零售供應鏈中未經授權的賣家和假冒產品。

您的公司可以使用區塊鏈智慧合約，在滿足某些條件時自動執行，而產生人工智慧將即時分析區塊鏈數據，識別人類操作員可能錯過的模式和趨勢。 這種組合的一些實際用例包括使用獨特的二維碼或序號來驗證產品，然後利用生成式人工智慧來預測與這些程式碼的生成相關的詐欺模式。 此外，從技術上講，可以實施人工智慧演算法來分析區塊鏈技術上的供應商資訊和交易，以識別未經授權或虛假的賣家。

儘管零售生成人工智慧仍處於早期階段，但作為有遠見的領導者，您應該考慮盡快將該技術添加到您的數位工具箱中。 隨著客戶在實體店購物時越來越依賴智慧型手機和應用程序，您可以利用生成式人工智慧來個性化您的訊息，微調您的追加銷售和交叉銷售策略，並更深入地了解消費者行為。

然而，在業務中實施任何類型的人工智慧時，您的組織可能需要克服某些障礙。 為了幫助您順利完成 AI 試點項目，ITRex 團隊編寫了幾份實用指南。

• 解釋什麼是 AI 概念驗證 (POC) 以及為什麼它對專案的成功至關重要
• 人工智慧實施挑戰概述
• 商業人工智慧手冊提供了在組織中實施人工智慧的分步說明
• 影響人工智慧開發成本的因素總結（對我們投資組合中人工智慧專案的大致估計）

如果您在零售業實施傳統或生成式人工智慧方面需要協助，請聯絡 ITRex！ 我們利用在數據科學、雲端運算、DevOps 和客製化軟體工程方面的豐富經驗來微調現有模型並從頭開始建立客製化人工智慧解決方案。

本文原刊於 itrex 網站。