人工智能时代：破解人机共存密码（套装共10册）

一家有着百年历史的大型连锁超市，就曾利用通过人工智能建立起的个性化产品推荐体系提高了自身利润。起初这家超市和大部分超市一样存在同质化程度严重的情况，顾客流失率大，导致利润率薄。通过建立个性化产品推荐体系，该超市的AI中台将顾客的表层肖像描述、深层需求挖掘以及产品之间的关系有机结合，预测顾客在将来一周内的购买行为，结合其他多种维度的因素，做出恰当的个性化推荐。基于人工智能的个性化推荐体系使该大型连锁超市新品推荐成功率上升了15.7%，顾客流失率降低了10.2%，人均消费总额提高了7.4%。

智慧营销的另一个体现就是会员制，会员体系在如今的商业模式中已成常态，众多平台都打造出了自己的会员体系。例如，大部分企业会对会员提供一系列的购买优惠、增值服务或给予其他奖励，这样不但可以奖励忠诚顾客，而且能够刺激消费并留住核心顾客。会员权益设计作为顾客运营的重要部分，以“福利”之名不断刺激顾客进行升级，产生物质激励的作用，有部分权益应该是尊享型的，只对极少顾客开放，营造一种稀缺感和尊贵感，起到了精神激励的作用。

设计会员权益主要有两大要点，第一是预估顾客价值，预估不同等级的顾客在生命周期内能创造的价值，设计权益时尽量把控权益成本。第二是权益匹配，不同等级的会员的权益要有所差别，譬如，有些基础权益是会员都可以享有的，而另外一些权益是会员升级达成一定的条件才可以享受的，如果随意地进行权益匹配，未必能起到好的激励作用。

会员体系虽然由来已久，但过去做会员运营，方式比较单一，所以会员活跃度并不高；通过人工智能权益设计进行的会员运营，在加强品牌忠诚度的同时，也能提升会员复购率。例如，一家旗下有多个知名品牌的服装零售巨头想要通过这样的会员权益设计，来提高会员复购率。具体做法首先是处理海量数据，包括运营数据、顾客数据、销售数据、交易数据、商品数据和行为数据等，之后利用这些数据进行顾客价值分析及聚类分析，得到的客群分类与顾客价值一一匹配。

权益设计是基于联合分析手段进行的。通过人工智能进行学习建模，能预测出哪种权益类型对应哪类客群所产生的商业价值可以达到最大，从而恰当地将客群与相应的权益类型进行匹配，比如客群一对应某种VIP权益，客群二对应某种礼品权益，客群三对应某种积分权益，等等。这种忠客运营体系，为不同客群匹配最佳权益，增加了客群忠诚度，提高了复购率，最终为该服装零售巨头带来了2亿多元的增量收入。

用户价值预测和个性化推荐等都需要基于用户的完整画像，但是由于市面上媒体的形式和属性繁杂，同一个人可能在不同媒体上停留，因此想要完全地了解用户需求，不重不漏地为其提供合适的广告内容，还是有一定难度的。全域营销就是为实现在极为多样的媒体上识别这个人，并且快速地提供与这个人相关的广告而出现的。全域营销需要打通整个生命周期、全链路、全媒体和全渠道的数据，通过人工智能全面提升有效触达率、转化率以及营销效率。

如图7-3，这是全域营销的示意图，具体做法是首先将企业内部所有数据打通，无论用户是通过App端、网页端还是线下消费形成的业务数据、用户数据、交易数据、竞品数据、外部数据和全链路行为数据，都要在中台内打通。然后，通过数据清洗和特征提取，建立一系列基于机器学习或深度学习的人群画像模型、个性化创意模型、个性化触达模型、价值预测模型、个性推荐模型及忠诚奖励模型等，增加用户的黏性。比如说，一家大型电商平台想要通过全域营销提高营销效果，那么在这其中，全域营销的主要任务是通过合适的渠道把精准的内容推送到用户面前，这家电商平台通过人工智能，可以精准地预测出用户想要购买的商品，然后再通过各种各样营销渠道，包括App、电话和门户网站等，把相应的广告内容推送给用户，从而最终增加整体的响应率。

在全域营销过程中，人工智能可以提升包括引流、潜客转化、新客互动、用户运营、存量提升、防止流失、流失激活和营销触达等各环节的效率，最终实现更多的转化，这不仅使得该电商平台营销活动平均响应率提升数倍，营销活动的总体投资回报率也提升接近40%，同时用户关于精准性的正向反馈也大幅度提升。如果原来付出一元钱只能产生两元钱，现在付出一元钱能产生将近三元钱。按照这个倍数来看，在营销费用很大的情况下，营销的投资回报率只要提升几个百分点就能够产生非常可观的增量收入。

