Splunk app for Data Science and Deep Learning

正如高拉夫在他的零售預測博客中描述的那樣，人工智慧和自動化對零售業的影響不應被低估。 技術進步和工作力短缺的複合效應為創新創造了理想的場景。

在這裡，我們將更深入地瞭解我們在零售業中看到的一些 AI 和自動化用例，並概述一些重點領域以説明您入門。 在查看一些更複雜的自動化用例之前，我們將從簡單開始，特別注意 Splunk 的最佳點 - 監控！

數字體驗監控
對數位用戶體驗的投資可以獲得可觀的回報，Forrester估計，在改善用戶體驗方面每投資1美元，您就可以實現100美元的回報。 然而，確定使用者旅程中最需要改進的元素可能很困難，因為數字體驗通常由複雜的應用程式堆疊實現。 能夠對這些應用程式堆疊及其行為進行基線和瞭解，可以為堆疊中可以從性能改進中受益的區域提供有價值的見解。

例如，全球第三大零售商 Tesco 每周使用包含超過15萬個端點的系統處理超過4200萬筆交易。 這種規模的監控使得瞭解將精力集中在何處變得困難，即使是集中數據的第一步也有助於推動樂購客戶的持續改進。

“由於所有這些數據集中都集中在Splunk中，我們有一個關於客戶起點和終點的端到端故事，因此我們可以不斷反覆運算和改善他們的體驗，”Tesco首席技術專案經理Josep M. Olive。

更廣泛地說，我們已經看到像 Paychex 這樣的客戶在Splunk中將他們的交易數據拼接在一起，並了解他們的交易，從UI一直到單個SQL查詢。 他們使用機器學習工具包來説明生成預測模型，以確定哪些使用者人口統計數據對交易時間影響最大，檢測交易時間中的異常值並識別唯一客戶。 這些見解使他們能夠專注於應用程式堆疊中可以從改進中受益最大的領域。

那麼，該怎麼辦呢？ 正如 Gaurav 在他的博客中提到的，主動監控數字平臺的性能和可用性，以便在客戶感受到服務降級的影響之前發現問題。 但是，知道從哪裡以及如何開始有時可能具有挑戰性，您應該考慮以下問題來確定您的優先事項

• 您是否能夠全面瞭解數字平臺上正在發生的事情？ 如果沒有，您需要一個策略來集中您的關鍵數字數據流。
• 是否已編纂導致降級的已知方案，以便在客戶注意到之前向團隊發出警報？ 如果沒有，請投資創建規則以通知您的數字團隊降級。
• 您是否能夠發現數字平臺上以前未知的問題，這些問題可能會對您的客戶產生不利影響？ 如果沒有，請考慮如何在數位 KPI 中使用統計數據或機器學習來檢測異常。
• 還要考慮季節性事件（如黑色星期五）對服務可用性的影響，一年中的高峰時段可能需要擴展服務以處理增加的需求。

庫存管理
對於大多數零售商來說，確保倉庫和商店庫存得到適當的庫存是一項持續的挑戰。 我仍然記得2015年我開始在德勤工作的時候——遠在我來到Splunk之前——其中一位董事講述了一個關於零售商分析專案的故事，他們發現他們正在將大量庫存發送到一個遠端倉庫，然後由於分銷系統配置錯誤而再次返回。 我相信你可以想像與這個問題相關的浪費和成本，但不幸的是，在管理像這樣的龐大而複雜的供應鏈時，可能會發生這樣的問題。

雖然您的庫存會告訴您現在擁有什麼，但您還應該關注下一步需要擁有什麼。 瞭解整個銷售管道的需求對於在正確的時間保持正確的庫存至關重要。

以達美樂為例，瞭解如何做好這項工作，他們使用Splunk來經營他們的業務：可視化各個地理位置的業務銷售趨勢，例如每分鐘的訂單數，每家商店的交易數量，客戶訂購的比薩餅和其他食品類型以及他們正在使用的優惠券。 這種對需求和可用性的可見性有助於他們每天在全球 16，300 家商店準備超過 300 萬個披薩。

那麼，該怎麼辦呢？ 從可見性開始。 如果您無法瞭解您的供應鏈和庫存以了解哪裡有什麼可用，那麼您將很難管理您的運營。

除了供應鏈可見性之外，瞭解什麼在哪裡賣得好是將庫存運送到正確位置的關鍵。 在線購物數據和銷售點 （POS） 系統為您的銷售提供有價值的見解。 對於Splunk的許多客戶來說，數位和店內團隊和系統是分開的 - 如果是這種情況，那麼您需要確保可以從這兩個關鍵渠道中獲取見解，以告知您的庫存管理。

顧客服務
從聯絡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互動的方式。 除了改變客戶和零售商之間的動態關係外，自動化還可以真正説明降低成本 - 調查表明，與提供免費電話號碼相比，僅即時聊天就可以將成本降低50%。

它也不會止步於客戶; 人工智慧還可以改善聯絡中心的內部監控。 週期性統計預測和異常等技術非常適合識別呼叫中心的呼叫數量或打開的即時聊天數量超出預期數量的時間點。

看看炒作，ChatGPT（最近有沒有提到ChatGPT？ ）可以提供有趣的與客戶互動的新方式。 我們都習慣於查看根據進行類似購買的客戶向我們推薦產品的在線商店，但是想像一下，如果您的搜索序列用於提供聽起來更人性化的回應來建議您可能感興趣的內容？ 也許我們可以有虛擬購物助手，我們可以在嘗試購買產品時與之交談。 在零售業使用人工智慧方面，還有更多顛覆的空間。

 
那麼，該怎麼辦呢？ 聯絡中心已經看到了一波創新驅動的自動化浪潮，語音辨識、聊天機器人和推薦系統已經在整個行業中普及。 像 ChatGPT 使用的大型語言模型 （LLM） 的最新進展提供了另一個潛在的顛覆者，因此請考慮是否有可以通過這些技術增強的客戶旅程 - 小規模的概念驗證可能會讓您在競爭中佔據優勢。 請留意 Splunk app for Data Science and Deep Learning 的下一個版本，我們將介紹使用LLM從呼叫中心記錄中提取含義的工作流程。

監控您的客戶聯絡中心和使用者旅程也仍然至關重要，因此請確保您了解客戶如何與您的業務互動。 如果他們打電話抱怨某事，這一點尤其重要，一些報告表明，80% 的客戶會在一次糟糕的體驗后與競爭對手做生意。 例如，主動發現客戶因電話系統停機而難以呼叫的時間段，可以對整體客戶體驗產生真正的影響。

總結
人工智慧和自動化在零售業的使用已經很普遍，我們已經概述了這些技術的應用可以提供價值的幾個關鍵領域，例如改善客戶體驗和降低成本。

對於我們Splunk來說，這些技術的最佳點是監控您的客戶體驗和數字平臺，以便在客戶投訴之前主動發現問題。 從瞭解關鍵客戶管道的小處著手，到使用機器學習工具包在複雜服務中發生潛在問題之前預測潛在問題，都有機會通過有針對性的監視來改進服務。

希望這能激發您思考在哪裡可以使用 AI 和自動化來優化您的業務！ 如果您正在尋找進一步的靈感，請在此處閱讀我們 預測2023系列中有關其他主題的更多資訊。