預測：深入探究機器將如何崛起

正如 Gaurav (另一位 Splunk 專家) 在他的零售業預測部落格中所描述的，我們不應該低估人工智慧和自動化對零售業的影響。技術改進和勞動力短缺的綜合效應，已經為這場創新打造了一個理想的場景。

今天，我們將更深入地探討我們在零售業中看到的一些人工智慧和自動化應用案例，並概述一些需要關心的重點領域，以幫助您進入狀況。我們將從簡單的開始，然後再看一些更複雜的自動化應用案例，特別是關注 Splunk 的強項——監控！

數位操作監控

對數位使用者操作的投資可獲得驚人的回報，根據 Forrester 的估計，每投資 1 美元改善使用者操作，可實現 100 美元的回報。然而，問題是很難找出最需要改進的使用者操作，因為數位操作通常是由複雜的應用程式堆疊所累積起來的。能夠建立基準並了解這些應用程式堆疊及其行為，可以提供有價值的洞察力，以了解那些領域可能可以透過改善而提高效能。 

例如，世界第三大零售商 Tesco 每周處理超過 4,200 萬筆交易，使用超過 15 萬個端點的系統。在這樣的規模下進行監控，很難了解哪些地方需要注意，即使是踏出集中資料的第一步也有助於為 Tesco 的客戶帶來持續改進。 

「有了 Splunk 集中這些資料，我們可以輕鬆地了解客戶操作的起點和終點，從而不斷地進行改進，提升他們的體驗。」Tesco 首席技術專案經理 Josep M. Olive 表示。

更廣泛地說，像 Paychex 這樣的客戶，會使用 Splunk 將其交易資料串接起來，獲得交易從 UI 到個別 SQL 查詢的可見性。他們使用機器學習工具套件來產生預測模型，確定哪些用戶會對交易時間產生最大的影響，然後偵測交易時間的異常情況，並找出獨特的客戶。這些洞察力使他們能夠專注於應用程式堆疊中最需要改進的領域。

那麼，該怎麼做？正如 Gaurav 在他的部落格中提到的，您必須主動監控您的數位平台的效能和可用性，在用戶感受到服務降級的影響之前就發現問題。不過，確定從哪裡開始以及如何開始有時並不容易，因此您應該思考以下問題來確定您的優先事項：

• 您是否能夠全面地觀察數位平台上正在發生的一切？若否，您需要一個策略來集中您的關鍵數位資料串流。
• 您是否已經整理好將導致效能下降的已知情景，以便團隊在客戶注意到之前就能收到警報？若否，您需要制定用於通知數位團隊出現降級問題的規則。
• 您是否能夠發現過去已知會對客戶產生負面影響的數位平台問題？若否，請考慮在您的數位 KPI 中使用統計學或機器學習來偵測異常情形。

同時考慮季節性活動 (如黑色星期五) 對服務可用性的影響，可能需要在一年中的高峰期擴展服務，以應對增加的需求。

庫存管理

確保倉庫和商店庫存補給充足，對大多數零售商來說是一個持續的挑戰。我仍然記得在 2015 年我在德勤 (Deloitte) 工作時 (那時我還沒有來到 Splunk)，其中一位主管說了一個與零售商的分析專案有關的事情，他們發現由於配送系統設定錯誤，他們向遠處的倉庫寄送了大量庫存，然後再將它們運回來。您可以想象這個問題帶來的浪費和成本，但不幸的是，在管理廣而複雜的供應鏈時，這樣的問題可能會發生。儘管您的庫存可以告訴您口袋裡現在有什麼，但您也應該關注您下一步需要擁有的東西。了解銷售通路的需求對於在適當的時間保持適當的庫存極為重要。

以使用 Splunk 經營業務的 Dominos 為例，他們是做這方面做得很好的公司：他們會視覺化業務銷售趨勢，如每分鐘的訂單數、每家店的交易數量、客戶訂購的披薩和其他食品種類，以及他們使用的優惠券等。這種對需求和可用性的可見性，能幫助他們在全球 16,300 家店每天準備超過 300 萬個披薩。