智慧广告

广告作为营销活动必不可少的手段，使企业可以开发和利用优质的营销资源，满足用户的需求。在零售营销的过程中，利用人工智能来优化广告效果发挥着重要的作用。我们以一家知名线下品牌为例，详细解读人工智能是如何实现广告优化的。该品牌在几年前斥巨资购买了某头部App首屏广告位，虽然凭头部App庞大的流量，该品牌的广告获得了较多曝光次数，但是由于一个广告创意只能和部分用户群体产生共鸣，大部分用户看到广告也不会点击。其结果是虽然广告费用高昂，投放产生的效果却并不显著。

而通过人工智能可以对数据进行分析，指导和优化投放方式，帮助企业进行高效率、高性价比的精准广告投放。具体的做法是，首先打通这个品牌自身的数据和广告投放App的数据，通过用户在App上及站外的行为轨迹，包括浏览情况、收藏情况、广告点击情况和商品购买情况等数据，来掌握其点击和购买行为的规律。例如，某些用户更喜欢看母婴类资讯或者体育类资讯，我们利用人工智能将这些兴趣标签化，形成相应的用户画像。再根据大量用户的画像标签，建立起人工智能模型，预测任何一个用户对不同广告内容的点击率以及转化率。

这里的优化目标有两个，第一个是优化点击率，考量广告有效性的一个重要指标就是点击率，有了点击才有可能进一步影响用户。因此，我们需要通过人工智能对上百种广告创意打分以及做智能排序，选出点击率最高的广告推送给用户，从而产生更高的点击率。第二个是优化转化率，品牌自身长期积累了千万级的用户数据，利用这些数据，通过人工智能优化产品的营销和推广，可以获得更高的价值回报。经过人工智能优化之后，这个品牌在该App上的整体投资回报率提升了将近2倍。

在这个案例里，品牌虽然还没有建立起完整的数据中台和AI中台，但已经实现了一定程度的数据打通，这样依然能够实现人工智能的价值。所以，对于企业来说，并不是必须构建完善的中台体系后才能实现人工智能赋能，而是可以先在场景下实现局部打通，从单点人工智能的建立起步，逐步完善，落地以后就可以获得相应业务价值的提升。

智慧供应

纵观所有零售体系，用户是其核心，但是商品的供应也同样是关键。商品供应链将商品从生产链转移到消费链，使商品能够被用户接触、了解和消费。商品供应链将生产商、分销商、零售商以及用户连接在了一起，形成一个完整的零售链，能够保证商品的流通和消费。而在商品供应的过程中，选品至关重要。要想提高商品的销售额，就要做好前期的选品工作。所谓选品，就是通过数据分析，决定选出哪些商品或者商品的哪些型号，来进行销售。

一家位于华中地区的大型超市集团，其连锁门店一直存在货架上放置商品的品类太多、货品积压严重的问题，而且积压的商品有很大一部分是低价值商品，并不会带来较高的利润。该超市最终通过人工智能解决了这个问题。人工智能主要从两方面考虑这个问题：一个是通过商品对会员价值贡献进行预测，基于会员的未来价值并结合其消费习惯，保留对会员价值贡献度最高的商品；另一个是通过进行商品关联度的预测，找到需要保留的商品组合。基于这两个方面的预测，对商品的重要性做出总体的评价，从而做出选品决策。通过人工智能对商品重要性做出评价来选品，可以帮助这个大型连锁超市单门店减少14%的商品，在降低运营成本的同时还可以提升利润率。

智慧供应的重要一环是销售预测。销售预测是指通过人工智能对以往的销售数据以及其他大数据维度进行分析，最终形成对未来销售情况的预测。通过销售预测，可以以销定产，合理安排库存，避免商品积压；为商品的及时补货提供参考依据；还可以调动工作人员积极性，使商品尽早销售出去，创造更多的价值。

在传统的销售预测里，一般采用征集销售人员或专家意见的方式来预测市场的需求量，或是采用基础统计的方法，这些方法不仅需要较大的工作量和成本，而且预测的准确度也不高。人工智能的销售预测和传统销售预测的区别在于，人工智能预测会针对更多数据维度。人工智能的数据输入包括每天的进销存数据、外部环境数据、供应商数据、行业产品销售数据、天气影响数据、产品及竞品促销数据等。这里面包括很多大数据维度，这些数据维度整合在一起，可以帮助AI中台进行销售预测，预测未来一段时间内商品的销售情况。

