2019年，米雅与AWS合作建立了零售Data Lab，充分利用双方优势，在零售和快消领域展开数据应用的探索。

吴恩达在2019年世界人工智能大会上提出，人工智能落地最重要的挑战之一是“小数据”的困境。得益于中国多年以来的新基建能力储备，米雅具备连接线下消费者行为数据的能力及连接零售商场景的能力，因而可以联手客户，打破这一困境。从去年开始，米雅与AWS的数据科学家们一起做了一个又一个尝试，并逐步将实验室的成果转化为产品能力和服务能力。

米雅与AWS合作建立的Data Lab采用与客户共同探索AI应用的形式。合作前期首先交流需求，再基于客户授权的脱敏数据，用3周左右时间做调研与Demo，期间会不断与客户同步进展，在确保客户满意后正开展为期一周的Data Lab，面对面交流AI能力、应用的具体算法与效果等内容。客户可亲自动手实验，开发调试相关的AI应用，最后进行成果总结与回顾。

目前，AWS平台已经为众多类型客户的具体应用场景实现了算法赋能，例如地图提供商智能选址推荐、电力公司用户耗电预测、智能客服聊天记录管理、短视频推荐、游戏用户流失预测等等。而米雅深耕泛零售行业多年，长期致力于用数字技术赋能传统零售业，有着丰富的理论积淀与实践经验，去年与AWS数据专家一起面向品牌商、零售商探索创新服务，包括销售预测、门店聚类、数据分析等几种方向。

2020年，疫情给零售业带来剧烈冲击与深远影响，从前端消费者群体行为到后端供应链，都发生了相应改变。站在零售商的角度，会发现消费者群体变得越来越难以把握、难以预测，因此亟需找到行之有效的方法重新认知消费者群体。回顾我国零售业发展历程，对消费者群体的认知其实从未停止，最初涉及到这方面认知的是品类管理，即通过认知消费者群体去定义品类角色。今天则需要跳出商品属性，再次认知新一代的消费者群体。对此，数据能力发挥了至关重要的作用。

当今时代，推荐算法已经融入了人们的日常生活。优秀的算法的精髓在于，绝不会仅限于推送完全相同的内容。算法更有效的应用是跳出购买商品的范畴，去思考用户的认知、行为方式。通过新的知识图谱能力与场景化能力，二次认知消费者群体以提供更好的服务，是私域运营的核心。这个二次认知的过程完全是依靠数字化图谱实现的，手工列表是不现实的。想象一下，已知的消费者群体标签里有时间维度、商品维度、地点维度、特征维度，这些维度从数据角度来看是非结构化的，传统的统计聚类方式根本找不到点与点之间的关系。而知识图谱把原来分散的点重新组合起来，从而得到真正意义可解读的场景标签，是非常有意义的。

基于这样的认知和实验尝试，米雅与AWS开始逐步将实验室具备的能力转化为可以落地的商业机会。

为了将实验室能力与零售商需求更好地结合，米雅进行了许多尝试，其中包括销量预测在国内某连锁零售企业的落地实战。该项目当前仍在落地的过程中，已经初步取得了一些成果。

某国内商超连锁在全国拥有上百家门店，不同门店有着不同的规模、差异的客群、独立的销售策略，希望通过智能管理手段，指导业务精准、精细的运营，实现商品供应与消费的平衡关系。具体而言，消费者群体行为在疫情影响下发生改变，居家隔离导致口红等社交场景的消费品滞销，同时也有些商品因为人们的囤货行为出现断货的情况。因此，为了打造更好的消费体验，该零售商想要达到“既没有卖不完的存货，也不会出现断货”的目标。

为了实现这样的目标，我们在获得客户的数据使用授权后，首先开始对数据进行清洗，再从门店、商品、预测周期等不同维度进行分析，从中选出对目标场景最有指导意义的分类组合。根据对每个维度的预测打分，此项目最终按照门店品类与单品不同的时间周期进行预测。

以A、B两个门店为例，先将门店商品按照小的品类划分，再从整体上分为可持续售卖商品与不可持续售卖商品，对这个分类进行预测打分，并根据是否为低销量、冷门商品，针对可持续售卖商品进一步分类，再次进行预测打分。由分值可见，持续售卖且稳定销售的品类准确率更高，如A门店稳定销售品类的预测准确率都在70%以上，其中20%达到高精度预测准确度。另外，基于对门店单品的整体梳理与品类深钻，我们也检验了单品预测的准确度，发现有持续数据的单品准确度较高，如A门店商品销量预测准确度70%以上的商品，贡献了50%的订单量，其中10%达到高精度预测准确度。

经过一段时间的测试与沟通，我们综合考虑每日销量、保质期、补货周期、所占库存面积等因素，确定了几个品类作为第一期实验对象。以鲜奶品类为例，这一品类的保质期很短，一般在一周左右，意味着需要高周转率，如果进货过多会存在损耗。实验结果表明，鲜奶品类及单品的销量预测值都十分接近真实销量，并且上下限的预测也比较精准。为了探索更多的可能性，米雅算法团队与AWS一起引入天气、日期、地理位置、门店类型属性特征等维度的外部数据，应用“arima模型+外部特征联合机器学习算法”加入预测，与传统arima模型对比发现，整个鲜奶品类的预测准确度在本身基数很高的前提下，又提升了1.1%。

项目在阶段一实行了单点补货，即把鲜奶品类的一周销量预测结果输出给门店采购，加入对方补货系统，追踪到的预测值精度保持在90%以上。从实际效果来看，鲜奶品类销量同比增长了15%，可见销量预测对指导业务发展起到重要作用。

在销售预测等数据应用项目上，米雅与传统项目实施的差异点在哪儿？需求预测、品类优化、韧性供应链等都是带有很重企业DNA个性化特征的应用，传统项目型方法论缺少敏捷、迭代和成本优势。而米雅优化的迭代更替型方法论，不仅支持敏捷开发与交付，还会基于实际应用中的反馈情况，不断进行下一步迭代，满足更深层次的需求或进行功能扩展。

在探索实践过程中，米雅与AWS合作的数据应用项目已经逐步由实验室走向市场。同时，项目背后的算法团队始终在坚持创新尝试，包括引入外部数据、多模型预测等。该项目仍有广阔发展空间，可扩展、结合的应用场景还有很多。以需求预测为例，零售需求预测系统独立运行但广泛嵌入多个业务流程，包括门店补货参数调整、商品铺货计划、价格决策支持、营销策略支持、商品财务计划制定与修改等等，可以说是提升零售业务精细化管理的基石。未来，期待更多有需求的零售业伙伴加入Data Lab，与米雅、AWS合作，以多方共创模式探索数据赋能零售业的无限可能！

用微信扫描二维码
分享至好友和朋友圈