现代人工智能和机器学习软件需要大量数据，以训练其算法做出判断、预测和采取行动。数据是将人工智能引入不同行业的关键部分。我们在下面强调的应用程序涉及组织来自零售部门现有业务的历史和实时数据，数据科学家可以根据这些数据构建机器学习模型。
虽然不是所有的AI应用需要的买家企业的部分数据丰富的现有门店，许多预测分析模型做。本报告的目的是演示如何现有的数据存储和数据的实时流可以通过不同的AI供应商解决方案被利用来带来价值的业务。本报告的目的是为了突出在零售业大数据的价值，显示公司可能如何管理他们的数据来创建可以投入生产使用在公司机器学习模型。
世界经济论坛最近预测通过2026零售和包装消费品行业将达到29500亿$的价值。报告解释说，这一价值的32%将是实体店向实体店转变的结果电子商务，而剩下的68%则代表消费者节省了成本和时间。
大数据为人工智能提供了强大的力量，因此，人工智能将继续在智能领域找到自己的出路零售业。许多大数据公司要求协助营销，零售商和电子商务公司在一个方式来管理他们的数据，从而让他们个性化的客户互动，预测库存和部分客户。
我们研究了空间，以更好地了解大数据和AI发挥作用的零售梧桐试着回答以下问题:
- 想要利用人工智能的零售商有哪些数据管理平台?
- 如何在零售行业使用的大数据驱动的应用AI？
- 大数据驱动的人工智能应用为零售企业带来了哪些切实的成果?
本报告涵盖了跨两个应用程序提供软件的供应商:
- 数据管理
- 建立机器学习模型
本文拟提供的商业领袖零售与他们目前可以从大数据管理应用程序销售到零售空间想到一个想法的空间。我们希望这篇文章可以让商业领袖零售为了获得真知灼见，他们可以自信地将其传达给自己的执行团队，以便在考虑人工智能采用的数据管理时能够做出明智的决定。
数据管理
Reltio
Reltio是加州为本公司的提议该Reltio云，一个数据管理平台该公司声称可以帮助零售企业组织的自带从各种来源不同格式的企业数据。该公司声称，它组织企业的数据可以使数据科学家在零售公司合作，以生物机器学习模型，推动业务价值的方式。
零售公司的数据科学家可以首先将公司的客户信息和过去的交易历史数据库上传到Reltio的软件中。然后，数据的组织方式允许数据科学家根据特定的属性筛选客户，并从这些筛选器中创建片段。这可以让数据科学家建立机器学习模型，用于产品推荐引擎，并提供预测分析，为营销活动提供信息。
以下是短片7从Reltio - 分为视频解释Reltio的平台会如何证明对大量数据的企业有用：
Reltio声称有帮助一家不知名的全球快餐连锁店在其遍布100多个国家的4万多家门店中增加rework的客户忠诚度计划。要做到这一点，日Ë餐饮连锁企业需要其客户从所有渠道的整合视图。
客户端使用Reltio云的消费者360工具具有相似属性，查看每个客户的个人资料的细节，跟踪他们以前的网上购物，组家庭成员一起为了促销，创造客户群。
根据Reltio，这使客户端能够了解客户的喜好，行为，产品利益和渠道的选择（社会或搜索等）。能够细分客户也使客户通过邮件应用程序和社交媒体向客户发送移动更加个性化的消息。没有被提供其他细节。此外，我们提醒企业领导者带来了健康的怀疑到这种情况的研究，因为客户端是未命名的。
Reltio该公司没有透露其客户的姓名，其C-team似乎也不包括拥有丰富人工智能经验的个人。然而，该公司已经提高了$ 117万资金来自Crosslink Capital， .406 Ventures, Sapphire Ventures和New Enterprise Associates。
Dataiku
Dataiku提供了一款名为“数据科学”的软件数据科学工作室(DSS)，该公司声称可以帮助零售企业管理大量数据，以帮助数据科学家为他们工作的零售公司建立预测分析模型。
