高频零售（HFR）领域，如食品和药店，与利润率持续挑战 - 与食品的利润率平均接近1％，根据市场研究公司IBISWorld公司的分析师。
面对利润率的内在挑战和亚马逊等电子商务巨头的不断蚕食，零售商需要通过优化关键流程（即库存管理和定价）来找到任何可能的优势，以实现利润最大化。人工智能或许能够帮助解决该领域一些以前难以解决的问题。
菊花智能就是这样一个人工智能供应商。这家总部位于多伦多的公司专注于零售商品规划：促销、定价和需求预测优化。我们与Daisy Intelligence首席执行官Gary Saarenvirta进行了交谈，旨在找到以下问题的答案：
- 为什么会食品厂商和超市需要AI？
- 怎么能零售商充分利用AI优化营销决策？
在下面的章节中，我们将重点介绍Gary的见解，并进一步研究三个Daisy Intelligence案例，研究人工智能在价格优化和库存规划方面的重点和影响。
为什么杂货店供应商或大卖场可能需要的AI
传统上，厂商在杂货零售业集中他们的促销力度围绕一个特定的局部事件或节日 - 并且通常这些促销活动每年都会重复（常无显著变动推广）。零售商往往缺乏完整的图片，当它来了解有效的促销活动如何，或者如果推广某些产品可能只最终被导致销售额的相关类别产品下降降低了整体利润。
Gary解释说，零售商在制定库存计划时，往往只能看到单个产品的销售和利润率。作为例子，他接着说，大多数零售商可能会遵循某些传统的营销做法:
“无论是促进超级碗周末鸡翅，或在感恩节促进火鸡，他们的促销活动似乎围绕着十几个主要的产品和这些似乎与超越项目的单位移动数字非常小的洞察力完成，并反复进行该操作在大多数情况下，较去年同期“。
除了较低的利润率迫使提高运营效率之外，加里认为零售商需要更仔细地审视他们的促销活动实际有多有效。希望通过促销和营销活动提高这些利润率的零售商需要意识到以下挑战：
- 识别具有许多消费用途，并可能很快导致改善购物车的值或提高了整体利润的产品。例如：
- 像碎牛肉以消费者购买产品（其本身不能被消耗）也可能吸引销售汉堡包或面食和番茄酱。在另一方面，像水瓶产品可能没有被与其他采购结合了大量的应用案例。
- 对于零售商来说，这里的挑战在于识别具有多个吸引许多客户的用例的产品。一旦这些产品被确定，下一步推广它们，模拟销售预测和定价也可以通过人工智能来实现。
- 跟踪的“位移晕”的产品，以确保零售商不只是从一个类别移动业务到另一个。例如：
- 由零售商碎牛肉的促销可能会潜在地帮助销售汉堡包，但也可能会导致销量下降的这样热狗面包取代他们的销售，而不是获得一个净正效应。
这里是人工智能谎言的承诺 - 通过挖掘不是个别产品的销售更深入，确定促销和库存的选择充分底线的影响。这是一个复杂的过程，包括确定的库存和价格的选择连锁反应 - 不仅在有问题的类别 - 但在其他类别全店。机器学习在寻找数据中的模式和相关的过人之处，而这正是一种能力，这个任务需要。
我们列出了几个使用情况如下，其中AI可以帮助零售商：
- 查找有关多年特定产品（如全脂牛奶1加仑）客户交易的模式，并确定各种促销和销售该产品的其他产品在卖场的影响。例如：
- 牛奶打折时果汁的销售会受到轻微影响吗?
- 有牛奶相关产品（如谷物或烘焙原料）的促销力度，以销售更多的乳汁影响？
- 确定可能的促销想法，以提高商店范围内的利润。
当然，人的直觉和的产品和品牌知识是很重要的。然而，它的力所能及无法衡量每一个可能决定的任何涟漪效应。AI确实是：
- 确定要选择作为提高利润率可能杠杆哪些产品：
- 帮助提供机器的调查结果上下文。例如：
- 也许在防晒霜在两年的时间内大量销售是由于突出的店内布局，而不是一个销售活动或传单的成功
- 部分建筑在建筑的一部分发生留下商店难以接近的某些部分的客户也许在特定的一年中下降罐头食品销售是由于
- 看着销售和推广数据的算法也没有关店布局和建设问题的这些其他因素的想法，人文环境是必要的。
据加里，零售商不起促进活动不完整的观点，因为他们是不是有效的食尸的产品到另一个类别不支持整体盈利能力。他补充说：
“This is especially true since market pressure from large retailers like Amazon and Walmart is driving down prices and the ‘1% (average) net margin grocery industry’ is going to struggle to find profits unless they can find a way to become more efficient.”
