探索新零售時(shí)代背后的技術(shù)變革

隨著線下場景布局的不斷發(fā)展，以及線上技術(shù)的持續(xù)推進(jìn)，一個(gè)真正屬于新零售的時(shí)代已經(jīng)來臨。

創(chuàng)新互聯(lián)專注于企業(yè)全網(wǎng)整合營銷推廣、網(wǎng)站重做改版、觀山湖網(wǎng)站定制設(shè)計(jì)、自適應(yīng)品牌網(wǎng)站建設(shè)、HTML5建站、商城建設(shè)、集團(tuán)公司官網(wǎng)建設(shè)、外貿(mào)網(wǎng)站制作、高端網(wǎng)站制作、響應(yīng)式網(wǎng)頁設(shè)計(jì)等建站業(yè)務(wù)，價(jià)格優(yōu)惠性價(jià)比高，為觀山湖等各大城市提供網(wǎng)站開發(fā)制作服務(wù)。

走完了廣州、成都、北京、深圳等四大城市后，個(gè)推技術(shù)沙龍TechDay于上海完美收官。來自京東到家、個(gè)推、億咖通、Pinlan的技術(shù)大咖們，在上海站的現(xiàn)場，為大家解析并展示了新零售時(shí)代下的新技術(shù)。

---

《大數(shù)據(jù)時(shí)代，用戶畫像實(shí)踐與應(yīng)用》

葉政君 個(gè)推大數(shù)據(jù)分析師

用戶畫像，即用戶信息的標(biāo)簽化，本質(zhì)上來說，用戶畫像是數(shù)據(jù)的標(biāo)簽化。常見的用戶畫像體系有三種：結(jié)構(gòu)化體系、非結(jié)構(gòu)化體系和半結(jié)構(gòu)化體系。非結(jié)構(gòu)化體系沒有明顯的層級，較為獨(dú)立。半結(jié)構(gòu)化層次有一定的層級概念，但是沒有過于嚴(yán)格的依賴關(guān)系。在電商行業(yè)中，較多的企業(yè)會選擇半結(jié)構(gòu)化的用戶畫像體系進(jìn)行應(yīng)用。以一個(gè)簡單的三級結(jié)構(gòu)化標(biāo)簽為例，一級標(biāo)簽有基本屬性和興趣偏好，并且由此可以延伸至二級標(biāo)簽和三級標(biāo)簽，具體到哪些屬性、興趣。

在畫像建設(shè)方面，開發(fā)者們可以參考一些通用的做法，如標(biāo)簽體系設(shè)計(jì)、基礎(chǔ)數(shù)據(jù)收集和多數(shù)據(jù)源數(shù)據(jù)融合、實(shí)現(xiàn)用戶統(tǒng)一標(biāo)識、構(gòu)建用戶畫像特征層、畫像標(biāo)簽規(guī)則+算法建模、對所有用戶進(jìn)行算法打標(biāo)簽和畫像質(zhì)量監(jiān)控等。

個(gè)推用戶畫像構(gòu)建的整體流程，可以分為三個(gè)部分，第一，基礎(chǔ)數(shù)據(jù)處理。基礎(chǔ)數(shù)據(jù)包括設(shè)備信息、線上APP偏好數(shù)據(jù)和線下場景數(shù)據(jù)。第二，畫像中間數(shù)據(jù)處理。處理結(jié)果包括線上APP偏好特征和線下場景特征等。第三，畫像信息表。表中應(yīng)有四種信息：設(shè)備基礎(chǔ)屬性、用戶基礎(chǔ)畫像、用戶興趣畫像和用戶其它畫像。同時(shí)，用戶畫像的構(gòu)建需要技術(shù)和業(yè)務(wù)人員的共同參與，避免形式化的用戶畫像。

在進(jìn)行用戶畫像構(gòu)建的過程中，個(gè)推主要運(yùn)用到的技術(shù)有數(shù)據(jù)存儲、實(shí)時(shí)計(jì)算、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。

而用戶畫像的應(yīng)用則包括：精準(zhǔn)營銷、用戶分析、數(shù)據(jù)挖掘、服務(wù)產(chǎn)品、行業(yè)報(bào)告以及用戶研究。

針對新零售時(shí)代下，APP的運(yùn)營者對于用戶畫像的需求，個(gè)推依托多年推送服務(wù)的積累和強(qiáng)大的大數(shù)據(jù)能力，推出了用戶畫像產(chǎn)品“個(gè)像”，為APP開發(fā)者提供豐富的用戶畫像數(shù)據(jù)以及實(shí)時(shí)的場景識別能力。

