人工智能(AI)和機器學(xué)習(xí)(ML)在零售業(yè)中風(fēng)靡一時，這主要是由于高維度數(shù)據(jù)源所帶來的新挑戰(zhàn)，這在幾年前是聞所未聞的。盡管AI和ML異常強大，但它們并非沒有批評，包括解決方案的復(fù)雜性，認為它們可以解決所有問題以及缺乏透明度和洞察力。

因此，您如何開始品牌的旅程，并避免其他零售商面臨的陷阱和挑戰(zhàn)?以下是五個步驟，以充分利用AI和ML投資：

步驟1：資料策略

零售商應(yīng)通過更新或創(chuàng)建適當?shù)臄?shù)據(jù)策略來開始其AI和ML之旅。這涉及通過一系列審核和利益相關(guān)者會議評估當前數(shù)據(jù)的優(yōu)缺點，以定義當今如何使用數(shù)據(jù)，將來如何使用數(shù)據(jù)，以及從數(shù)據(jù)角度評估AI和ML的基礎(chǔ)準備情況。這包括查看零售商如何收集，組裝，存儲和利用數(shù)據(jù)。

步驟2：用于AI和ML的用例和業(yè)務(wù)用例

提前進行盡職調(diào)查以定義和量化零售商將使用AI和ML的用例至關(guān)重要。該品牌想完成什么?AI和ML是解決問題的正確或最佳方法嗎?零售商是否具有正確的數(shù)據(jù)和正確的形狀來喂食機器并為用例加油?您是否能夠衡量和量化工作的影響?如果以個性化為目標，那么您是否具備對AI和ML輸出采取行動所需的內(nèi)容和資產(chǎn)以及adtech / martech?通過提前花費適當?shù)馁|(zhì)量時間來定義和量化零售用例，您將發(fā)現(xiàn)在數(shù)據(jù)或基礎(chǔ)架構(gòu)方面可能存在的差距，并擁有建立扎實業(yè)務(wù)所需的東西。

步驟3：AI和ML的數(shù)據(jù)就緒

如果沒有健壯，干凈，經(jīng)過調(diào)整的數(shù)據(jù)和可靠的身份管理解決方案，您就無法構(gòu)建和執(zhí)行有效的AI和ML程序。數(shù)據(jù)是驅(qū)動AI和ML的動力，零售商需要確保他們了解準備數(shù)據(jù)需要付出多少努力。這可能包括進行數(shù)據(jù)評估，創(chuàng)建數(shù)據(jù)策略以及激活數(shù)據(jù)統(tǒng)一和充實項目。

步驟4：模型開發(fā)

與任何模型開發(fā)一樣，第一步是數(shù)據(jù)準備。下一步是創(chuàng)建訓(xùn)練數(shù)據(jù)源。從那里零售商需要創(chuàng)建一個模型，審查模型的預(yù)測性能，并設(shè)置得分閾值。如您所料，ML模型是一種數(shù)學(xué)模型，其中包含許多需要從數(shù)據(jù)中學(xué)習(xí)的參數(shù)。通過使用現(xiàn)有數(shù)據(jù)訓(xùn)練模型，可以擬合模型參數(shù)。這些參數(shù)通常在培訓(xùn)過程開始之前是固定的，并且基于您的零售用例。

步驟5：模型部署

數(shù)據(jù)科學(xué)中的部署概念是指使用新數(shù)據(jù)進行預(yù)測的模型的應(yīng)用。構(gòu)建并調(diào)整零售模型后，您就可以使用或部署模型來實時生成預(yù)測。部署是將您的機器學(xué)習(xí)模型集成到現(xiàn)有生產(chǎn)環(huán)境中以基于數(shù)據(jù)做出實際業(yè)務(wù)決策的過程。即使該模型的目的是增加數(shù)據(jù)知識，所獲得的知識也需要以團隊可以理解和使用的方式進行組織和呈現(xiàn)。

結(jié)論思想

在Acxiom，我們幫助營銷人員和零售商應(yīng)對數(shù)據(jù)，隱私管理，身份管理和技術(shù)解決方案的復(fù)雜性和演變，以幫助他們改善對客戶的洞察力，并帶來業(yè)務(wù)影響和ROI。AI和ML是功能強大的工具，可以應(yīng)用于各種數(shù)據(jù)管理要求，以推動所需的CX和用例，并大規(guī)模地帶來業(yè)務(wù)影響。我們可以幫助您開發(fā)策略和解決方案，以釋放AI和ML在實時，以人為本的營銷和零售用例中的強大功能。這就是我們所做的。