人工智能如何帮助零售商优化库存操作和定价?
现在可以为零售商使用AI解决他们面临的挑战，但他们必须清楚地知道什么可能需要各种数据，以帮助算法“学习”，最终推荐最有利可图的定价或促销策略。
加里告诉我们，许多零售商那里促销和交易数据存储在IT数据仓库和技术供应商可以通过一次性转让的历史访问数据。对于像雏菊应用程序还允许实时数据饲料，它往往是可能的是为了继续训练，并通知算法每天发送数据。
数据的使用
根据加里的说法，用于训练黛西人工智能的数据可能来自多种来源，包括：
- 事务性数据
- 这包括零售商，其中包括从多个销售渠道就像每个或网站商店购买的每一件单品的细节二至五年（有时高达10）年的历史交易记录。
- 制造商成本数据
- 为了获得不同产品最“有利可图”的定价，从直观上讲，从制造商处购买的零售记录至关重要。然而，Daisy's A.I.并不单独推荐产品的价格。所有的一切都在一个混合的利润总额篮子上进行了优化，以实现公司提高盈利能力的长期目标
- 关于过去的促销和营销活动的数据
- Gary说，从Daisy过去与零售客户打交道的经验来看，促销数据通常很难彻底追踪，而且可能有一些不准确或缺失的数据(比如在一家商店里进行的促销活动，或者促销活动最后一分钟的变化没有被记录下来)。他接着说，平均而言，大型零售商有10年的历史促销数据(80%的准确率)，而较小的零售商可能有主要促销活动的记录、杂货传单和传单。
- Gary还说，即使没有很好地跟踪促销数据，仍然有可能推断和纠正操作意图。例如，如果从历史数据中发现一周内牛奶盒的价格下降，那么相应的牛奶盒数量就会增加。加里的字:
“我们把我们认为是促销的东西分类，即使促销数据与此不符。我们可以推断放置和促销弹性。我们正确的交易。如果商店周一报了一个错误的价格，周一1.99卖出100。周二他们卖出2。99，一周卖出1000单位。价格弹性表示，如果价格提高，销量会增加。但我们知道周一的价格应该是2。99然后修复这些操作错误"
- 其他市场因素
- 对于砖和砂浆的零售商店，附加信息，如商店的地理位置，竞争者商店等的位置也可能由AI模型跟踪，以提高预测潜在的新的商店位置的准确性。
- 如果零售商提供忠诚计划，他们也可能获得客户数据，如他们居住的地点或平均家庭规模和收入;所有这些都为预测模型增加了更多的“自由度”，以帮助获得更准确的个性化结果。
人工智能在零售定价中的作用——它的工作原理
为了解释像Daisy这样的人工智能平台如何利用零售商提供的不同类型的数据，Gary将其类比为谷歌DeepMind的AlphaGo中，第一个计算机程序击败人类世界冠军在古老的亚洲棋盘游戏中走：
- AlphaGo是在一套非常明确的游戏规则下设计出来的。Gary认为，零售行业也有类似的规则，比如承认产品有缺陷光环，或产品打折会导致产品销量增加等事实。这些规则可以组合成一个数学模型，零售商可以模拟哪些产品和定价可能带来最大利润。
- 从历史数据来看，各种因素可以通过算法来分析，包括：价格弹性，价格变化，促销弹性，位移，前购买。
- 黛西的做法是围绕AI的强化学习分支中心。测量数据后，他们的平台要求运行数十亿模拟，并通过反复试验，确定了产品和价格最有可能为客户提供最大的回报。价格和产品序列预测的情况下数量庞大 - 就像AlphaGo看起来可能10个或100移动未来在游戏中预测可能的结果。
- 一旦场景进行测试，人工智能模型使得每周的决定，并提供有关的促销传单应该是什么样子，并重点产品最赚钱的定价清单的建议。
加里告诉我们，戴西的建议是通过门户网站和商户登录人们然后选择是否执行建议交付。加里提到，人还是决定环路，因为仍有一些未在原交易和促销数据占因素，如品牌和产品供应的重要组成部分。
与AlphaGo这个比喻简直是一个方便的，在谁遵循技术在新闻会熟悉AlphaGo的故事，很多人。在零售价格和产品放置使用AI的也可以比喻为人工智能的应用寻找客户群的营销目的。寻找独特的客户群体同样可以是压倒性的人。
不要谁买一组特定的珠宝首饰成为客户或多或少可能购买服装在下个月？是谁已经不活跃了6个月有可能响应到打折促销，如果是这样的客户，这打折促销？
