国美零售于斌平:技术可以提升消费者消费品质

责任编辑:田小梦 2018.10.19 17:34 来源:通信世界全媒体

通信世界网消息(CWW)10月19日,“数享家峰会暨数字孪生发展论坛”在京召开。国美零售控股技术副总裁、家服务板块CTO于斌平,表示技术可以帮助消费者提升消费品质。

演讲全文如下:

于斌平:各位同志大家下午好!很高兴有这个机会能分享一些人工智能怎么帮助业务提升?我是一直在国美做技术的,之前在线上,现在在线下。国美大数据大概建立于2012年建,2014、2015年开始做的相关的研究。现在整个技术方面,我们对业务的支持比较大,进而跟业务合作非常多。

说到数字化,今天下午我们很多朋友都讲了,从软件和硬件的角度,宏观经济的角度,都讲了数字化的发展。实际上数字化现在是3.0。1.0是什么呢?电子化或者是我们传统BI出的一些报表。2.0的时候就是大数据,随着分布式技术的发展,和云计算的发展。原来这种数据之间错综复杂的关联关系,在分布式架构和云架构下已经试运行,所以我们大数据技术应运而生,产生了很多应用。

3.0是什么呢?叫人工智能。对深度学习,也就是说,我们能用机器的方法,用深度学习的方法,从数据里面找出很多有用的东西,包括刚才我们一些嘉宾分享的金融、风控,包括智能等等方面。

我本人在国美十几年,以前在线上8年,不认为国美是一个传统企业,今天应该是国美31周岁,一个人31正好是三十而立,正当壮年。2017年调整了一下公司的结构,由原来家电零售改为是以家生活为核心的解决方案和服务提供商。原来去买冰箱一个彩电,现在你可能装修一个家,我就买一个家的解决方案,你买一个家电怎么办呢?我们还提供家装、家居等等,吃喝玩乐才有。

黑天鹅店已经开了30多家,这是相关的我们店的标签。我们不叫国美家电,叫国美零售,去年改的。国美零售的核心是线上下单,线下体验,社交、生物和分享。在任何渠道,任何人,任何地方我们都能享受到一样优质的商品和服务。对多业态或者零售、智慧零售,核心了解两个事情:

第一个事情,消费者的体验升级。

第二件事情,消费的升级,消费升级的核心是品质升级。

给大家举个例子,刚毕业的朋友可能会买个一般的电视,如果对于事业有成的,就给他提供整体的解决方案,从家装到整体的厨房,整体的客厅。这些我们都怎么去服务用户呢?我们怎么知道用户需要什么呢?以前是不知道的。我们现在全部依靠技术去识别用户,然后给他推荐所需要刚刚好的商品。

这是我今天给大家分享的一个核心主题,技术可以帮助消费者提升消费品质。

给大家举几个耳熟能详的例子,这个是一个商品页,大家看下面这一行叫商品推荐,早期我记得在2011年之前的话,我们配置这个东西,核心是相似度,你上面是一个什么品牌,什么价位,什么性能的一个笔记本,下面相似的都会出来,系统自动算出。它的核心关联度非常高,它的业务也是非常好的。同时让客户马上去选择,这叫购物路径,换言之,用户马上来选择,节省用户的选择成本。

第二个,我们讲猜你喜欢,比前面商品相似的推荐更深一度,前面是商品相关,同类型。前面核心是人,要给这个人画像,看这个用户喜欢什么,把这一类的给他找出来,但是你不能说他看这个电视,你还推这电视。我们过去看电视推电视,我天天买电视啊?所以你要推相关的,这个用户相关的,你比如看了电视,电视柜,小家电啊,吃的用的啊等等相关的,我们叫商品的多样性。

从技术还有些什么特点?叫召回池,在深度学习里面核心的算出后,他需要我们找出来,我们会算出来很多东西。

第三个,购物车里面的猜你喜欢,它跟前面这有什么关系?前面这个是在用户还没选择的时候,根据这个用户的画像,给他协助选择。购物车是用户已经选择了商品,下面这个推荐呢,记得前几天我们做这个的时候,内部有很多争吵,一种论断是觉得打扰用户,用户看一个东西,你让他快速买单,不要去打扰他,这个也是对的。但是我们为什么坚持这个?我们不断更新算法,我们用数据来判断给他推送是对的。所以它对技术的要求是比较高的,称为精准般配。

