近年来，在封控、供应链中断和能源危机之间，零售商们一定觉得自己像头恐龙，试图躲避小行星雨，避免灭绝。
但与那些巨大的史前爬行动物不同，零售业可以依靠一系列技术创新来更好地应对困难时期的这些挑战。
而最有影响力的工具之一无疑是人工智能，包括其强大的子分支机器学习(ML)。让我们简要介绍一下这项技术的性质，并探讨零售业中机器学习的关键用例。
零售业中的机器学习依赖于自我改进的计算机算法，这些算法用于处理数据，发现变量之间的重复模式和异常，并自主学习这种关系如何影响或决定行业的趋势、现象和业务场景。
机器学习系统的自我学习和情境理解潜力可以在零售业中用于：
零售商如何从上述机器学习算法的实际功能中受益？以下是典型零售场景中最相关的机器学习用例。
虽然主要用于电子商务，但有针对性的营销是一种将潜在客户引导至在线平台和传统商店的强大工具。这涉及根据一系列行为、心理、人口统计和地理参数（例如他们的购买和浏览历史、年龄、性别、兴趣、地区等）对用户进行细分，并针对他们推出完全个性化的广告和促销活动。
一种不同的、更具互动性的解决方案是情境购物，它可以吸引用户的注意力，并将他们引向你的电子商务平台。该营销工具利用机器学习和计算机视觉来识别和指出社交媒体上视频和图片中显示的商品，同时提供一种“快捷方式”来访问在线商店的相关商品页面。
一旦用户登陆在线平台，他们可能会在海量的商品中迷失方向。推荐引擎是一种强大的工具，旨在将客户可能实际需要的商品推到他们眼前。
为了提供量身定制的建议，这些系统可以采用基于内容的过滤方法，即推荐与过去购买的商品具有相似特征的商品，或者选择协作过滤，这意味着推荐具有相似购买模式、个人特征和兴趣的其他客户订购的商品。
由于机器学习，产品推荐和广告并不是唯一动态变化的东西。如今，大多数在线商店和电子商务平台都会根据产品需求和供应的波动、竞争对手的促销和定价策略、更广泛的销售趋势等因素不断调整价格。
聊天机器人和虚拟助手是由机器学习和 NLP 提供支持的高度交互工具，能够为客户提供 24/7 的用户支持（包括有关可用产品和配送选项的信息），同时发送提醒、优惠券和个性化建议，以增加销售额。
产品补货和其他库存管理操作绝不能碰运气。为了更好地匹配商品供应和需求、优化仓库的空间利用率、避免食品变质，值得依赖机器学习算法的分析和预测能力。这意味着要考虑多个变量，例如价格波动或基于季节性的购买模式，来预测未来的销售趋势，并因此规划适当的补货计划。
可以通过机器学习增强物流的另一个方面是商品交付。由物联网传感器和摄像头网络收集的交通和天气数据为机器学习驱动的系统提供动力，可以轻松计算出最快的交付路线。并且，通过处理用户数据，它们可以推荐合适的交付方法，以更好地满足客户需求。
这种方法的典范应该是亚马逊实施的基于机器学习的预期发货技术，该技术允许根据客户的购买模式预测未来的交付，并将产品转移到离客户最近的仓库，因此能够在客户实际下单时更快、更便宜地发货。
这种用于商品交付的机器学习和计算机视觉的实施方式还远未完善和大规模实施，然而，像亚马逊和克罗格这样的公司正在押注这项技术，不久我们可能会依靠自动驾驶汽车来加快商品配送。
由机器学习驱动的计算机视觉系统可以发现窃贼。这些工具与传统视频监控解决方案的主要区别在于，后者基于一种相当不准确的基于规则的方法来识别闯入者，这种方法存在大量误报。另一方面，机器学习系统可以识别更微妙的行为模式，并在可疑情况发生时提醒管理人员。
对于在线零售商和电子商务平台而言，盗贼更有可能从信用卡中偷钱，而不是偷拿货架上的商品。由于机器学习算法旨在识别重复出现的模式，因此它们也可以查明任何偏离正常的事件，包括异常交易频率或账户数据不一致，并将其标记为可疑，以供进一步检查。
事实证明，人工智能、机器学习和认知技术在增加利润和优化成本、个性化客户体验、提高物流和库存管理方面的运营效率，以及确保安全的零售环境方面具有不可估量的价值。
事实上，Fortune Business Insight 的 2020 年报告强调，到 2028 年，全球零售业人工智能市场预计将达到 311.8 亿美元，其中机器学习是其核心部分。
从零售业的角度来看，这将使机器学习成为一个灯塔，使其能够在经历两年多的风浪之后，找到正确的航线并停靠在安全的港口。（编译：iothome）