那麼，該怎麼做？首先要從可見性開始著手。如果您無法了解您的供應鏈和庫存中的可用情況，那麼您很難管理您的業務。

除了供應鏈可見性外，了解何處銷售良好是將庫存導向到正確地點的關鍵。網路購物資料和銷售點 (POS) 系統能提供有用的銷售情況資訊。對於許多 Splunk 的客戶來說，數位和實體店鋪的團隊和系統是獨立的，如果是這種情況，您需要確保可以從這兩個關鍵通路獲得洞察力，以便引導您的庫存管理。

客戶服務

從聯繫中心到在線聊天機器人，人工智慧和自動化的使用已經改變了客戶與零售商之間的互動方式。自動化不僅改變了客戶和零售商之間的動態關係，還可以真正幫助降低成本。調查顯示，僅使用在線聊天就可以將成本降低 50％，比提供免費電話號碼更有效率。

這不僅對客戶有幫助；人工智慧也可以提高對客服中心的內部監控。循環統計預測和異常偵測等技術非常適合找出客服中心或在線聊天數量會超出預期的時間點。

從最近的一波炒作來看，ChatGPT (最近有哪一個人工智慧部落格不談到 ChatGPT) 可以提供一些有趣的新方式來與客戶互動。我們都習慣了瀏覽線上商店，根據已經購買了相似產品的客戶來推薦產品，但是想像一下，如果您的搜尋會得到更具人性化的回應，建議您可能感興趣的產品，那會是什麼情況？也許我們可以有虛擬購物助手，當我們想要購買產品時可以與他們交談。在零售業中，AI 的使用還有更多的創新空間。

那麼，該怎麼做？客服中心已經經歷了一波由創新驅動的自動化，語音識別、聊天機器人和推薦系統已經在整個行業廣泛使用。像 ChatGPT 使用的大型語言模型 (LLM) 的最近發展則提供了另一種潛在的創新，因此請思考看看是否有哪些客戶操作可以透過這些技術進行增強。小規模的概念驗證可能會使您在競爭中占據優勢。密切關注 Splunk 資料科學和深度學習應用套件的最新版本，我們將提供一個工作流程，使用 LLM 從客服中心紀錄中提取有用的資訊。

監控客戶如何聯繫客服中心和用戶操作仍然非常重要，因此請確保您可以看到客戶如何與您的業務互動，特別是如果他們打電話投訴某事時。一些報告表明，80％ 的客戶在一次不好的體驗之後會轉向競爭對手。例如，主動發現客戶由於您的電話系統出現問題而無法使用的時間段，可以對整體客戶體驗產生實質的影響。

總結

AI 和自動化在零售行業中的應用已經非常普遍，我們已經列出了一些關鍵領域，這些技術的應用可以帶來價值，例如改善客戶操作和降低成本。

對於 Splunk 來說，這些技術的最佳用法是監控客戶操作和數位平台，以便在客戶抱怨之前主動發現問題。您有機會透過針對性的監控來改善您的服務，例如可以先從獲得關鍵客戶通路的可見性開始著手，再擴大到使用機器學習工具套件預測複雜服務中可能發生的問題， 希望這能激發了您思考在哪些地方可以使用 AI 和自動化來最佳化您的業務！ 如果您想尋找進一步的靈感，請在此閱讀我們的《2023 預測系列》中的其他主題。

POSTED BY

Greg Ainslie-Malik

Greg 是 Splunk技術顧問團隊的一員，是一位脫離數學界的專家，專門從事如何從機器學習和進階分析中獲得價值的工作。他曾是 Splunk 機器學習工具套件 (MLTK) 的產品經理，協助制定了核心 Splunk 平台中的機器學習策略。 他一個特別的職業亮點是與世界經濟論壇合作，提供有關 AI Procurement in a Box 專案的主題專業知識。

在 Splunk 工作之前，他在 Deloitte 工作了多年，在此之前 BAE Systems Detica 擔任資料科學家。在正式工作之前，他花了許多時間在大學攻讀數學學位，包括「PWM 過程的數學分析」博士學位。

當他不工作時，他通常會帶著他的三個小伙子四處走動，同時認為工作比在家要輕鬆得多……