这些问题没完没了，人工智能系统识别出客户行为的模式，使卖家能够更准确地将客户分组，并根据历史购买和促销数据找到理想的促销机会。Gary描述的过程与我们上面描述的类似，只是与杂货店定价和库存的独特世界有关。
在下面的章节中，我们需要在像菊花的平台如何帮助优化促销和定价为零售商提供了更深入的了解。我们用一个假设的使用情况，和黛西的工作与零售客户两个案例研究。
假设用例-杂货店传单设计
挑战营销团队在食品零售
在杂货店，营销经理经常需要决定每周推销什么产品。杂货店面临着许多独特的挑战，包括：
- 决定每周推广哪些产品
- 作出决定对这些产品的价格 - 这将包括任何销售或折扣价
- 了解什么样的结果库存分配可能需要根据促销，季节性等因素的影响
产品推广，定价，客户，库存管理之间的关系的复杂动态是很难为人类分析师模型，并准确预测行为。
例
超越人类能力
答案并不存在于数据中，而是存在于数据从未出现过的地方。模拟是开启更多收入和提高盈利能力的关键。
试想一下：
拥有50000个SKU的零售商要求6×10的3600次方的计算*每周模拟所有可用选项的产品选择在一个典型的每周促销传单。
它会采取商家的时间真正深入到每一块数据的每一个产品promoted-周周出会令人难以置信。
现在因子有100个专卖店在7个定价的变化发生数千次周价格区域。
现在，每个因素决定的涟漪。事实是，传统的方法无法接近，当涉及到数据的分析处理这种程度的复杂性。
难怪每周促销的商品中有80%都是去年的旧货?
*由于仅供参考，103600是一个天文数字;如果添加了沙子的每一粒在这个星球上，这是少
考虑下面从索贝斯和沃尔玛，它发出了几天母亲节，2017年之前的传单，在接下来的一周几天领导到维多利亚日。这些例子可以用来强调一些促销力度的潜在波动或晕效果 - 和一些注意事项是营销经理可能需要考虑。
在上面的传单，营销经理可能要看看几个因素来确定传单上正在销售的不同产品之间的波纹效应的影响：
- 沃尔玛似乎促进顶部烤牛排，但也有番茄酱和汉堡包特色菜。营销经理可能需要知道这些特价商品的“涟漪效应”可能是，因为一个可能的结果可能是推动客户定期低廉的价格买牛肉，因而，从烤牛排移动客户了 - 最终取代客户，而不是获得销售净正增长。
- 索贝斯可能提供的相同促销一年前，2016年只是母亲的前一天（加里告诉我们，这种重复促销使用在食品常见的促销做法）。重复的像这样的促销可能不会导致增加的生长保证金，而管理者可能需要考虑不同的促销产品的影响。
AI的影响
当大型零售商与Daisy接洽时，流程通常如下：
- 零售商的历史数据的交易数据，客户信息，促销记录，社会和人口数据的海量宝库可能会被收集，然后在一定程度上使得它适合的AI平台分析处理（清洁和标签）。
- 人工智能平台上运行数十亿GPU供电模拟的身份，其产品将提供最，因此，应在传单促进并采取到产品和产品供给水平的账户成本价格的建议价格。
- 使用建议零售商可能潜在地避免从市场推广的连锁反应任何负面影响 - 或者至少给他们一个成功推广的最佳机会。
案例研究-杂货店和农产品-地球票价
挑战
菊花智能曾与北卡罗莱纳州的地球车费，有机杂货店，在美国46点的位置。地球票价的价值主张意味着他们的产品必须是“70％的有机，人道提出，无抗生素和无激素家禽，青草喂养肉类和可持续采购的海鲜。”
在严格的标准导致其在营销团队每星期上推广策划花费的时间显著量 - 主要是通过每周的广告基于价格的促销形式。地球车费需要一种方法来削减计划的时间，提高了促销活动的结果。
所采取的行动
地球票价必须查阅大量的历史数据产品，其花费很长的时间来分析，然后确定对改善促销活动可操作的见解。地球车费使用菊花智能自动化的需要加以显着提升产品的选择：
- 地球票价首先通过加倍作为其中地球车费的商店经理可以登录查看每周的促销建议的门户网站的FTP传输过程中提供菊花凭借四十年的历史交易数据和促销的历史。
- 菊花声称，他们的AI平台是第一个能够“干净标签”来自黛西和地球车费球队事务和宣传资料和会员合作，以解决数据的任何差异（如缺少促销记录）。
- 在此之后，黛西的AI引擎决定了产品的亲和力，促进蚕食，推广和采购节奏，有竞争力的商店开业和天气有关的事件之间的关系。
