对于探索人工智能来指导决策的零售商而言 主要动机是围绕盈利能力或可持续性

对于那些仍不确定是否有足够的理由将此类活动外包的公司而言，信息很明显-他们是同一回事。

人工智能与可持续发展计划之间的联系并不是什么新鲜事物。普华永道英国的研究最近确定，到2030年，将AI用于环境应用可以为全球经济贡献高达5.2万亿美元。

但是，当涉及将机器学习(ML)的概念与他们自己的生态目标联系起来的不同行业时，这个信息还没有完全传播出来。许多组织陷入困境，他们认为它们可以盈利或可持续。这是一个愚蠢的推论，事实并非如此。

最佳决策

在零售业中，这种AI驱动可持续性的想法有两个框：

•通过产品过期以及对公司的供应链和采购活动的影响来避免浪费。

•遵守季节性趋势，在一定时期内如果不购买产品就会变得多余。如果您可以在两个参数之间做出最佳决策，那么您将减少库存浪费和多余的库存，减少不必要的供应和分销活动，并减少可能永远无法通过定制方式偿还的采购支出。

只有定义需求，需求和消耗的最佳概率曲线的算法才能确保这一点。这样，公司便获得了更大的权力来同时提高盈利能力和可持续性。

对于供应商而言，它在继续对抗“自己动手”趋势的同时为我们提供了更多的优势。

新动态

我们仍然每天遇到负责数百万个数据点的组织，他们认为它们比机器可以做出更好的决策。无论是围绕库存控制，收入管理还是季节性期望，他们都依靠数十年的经验来提出这一主张。

但是，可持续发展的角度最近改变了这种动态，并且很可能会继续以更大的速度向前发展。拥有比机器更多经验的想法并不能抵挡一种趋势，这种趋势直到最近才成为差异化因素。

在气候控制，生态问题，全球变暖和公司的碳足迹方面，许多高层管理人员都在努力证明自己不愿遵守ML的理由。他们几十年来一直没有考虑这个问题。虽然AI提供商提出的实际产品或服务没有改变，但其提议和与组织的联系方式却略有不同。

如果获利能力的承诺不能说服公司，那么可持续性保证也可能—即使方法完全相同。

个性化的回报

这都是关于感知的。人类的“直觉”本能仍然是AI模型的最大对手，对于供应商而言，这既是一场心理和社会斗争，也就像一场行业斗争。

在这种情况下，人们的呼声是，最佳的数据量化可以围绕您想要的一切进行，但这并不会改变所需的技术和计算。

通常，这与利润和股东价值有关，因为这是源远流长的成功故事。但是，如果您最关心的是客户满意度，声誉提升或更好的推广和互动(通过促销或市场营销手段)，那么您仍然可以从更明智的决策中受益。价格点?在哪里发送促销?配股?季节性采购?

可持续性只是AI可以帮助优化的另一个参数。通过项目的个性化，做出的每个决定都可以优化该特定资源。

标签：

版权声明：本文由用户上传，如有侵权请联系删除！