该公司声称，DSS是专为数据科学家和那些具有类似的作用。它不是一个插件和播放工具AI，企业领导人应该期望员工在他们的公司采用谁不是数据科学家。
随着中说，该公司称，数据科学家可以使用DSS，可以帮助零售商定价他们的产品来构建预测分析模型。数据科学家可以通过排序零售商的过去的购买数据和客户人口统计数据在DSS弄清楚的可能性客商到会采购，在一定的价格点的某些产品。
数据科学家也可以使用DSS建立一个预测分析模型，以库存管理援助通过预测需求的客户可能有基于尺寸的某些产品，如世界的一年，区的时间。
下面是一个短短的1分钟视频，其中简要说明DSS，并探讨其接口。再次，Dataiku的DSS平台是专为数据科学家。
Dataiku声称有帮助土狼优化它的忠诚度计划，并得到客户增加使用其产品。土狼试图通过他们的个人资料细分客户的方法和量化客户如何使用其产品。
尽管Dataiku声称Coyote成功地使用DSS建立了公司用于细分客户并为产品使用寻找度量标准的模型，但是DSS对Coyote的结果贡献了多少还不清楚。不知怎么的，Coyote报告说，他们利用储存在DSS上的数据建立了一个模型，结果，他们进行出站呼叫活动的效率提高了11%。这个案例研究并没有报告任何关于Coyote模型的细节，因此再次难以量化Dataiku对Coyote成功的贡献有多大。
Dataiku还列出了法国巴黎银行、丝芙兰、联合利华、福克斯和通用电气作为一些其过去的客户。
托马斯卡布罗尔为co-创始人兼首席数据科学家在Dataiku。他持有5度在分析型CRM从蒙彼利埃大学。在此之前,卡布罗尔担任CRM智能和数据挖掘经理在苹果欧洲，在那里，他开发出了空间分析平台。
MAPR技术
MAPR技术是一家提供软件的公司吗MAPR融合数据平台该公司表示，这可能会有所帮助电子商务企业在其平台上建立产品推荐引擎。
MAPR索赔它的软件可以容纳大量从各种渠道，与客户的人口统计数据和行为数据，比如他们的社交媒体账户，过去的现场搜索历史，以及过去的购买历史。然后,该软件该数据的发现模式有可能透露客户的喜好，如颜色，大小，或样式服装购物时，他们可能会更喜欢。然后，这使得数据科学家使用MAPR建立一个推荐引擎，以做出明智的产品或在其客户可能会感兴趣的服务的建议。
电子商务企业可以预期，以整合MAPR的解决方案为他们的网站的3-10周MAPR的专业服务工程师和科学家的数据参与，根据MAPR。这种集成服务包括归档数据文件，将数据复制到从MAPR集群，构建用户界面，收集客户数据到一个视图中。
以下是短片5- 分为视频说明公司将如何建立一个推荐引擎上MAPR:
MAPR声称有帮助鱼缸存放客户的数据基础设施。Fishbowl是一家数据、营销和分析解决方案提供商，帮助餐厅品牌成长，通过利用他们的海量数据，使他们更好地理解和参与他们的客人。
该公司以不同的形式收集和处理来自几个不同来源的数据。随着越来越多的数据需要每天更新，Fishbowl以更低的成本寻找一个新的、可扩展的平台。
案例研究进一步报道称，部署MAPR的数据平台，使鱼缸什么花它是在数据存储之前花费的1/3是什么它是在以前的许可证和支出的1/10。鱼缸的查询速度也增加了更多的五到十倍比它本来还有鱼缸使用不同的数据平台，根据MAPR。我们无法确认这是否是或不是实际的情况下，作为MAPR没有提供上下文到该统计。
MAPR还列出了思科，勃林格殷格翰，法国农业信贷银行，惠普，爱立信，诺华公司和SAP作为他们的一些过去的客户的。
特德·邓宁是首席应用程序架构师在MAPR技术。他持有博士在计算机科学从谢菲尔德大学。在此之前,邓宁担任首席技术官在Deepdyve和SiteTuners的首席科学家。
建立机器学习模型
DataRobot
DataRobot是麻萨诸塞州提供同名软件的美国公司该公司声称可以帮助零售商创建机器学习模型，可以为他们提供可能用于计划库存预测分析，制定促销活动，并从中找到购买新的付费媒体来源。