- 从菊花一队接着与地球票价领导合作，了解了该公司的优化目标（销售，利润，交通等）含量。这也包括许多产品一样是怎么做地球票价理解的因素要在每个类别中或通过哪些营销渠道进行推广。
- 地球票价的促销策略，过程，然后双方团队确定哪些部分可以使用菊花平台进行优化的目标一起工作分析。这包括确定的区域，其中菊花可能与最终目标优化地球票价促销计划正在减少规划时间的推广和增加晋升的回报。
结果
根据地球车费，黛西智能的AI系统帮助地球票价分析晕每个产品，并了解推动一个产品的“涟漪效应”是对其他产品和它可能是在未来。我们采取一些整合的结果，以及它如何影响地球车费的业务一探究竟。
我们首先定义术语网络推广效果（NPE）这是Daisy用来衡量晋升影响的指标。根据Daisy的案例研究，NPE是指促销产品的销售额超过其基准销售额的“提升”加上相关产品的增量销售减去客户的任何同类竞争或远期购买
- Earth Fare的促销优化合作使总销售收入增长了3%。
- 在此之前的整合，通过地球车费的营销团队推动的项目贡献了总销售额的20％左右。邮政的合作地球票价声称，从菊花的建议后，推销的产品导致了NPE提高到总销售额的百分之40左右2016至2017年 - 加倍促销的影响。（参见下面的图）
- “毫无疑问，菊花带动增量同店收入和旅行的‘有意义的电梯’没有任何额外的保证金费用，”斯科特小明说，地球车费的首席财务Officer.He也表示合作已经减少了市场团队的规划时间。
优化。
案例分析 - 超市 - 竖琴食品店
挑战
黛西曾与竖琴食品店，阿肯色州连锁超市。竖琴需要衡量自己的定价策略和推广这重要的是要了解自己的产品和客户之间的关系的影响。此外，他们也无法追踪产品的光晕和测量来自食品行业（其中大部分，加里告诉我们更多的直觉比统计显着性的基础）使用传统方法其促销活动的连锁反应。
- 竖琴食品店需要确定，以促进他们的每周通告，产品
- 此外，他们需要了解定价和促销的涟漪效应可能会影响其总体利润率
所采取的行动
在2016年，竖琴入伍菊花智能，帮助他们分析两到五年内的历史交易数据，然后运行模拟来找到最有利可图的促销决策。根据该案例研究中，戴西的AI模型能够对数据进行分析并推荐哪些产品应在竖琴成为精选每周打印循环 - 这是他们最大的广告费。
结果
竖琴共享黛西的AI使他们的销售和营销人员快速分析大规模的交易数据，模拟潜在的战略，并最终提高通过该公司生产的促销计划和定价决策的过程。
“Daisy Intelligence现在让我们能够看到与每个项目相关的所有相关销售。我们可以查看所有交易，看看篮子里的一件商品的影响是什么。”——哈普斯食品公司（Harps Foods）营销副总裁大卫•加农（David Ganong）。
案例研究指出，虽然在强大的可衡量的结果进一步细节没有这块跟我们分享竖琴切实改善他们与实施推广效率。
外卖食品的零售商
零售商可以使用AI在零售，原因如下定价和促销优化：
- 在零售行业的利润非常小（低至百分之一）和零售商需要获得每条边，他们可以优化自己的业务持续盈利。
- 零售商需要知道每周(或每个月、每个季节)促销哪些产品以获得最大的回报。
- 杂货店和零售商需要了解推动一个产品可能对整体净利润的连锁反应，以及一些产品的采购如何置换等。这些关系可能是非常复杂和耗时的人类精确建模。
最高频，采用AI定价和促销优化大宗商品零售商的目标可以概括如下：
- 利用人工智能识别合适的产品进行推广，以实现利润最大化。
- 每周获得各种产品定价的可操作见解，并实时了解促销工作的影响。
- 为了预测库存拨款，以更好地推广和销售做好准备。
零售业中光环效应的分析就是一个完美的例子，如果没有机器学习，这个问题可能无法解决。将促销、季节性和对其他销售的影响因素考虑在内——并逐年查看所有这些数据——可以测试几乎无限数量的假设。
例如：一个新品牌的糖果的销售会减少其他糖果的销售吗？糖果棒的销售会影响其他糖果的销售吗？它是否会影响儿童喜欢的其他商品的销售？糖果的销售是否会影响其他产品类别？
该问题是永无止境的，而不是由评估有关的数据问题，AI提供从原始数据哄出来的模式，并提出他们的用户，探索的承诺。
这篇文章是由菊花智能赞助，写，编辑出版对准我们的透明Emerj赞助内容指南. 进一步了解如何在我们的Emerj广告页面。
图片来源:citimail