同時(shí)，個(gè)推獨(dú)有的冷、熱、溫?cái)?shù)據(jù)標(biāo)簽，也可以有效分析用戶的線上線下行為，挖掘用戶特征，助力APP運(yùn)營者篩選目標(biāo)人群。同時(shí)，個(gè)推還可以為APP提供定制化標(biāo)簽，滿足APP運(yùn)營者在用戶數(shù)字化管理方面的需求。

在實(shí)踐中，定制化標(biāo)簽的整合也有一定的難度，個(gè)推會結(jié)合雙方的數(shù)據(jù)，對其進(jìn)行建模分析，輸出定制化標(biāo)簽。總的來說，個(gè)推不僅有通用的標(biāo)簽維度，也有定制化標(biāo)簽的輸出能力。

舉兩個(gè)用戶畫像在個(gè)推業(yè)務(wù)中的典型應(yīng)用：第一，精準(zhǔn)推薦，APP的運(yùn)營者可以通過個(gè)像提供的性別、年齡層次、興趣愛好等標(biāo)簽，分別展示不同的內(nèi)容給用戶，以達(dá)到精準(zhǔn)化運(yùn)營，千人千面。

第二，用戶聚類，處理客戶提供的用戶數(shù)據(jù)，補(bǔ)全用戶畫像，最終進(jìn)行用戶聚類分析。

---

《即時(shí)物流場景下的機(jī)器學(xué)習(xí)實(shí)踐》

莊學(xué)坤 達(dá)達(dá)-京東到家 物流算法團(tuán)隊(duì)Leader

即時(shí)物流作為新零售的“水電煤”，在新零售模式中處于基礎(chǔ)核心環(huán)節(jié)，解決的是商品的配送效率問題。達(dá)達(dá)-京東到家作為國內(nèi)即時(shí)物流的領(lǐng)先平臺，在這方面進(jìn)行了大量的技術(shù)探索與積累。與傳統(tǒng)物流模式相比，即時(shí)物流場景下的配送具有更高的復(fù)雜度，具體表現(xiàn)為以下四點(diǎn)：1. 訂單類型多樣化；2. 時(shí)效性要求更高；3. 配送騎士的運(yùn)力難以掌控；4.送達(dá)目的地復(fù)雜多樣。而即時(shí)物流形式中存在的問題和挑戰(zhàn)，也可以總結(jié)為四個(gè)部分：高度動(dòng)態(tài)的物流訂單、配送成本的動(dòng)態(tài)性、訂單派發(fā)需要兼顧公平與效率、騎士自由搶單的管理。

現(xiàn)如今，新的算法模型層出不窮，算法可以選擇的自由度較高。但是在實(shí)踐中，數(shù)據(jù)決定了機(jī)器學(xué)習(xí)的上限，而算法只是盡可能逼近這個(gè)上限。一個(gè)成功而實(shí)用的算法體系，必須非常重視特征工程。開發(fā)者研發(fā)一套優(yōu)秀算法體系的前提，是獲取到優(yōu)質(zhì)的、具有精確特征的數(shù)據(jù)。達(dá)達(dá)結(jié)合自身的配送場景，積累了海量而精確的配送場景特征集合。

沒有最好的算法，只有某種場景下最合適的算法。在獲取到特征數(shù)據(jù)之后，即時(shí)物流場景所應(yīng)用的機(jī)器學(xué)習(xí)體系可以分為四層：基礎(chǔ)數(shù)據(jù)層、特征工程層、算法模型層、業(yè)務(wù)應(yīng)用層。開發(fā)團(tuán)隊(duì)還需要根據(jù)業(yè)務(wù)的應(yīng)用場景，對不同的算法模型進(jìn)行技術(shù)選型，比如線性模型擅長處理高維微觀特征，非線性模型則擅長處理較低維的宏觀特征，而在路徑規(guī)劃與調(diào)度當(dāng)中，傳統(tǒng)的運(yùn)籌學(xué)模型動(dòng)態(tài)規(guī)劃等可能更加合適。