首先，数据科学家将零售商的数据库(其中可能包含客户信息或交易历史)上传到DataRobot软件中。尽管我们无法确定该软件如何实现这一点，但DataRobot声称，它的软件可以根据零售商的数据生成多个预测分析机器学习模型。
然后，软件根据软件提供的精度评分对这些模型进行排序。这种方法可以让数据科学家确定他们更愿意将哪些模型集成到零售商的系统中。一旦数据科学家选择了他们喜欢的模型，DataRobot就会生成一个API代码，数据科学家可以使用该代码将模型集成到零售商的系统中。
以下是短片2-分钟的视频解释和显示的界面DataRobot同时提供了几个预测分析模型:
DataRobot声称有帮助联想巴西predict外的蓄积量在零售商店，以确保库存和满足客户需求的可用性。要做到这一点，联想巴西需要在除了两个它已经对工作人员的数据科学家。然而，数据科学家们很难找到。联想巴西寻求一个工具，可以帮助自己的球队自动化机器学习模型的建立可预测出的库存量。
联想巴西队已确定，可能会影响在零售店外的蓄积量的因素。这些因素包括平均产品价格，退税周期，营销活动，联想巴西公司的产品和它的竞争对手之间的价格差异。联想巴西想知道是什么因素真正影响到外的蓄积量。
根据DataRobot的说法，联想巴西通过使用DataRobot的软件，提高了建立机器学习模型的速度。
联想巴西选择了DataRobot生成模式，使公司找出可能影响他们的零售店外的蓄积量最大的因素。他们提供的这些信息的利益相关者。根据该案例研究，这个模型由具有90％的准确预测，但我们无法验证准确度如何定义的。
DataRobot还列出了NTUC Income, DemystData, Steward Health Care, Avant, Symphony Post Acute Network，和Harmoney作为一些他们过去的客户。
泽维尔Conort是首席数据科学家在DataRobot。他拥有一个硕士学位在统计学和精算学从Ensae ParisTech和另一位来自巴黎狄德罗大学的经济学和金融学统计和随机模型的硕士。在此之前,Conort担任首席研究工程师在学院为信息通信研究，秘书长和风险经理AXA保险新加坡和首席精算师和财务总监在中法人寿。
小贴士用于商业领袖零售
本报告中讨论的所有公司都提供数据管理平台，但只有DataRobot声称能够为数据科学家提供构建机器学习模型的能力。然而，我们无法确定该公司的软件将如何做到这一点，而且该公司的首席数据科学家不是计算机科学领域的博士级别人才。该公司已经筹集了1.446亿美元，这可能表明了它的合法性。尽管如此，在这份报告涵盖的所有公司中，MapR Technologies筹集的资金最多，为2.8亿美元。
基于大数据的预测分析需要大量的数据，机器模型可以根据这些数据做出预测。该报告中的公司声称提供了能够组织和结构化数据的数据管理平台，以便数据科学家可以使用它来构建模型。
数据科学家是使用这些平台的关键。在这份报告中讨论的公司中，没有一家提供平台，除非他们在数据科学方面有很强的背景，否则企业领导人不应该期望员工能够使用这些平台。零售业的商业领袖只有在计划拥有资源来雇佣一个或几个数据科学家来处理他们的数据并建立机器学习模型时，才应该考虑这些平台。
大多数的使用案例大数据分析零售涉及开发更多个性化内容和营销，对客户进行细分，库存管理和销售，并了解客户更好。公司没有在本报告提供的解决方案讨论的专门为零售商，虽然他们也有案例研究报告使用其平台的零售商的成功。
只有MapR公司指定了3到10周的集成周期，但是我们可以推断，因为这些平台存储了公司的数据，所以集成过程可能会很长，甚至可能比MapR声称的还要长。
此外，这些平台似乎是为拥有大量数据的企业零售商提供的，它们可能难以组织这些数据。较小的公司可能不需要本报告所述的公司在其平台上提供的存储和组织方式。
标题图片来源：NYup.com