在零售场景中，基于大数据的人工智能销售预测，对未来两周内销售预测的准确率能够达到75%\~85%。相比而言，运用传统策略加上人工经验的方法，销售预测的准确率一般最高只有70%，所以说人工智能可以帮助零售商更好地预测商品的销量。同时，基于大数据的人工智能销售预测也可以显著地降低库存周转天数，直接实现相应的效益提升。例如，生鲜类品牌通过这种销售预测可以优化库存管理、减少生鲜损耗、降低经营风险。

产品和舆情洞察

在零售行业，我们一直强调要以用户为核心，但是我们的最终目的都是将产品销售给用户，所以打造满足用户需求的产品至关重要。因此，产品洞察也是人工智能一直以来的重要应用方向。传统上，如果要推出新的产品，或者进行产品优化，需要通过产品经理去发现高价值的创新点，以及不断地思考产品定位、差异点等问题才能实现。而通过人工智能进行分析预测，可以快速找到符合用户需求的产品功能，提供可靠的产品研发建议，有效地避免了人工决策过程中可能出现的失误。

比如说，人工智能就曾帮助一个市值百亿元的家电品牌选择研发方向，其具体做法是首先分析各种网络平台上跟该品牌产品相关的用户评论和吐槽等海量非结构化数据。基于人工智能的自然语言理解，把数据进行标签化处理，并从海量数据中分析、提炼和归纳出高价值点，从而帮助企业优化或创新产品。通过人工智能，这个家电品牌每月都能发现数百个关于用户需求的潜在高价值点。

具体来说，人工智能通过训练语料可以学习出相应的语义模型，从而为新的语料打上准确的语义标签，进而产生对应的用户关注点、用户痛点和高价值点。这一过程主要分为两步：第一步是给评论做标签化语义处理，理解用户在表达什么东西，比如用户对于空调的评价，是噪音太大，还是制冷太慢，又或者是对吸尘器的评价，是吸不干净，还是不好操作，等等；第二步，进一步筛选和分析语料，判断普通关注点、痛点和高价值点。通过人工智能对用户的关注点、痛点和高价值点进行标记以后，能够为企业的产品决策提供便捷有效的工具。

舆情是一个企业的形象，是用户对产品和服务的情感评价。如果舆情正面，大家都对产品和服务表示欣赏，会进一步吸引其他受众购买；如果舆情较为负面，不但会失去新的潜在用户，现有的用户也有可能会流失。所以，舆情洞察也是零售企业需要高度重视的环节。人工智能对舆情分析起到的作用是，基于自然语言理解和情感分析，迅速洞察并处理企业可能出现的公共关系问题，其中包括媒体传播评估、危机预警和危机管理等功能。例如，当出现负面评论时，企业可以通过人工智能实时做出检测和反馈，及时维护品牌形象。

总部位于广东的一家著名住宅开发商就通过人工智能监测舆情，并且卓有成效。这家住宅开发商每日需要关注的相关资讯非常多，所以需要一个强大的舆情监控系统来对舆情数据进行收集、整理和分析。该开发商的人工智能舆情监测系统能够根据想要监测的维度，对相关舆情进行实时不间断的监测，通过这个系统曾成功预警5次重大危机事件，有效地制止了危机信息的扩散，维护了品牌形象。

通过人工智能，零售业各个环节都能得到优化和提升。在智慧营销层面，人工智能可以构建每一位用户全方位的画像，提升广告和内容的精准度，从而做到千人千面，实现精准营销。在供应链层面，人工智能可以帮助企业降低库存和供应链成本，实现效益提升，形成基于用户需求和线上、线下销售一体化的供应链智能管理体系，提升企业经营效率。再到产品层面，人工智能可以更为准确地找到产品痛点，帮助企业做好产品的优化和创新，还可以通过对企业舆情的实时监控，有效制止危机扩散，维护企业形象。

人工智能的应用最终都指向同样的目标和追求：降低成本、提高效率、提升体验。随着技术水平的飞速发展，人工智能在零售领域的用武之地也越来越广，发挥的作用越来越大。AI思维一直坚持数据驱动决策，我们完全可以相信，在不久的将来，人工智能不但会继续赋能零售业，还会驱动整个零售业的变革和发展，为用户和企业带来更多惊喜。