最后，更加通用的AI可以由兩部分組成，第一部分是深度學(xué)習(xí)(DeepLearning)，解決端對端的學(xué)習(xí)問題；第二部分稱之為強(qiáng)化學(xué)習(xí)(Reinforcement Learning)，允許更加通用的學(xué)習(xí)架構(gòu)。如果這兩個(gè)部分結(jié)合到一起，就可以變?yōu)橐粋€(gè)非常通用的學(xué)習(xí)算法。達(dá)達(dá)智能供需調(diào)控系統(tǒng)的設(shè)計(jì)中，借鑒了AlphaGo的思路，充分發(fā)揮了這種模式的優(yōu)勢，使得調(diào)控效率的效果和自動(dòng)化程度同時(shí)獲得了大幅提升。

---

《使用智能對話機(jī)器人增強(qiáng)新零售服務(wù)鏈》

孔曉泉 吉利集團(tuán)Ecarx算法專家

與以往的零售方式不同的地方在于，新零售的過程中，沒有商超反饋和中間鏈條，企業(yè)需要直達(dá)顧客。這會使得一個(gè)to C企業(yè)，在客服和相關(guān)支持等方面，花費(fèi)更多的成本，并且承擔(dān)很大的壓力。而使用智能對話機(jī)器人提供新零售的服務(wù)鏈，則可以減少用戶的等待時(shí)間，提高用戶體驗(yàn)，并且極大地減低公司的客服成本。智能對話機(jī)器人應(yīng)用最多的領(lǐng)域是在線客服，其次是智能問答，如智能醫(yī)療等。

從技術(shù)角度來說，人機(jī)對話的流程是：語音識別（ASR）、基于文本的方式進(jìn)行自然語言理解（NLU）、通過理解到的意圖或?qū)嶓w進(jìn)行對話管理（DM）、自然語言生成（NLG）和語音合成（TTS）。

企業(yè)可以選擇Rasa Stack作為構(gòu)建智能對話機(jī)器人的基礎(chǔ)，它是一款開源的、基于機(jī)器學(xué)習(xí)的、為開發(fā)者和公司設(shè)計(jì)的機(jī)器人，智能性較高。由于對話機(jī)器人的軟件開發(fā)難度很高，自然語言的理解需要很多組件的配合，而Rasa Stack的優(yōu)勢是完全的數(shù)據(jù)控制、自行擴(kuò)充、自定義模型和完全的自驅(qū)動(dòng)，并且其背靠德國的Rasa Technologies GmbH，有一定的發(fā)展保障。

Rasa NLU能夠提取用戶的意圖和相關(guān)的實(shí)體，這相當(dāng)于把用戶千奇百怪的、非結(jié)構(gòu)化的、長短不一的數(shù)據(jù)轉(zhuǎn)化成結(jié)構(gòu)化數(shù)據(jù)。Rasa NLU的特色是基于 pipeline 的工作模式，擴(kuò)展能力強(qiáng)，并且支持多種語言，如英語、德語、中文、日文等，RASA NLU還內(nèi)置多種算法和配置，如MITIE、CRF、Embedding等。

RASA Core則是一個(gè)對話管理體系，如下圖所示，圖中的每一個(gè)箭頭都代表數(shù)據(jù)的流動(dòng)。

Rasa Core的特性是數(shù)據(jù)驅(qū)動(dòng)、擴(kuò)展能力強(qiáng)、支持多種Policy協(xié)同工作、內(nèi)置多種算法和配置，并且支持Interactive learning.

實(shí)際上，強(qiáng)化學(xué)習(xí)不僅是一種框架，它還提供了算法和配置，但是具體的做法和參數(shù)調(diào)節(jié)，還需要在實(shí)踐場景下進(jìn)行確定。另外，交互式學(xué)習(xí)能夠很快地測試到，用戶所得到的回復(fù)是否正確，并在錯(cuò)誤的情況下，進(jìn)行相應(yīng)的更改。

---

《AI賦能營銷數(shù)字轉(zhuǎn)化轉(zhuǎn)型》

李澤洲 Pinlan聯(lián)合創(chuàng)始人兼CTO

當(dāng)前，線下營銷正在從以零售商為中心，轉(zhuǎn)化成以購物者為中心的形式。而在這其中，機(jī)器視覺的落地，也對整個(gè)零售行業(yè)的轉(zhuǎn)變起到了很大的推動(dòng)作用。

計(jì)算機(jī)視覺是一個(gè)跨學(xué)科的領(lǐng)域，涉及到如何使計(jì)算機(jī)從數(shù)字圖像或視頻中，獲得高層次的理解。硬件和算法的進(jìn)步均催生了大量計(jì)算機(jī)視覺的應(yīng)用落地。