第四个,移动页的猜你喜欢,一些做技术的人员可能知道,这个不就是一个转向嘛,错了,不是这样的。可能早期很多人会这样做,但是现在有技术的公司都不会这样做了,它实际上是流式计算。一个屏不断的拉,里面的商品变得很快,但是用户决策时间时间非常短。PC端实际上是一屏出来很多个,研究的是右侧用户喜欢的东西,所以它采用的方式是不一样的,实时性精准会更高。

再举一个例子,门店,我们叫智慧门店,这个不是无人店,以前大家都关注行业出了很多无人店,无人店这个概念在零售行业不成立的。顾客去店里面就是想看到好的服务去交流,结果这个店里没有人,违背零售的原理,所以无人店没有意义。

这个是我们自己开的一个实验室,也费了一些工夫,这个里面其实用了很多黑科技的东西,有人脸识别,顾客跟后台系统打通,人脸识别,用户进来之后自动开门。前面一个摄像头,知道你这个人是谁?自动的电子价签会把这个价格调出来。会员级别不一样,它的价签显示价格不一样,这个在行业还没有呢。大屏是推荐。这是我们做的一个实验室,已经运行了好几个月了,比外面的便利店销售还要好一些。

店面推荐,它跟前面PC端跟移动端的推荐有什么区别呢?你这个人不在国美其他地方留下痕迹,现在好一点,你不管在其他地方看了什么东西,你到任何一家网站去,他都为你推送类似的东西。但是线下不一样了,它强调时段的效率。

这是我们六个典型的场景。

下面是我们怎么去做?精准推荐涉及到三个东西:

1、召回。

2、架构。

3、排序。

在人工智能这个机器学习里面,有一个很著名的例子,我们来算这个车,那个电脑算出来很多种,如卡车、轮船、飞机、小汽车,怎么把这个跟用户最相关的呈现在最前面,就叫排序。

通用架构,用户发起了一个请求,线上的服务去来接受它,然后我们刚才讲了是召回,去找出来跟它有关系的特征,然后再预测,这是行业里面通用的架构。

它的不足在哪里呢?对于线上线下都有这样一个场景,判断逻辑是一致的。另外离线训练模型需恢复数据场景。怎么解决呢?很简单,就是一个触发的流程,一个是缓存,特征也算出来,然后预测模型。对一个新的样本,需要计算量,算力不够的话,这个时间太长了,用户不能接受。

下面是国美的数据驱动的推荐系统。

这是一张国美的数据驱动推荐系统Ghantom,国美自己做的系统,是一个数据的推荐系统。这里面就是实时计算,然后这一块是si lin ke,算法库里面还是Spark。

最后再介绍一下,个性化的一个数据处理流程,首先是数据处理,数据处理还要做目标,还要做预算,还要看效果。可能这个数据看起来比较生硬,举一个人脸识别的例子,人脸识别是面部70多个特征,根据样本去算,有时候戴着口罩也能根据20、30个特征把它对比出来。

个性化推荐三要素:

1、召回。

2、排序。

3、效果评估。

这个召回算法呢,第一个我们用的是自己开发的,算法比较简单,算力比较强,计算的过程比较省。后来发现以下痛点:

1、不考虑用户行为序列性。有些采集的量时间不一样,它的量序列不一样。

2、热销商品影响。一个促销会对这个算法受影响。

3、计算量大。这个是零售行业一个比较头疼的问题。那么这个问题我们怎么解决的呢?购物车是用概率神经网络PNN。移动端的这个我们讲速度要快,深度学习实际上里面还有个宽度,这是移动端的技术。

后面再介绍一下门店,我们用DeepFM去门店去测,它把顾客的意图猜的非常准,是一个机器分量计算。

最后时间关系,我总结一下,我们技术在支持零售业,引领零售业方面,刚才讲的人脸识别,顾客特征的识别,还有店里面客流统计,客流的分析,还有什么呢?因为商品的信息,门店的路矿信息,通过机器学习的方法把它算出来。

行,今天由于时间关系,就给大家分享这么多,欢迎大家到国美门店体验一下,共享到底什么样子?马甸那个店是比较新型的门店,大家可以去体验一下。

好,谢谢大家!


发表评论请先登录
...
CWW视点
暂无内容