工业AI实战

工业4.0时代对传统工业来说是一种挑战，更是不可多得的机遇。要提高整个行业的智能化水平，促进产业的变革，工业必须借助人工智能这把利剑。人工智能在工业中发挥潜能，在规模化的工业上创造出的价值可以让所有人受益。经过几十年的发展，工业自动化已经可以在生产中被广泛应用，但人工智能在工业上的应用目前还处于起步阶段，只在个别的工业场景实现了人工智能的应用。工业人工智能作为一种系统化的方法论可以为工业应用提供解决方案，不仅可以让工厂自行生产和组装，也可以具备智能管理、智能质检和智能维护等功能。随着第四次工业革命来临，工业自动化将与人工智能融合提升，助力工业实现智能化升级，为工业带来新的增长点。

在这个过程中，人工智能通过对大量工业生产制造过程中产生的数据智能感知，通过模型进行决策，最终实现优化控制、提高质量、降低成本和提升效益等效果。人工智能在具体的生产操作和检测中可以比人工更加精准和及时，在很大程度上提高工程效率，为企业节省成本、提升效益。

人工智能的建模分析是实现人工智能赋能工业的基础，下面我们将从智慧工厂、智慧工地和智能环保这三个方面展开，详细讲解人工智能模型实际应用的案例。

智慧工厂提升生产效益

随着工业4.0时代的到来，工业智能化越来越成为未来工业的发展趋势。企业为应对日益激烈的工业市场竞争，将智能制造视为必备武器。智慧工厂是将产品和制造连接在一起的纽带，使智能制造成功落地。智慧工厂在智能制造中的作用日益凸显，工业领域中越来越多的企业开始配备自己的智慧工厂。

智慧工厂是指在对工厂各个系统、各个流程的运行数据深刻分析的基础上，训练出基于人工智能的系统，为工厂提供智能决策服务，并具有自我学习和自我更新功能。简单点来理解，智慧工厂就是在数字化工厂的基础上，减少了生产线上的人员参与，实现了工厂从原料选择、产品设计、产品制造再到物流等流程的自动化和智能化，既能降低生产成本和能耗，又能提高生产效率，在满足市场需求的同时，为企业带来更多的盈利。

例如，一家全球领先的石化公司就通过智慧工厂优化生产，大大降低了能耗。该石化公司的一个主要业务是化纤生产。化纤是将煤、石油、天然气等原材料经过化学加工得到的，所以化纤生产属于高能耗产业。在生产化纤的过程中，锅炉燃烧需要合理控制数百个参数，比如燃料量、氧气量和进风量等，这里面任何一个参数的变化都有可能影响到化纤生产过程中的能耗。但传统化纤行业在多年的实践中，并没有形成一套科学的参数调节方法，而是大体依靠人们以往的经验来判断和调节。由于煤炭燃烧成本非常高，如果继续按照以往的方法来做，很难实现燃烧效率的提升。最终，该企业成功通过人工智能解决了这个问题。

通过对化纤生产过程中的数据进行采集分析，根据数据训练人工智能模型，并将模型输出的控制参数反馈给生产系统，可以实现精准控制和优化，具体做法如下：

首先，该企业进行了数据采集分析。化纤生产的数据采集包括两方面，一方面是采集锅炉燃烧过程中所需要操控的数百个参数；另一方面，需要采集在一段时间内形成的历史数据。通过对各种参数的综合分析，找出对锅炉燃烧能耗影响最大的一些参数定为关键参数。采集这些关键参数与燃烧能耗的历史数据，形成模型学习的训练集。之后，通过数据分析推导出关键参数（_x）与燃烧能耗（_y）之间的变量关系，根据这个变量关系，并以训练集为样本来学习人工智能模型。

模型搭建完成之后就可以发挥作用了，所有的人工智能模型都是为了落地实践而搭建的，所以要将模型输出的结果反馈给生产系统，调整生产过程中的参数，实现精准控制优化。在实际运行过程中形成的新数据也会实时更新到模型中，以此来不断优化和完善模型，提高模型决策的准确性。通过人工智能模型形成的决策，可以对化纤生产过程中的相关参数进行优化调整，降低生产的成本和能耗，产生实际的经济效益。该企业通过人工智能模型的精准控制，最终在化纤生产中实现的效果是燃煤消耗显著降低，每年节省的燃煤成本逾千万元。