在深度學(xué)習(xí)進(jìn)入到計(jì)算機(jī)視覺的領(lǐng)域之前，計(jì)算機(jī)視覺技術(shù)主要被應(yīng)用于圖像處理、特征檢測和匹配以及運(yùn)動(dòng)估計(jì)。

隨著深度學(xué)習(xí)網(wǎng)絡(luò)的發(fā)展，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)很難被單純地應(yīng)用到計(jì)算機(jī)視覺領(lǐng)域。圖像的緯度很大，而人的觀察方式是對圖像當(dāng)中的某個(gè)局部信息，進(jìn)行認(rèn)真的觀察之后，才會逐漸地觀察到全局信息。

機(jī)器學(xué)習(xí)的流程是數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、模型訓(xùn)練、模型測試和模型服務(wù)。其中，零售行業(yè)的零售商更關(guān)心的是，SKU在超市中鋪貨時(shí)，是如何擺放的。

線下零售商有兩種方式可以進(jìn)行數(shù)據(jù)采集。方式一是利用手持終端（SFA）采集數(shù)據(jù)； 方式二是在超市中架設(shè)攝像頭，進(jìn)行固定場景的拍攝。方式二相較于方式一，有一定的優(yōu)勢存在，如可選擇高像素?cái)z像頭，圖像質(zhì)量高；固定場景下的拍攝，變化較小；數(shù)據(jù)可用性高；模型可以確保細(xì)粒度商品的識別。

在數(shù)據(jù)預(yù)處理階段，也有兩種方式可以對已采集的圖像數(shù)據(jù)信息進(jìn)行處理，方式一是提高圖像質(zhì)量，如調(diào)整亮度、對比度，對圖像進(jìn)行去模糊、超分辨率重建等。

方式二是訓(xùn)練圖像增強(qiáng)，在AI的實(shí)現(xiàn)過程中，在訓(xùn)練CNN網(wǎng)絡(luò)之前，對數(shù)據(jù)進(jìn)行增強(qiáng)是一個(gè)非常重要的環(huán)節(jié)。一般情況下，現(xiàn)實(shí)場景中所能收集到的數(shù)據(jù)量不是很大，這對于深度學(xué)習(xí)來說是一個(gè)致命的問題，這時(shí)便可以利用圖像增強(qiáng)或者圖像數(shù)據(jù)的擴(kuò)充，增加數(shù)據(jù)量，如圖像裁剪、圖像對比度變化、圖像亮度變化和圖像微旋轉(zhuǎn)。

在商品檢測模型訓(xùn)練的階段，目前前沿的算法框架包括 Faster-RCNN、RetinaNet和YOLO等。

通用商品檢測模型能夠支持海量的多種包裝類別實(shí)際場景數(shù)據(jù)，可以針對大小目標(biāo)和不同包裝類別，進(jìn)行大類拆分，并且能夠優(yōu)化模型結(jié)構(gòu)，增強(qiáng)場景適應(yīng)性。同時(shí)，通用商品檢測模型可以實(shí)現(xiàn)移動(dòng)端壓縮，支持移動(dòng)端檢測。

而細(xì)粒度商品識別模型訓(xùn)練則需要先收集海量SKU數(shù)據(jù)，建立商品數(shù)據(jù)庫，之后結(jié)合注意力機(jī)制，訓(xùn)練細(xì)粒度識別模型，然后在真實(shí)場景驗(yàn)證模型效果。在實(shí)踐中，Pinlan的細(xì)粒度商品識別模型，已經(jīng)能夠使自然場景商品識別準(zhǔn)確率提升至97%.

建立檢測模型和識別模型之后，開發(fā)者可以將兩者進(jìn)行結(jié)合，進(jìn)行線下零售的智能陳列分析，如陳列位置檢查、數(shù)量檢查、陳列規(guī)范檢查和陳列推薦。

以數(shù)據(jù)驅(qū)動(dòng)的新零售時(shí)代已經(jīng)來臨，面臨零售場所和消費(fèi)觀念的轉(zhuǎn)變，傳統(tǒng)零售需要整合和重組，充分地利用電子商務(wù)、大數(shù)據(jù)云平臺、移動(dòng)互聯(lián)網(wǎng)和人工智能等技術(shù)，讓線上線下一體化成為可能。

文章標(biāo)題：探索新零售時(shí)代背后的技術(shù)變革
本文路徑：http://muchs.cn/article46/jioihg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站營銷、面包屑導(dǎo)航、網(wǎng)站設(shè)計(jì)公司、建站公司、網(wǎng)頁設(shè)計(jì)公司、

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)