MongoDB和AI 赋能行业应用:零售

2024-06-18 15:04

本文主要是介绍MongoDB和AI 赋能行业应用:零售,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

请添加图片描述

请添加图片描述

欢迎阅读“MongoDB 和 AI 赋能行业应用”系列的第三篇。

本系列重点介绍 AI 应用于不同行业的关键用例,涵盖制造业和汽车行业、金融服务、零售、电信和媒体、保险以及医疗保健行业。

利用生成式 AI 技术(Gen AI),零售商可以创造新的产品和服务,确定并实施追加销售策略,根据市场情况生成营销材料,并提升客户体验。AI 最有创意的用途之一是帮助零售商了解顾客的需求和选择,这些需求和选择会随着季节、趋势和社会经济的变化而不断变化。通过分析客户数据和行为,AI 还能根据个人喜好创建个性化产品推荐、定制营销材料和独特的购物体验。

AI 在零售企业的决策中发挥着至关重要的作用;设计、定价、需求预测和分销策略等产品决策需要对来自整个组织的大量信息进行复杂的理解。为了确保在正确的时间、正确的地点提供正确数量的正确产品,后台团队利用了机器学习算法。

随着技术的进步和采用 AI 门槛的降低,零售商正在转向数据驱动决策,实时利用 AI。Gen AI 能用于整合信息,并提供可立即用于整个企业的重要见解。

AI 增强搜索和向量检索

现代零售业是以客户为中心的行业,客户在购买产品时拥有比以往更多的选择。为了留住并扩大客户群,零售商正努力为客户提供极具吸引力的个性化体验。要做到这一点,就必须捕捉顾客的大量数据,如他们的购买模式、兴趣和互动,并迅速利用这些数据做出复杂的决策。

搜索是电子商务体验中的关键互动之一。通过全文搜索引擎,客户可以轻松找到与其搜索相匹配的商品,零售商可以对这些结果进行排序,从而为客户提供最佳选择。在以前的个性化迭代中,如何以个性化方式对搜索结果进行排序,是通过从各种运营系统中获取数据对客户进行细分,然后将所有数据转移到数据仓库中,再在数据上运行机器学习算法。通常情况下,这种算法会每 24 小时或几天分批运行一次,这样客户下次登录时就能获得个性化体验。然而,这并不能实时捕捉客户的意图,因为客户的意图会随着客户收集更多信息而不断变化。

如今,现代零售商通过实时响应数据和 AI 算法的分析来优化搜索排名。现在还可以将当前购物车/购物篮、客户点击流或购物者的购买趋势等因素纳入其中。

●真正了解客户的第一步是建立一个客户数据平台,将来自不同系统和企业孤岛的数据结合起来:客服、电子商务交易、店内互动、愿望清单、评论等。MongoDB灵活的文档模型允许轻松组合不同类型和格式的数据,并支持嵌入子文档,通过一条数据就可以获得清晰的客户视图。随着零售商捕捉到更多有关客户的数据点,还可以随时添加字段,无需停机。

●其次,MongoDB能够实时运行分析,而无需在额外的系统中进行追溯。MongoDB 的架构允许工作负载隔离,这意味着运营工作负载(支持客户操作)和分析或 AI 工作负载(计算最佳报价)可以同时运行,而不会彼此卡点。除此之外,使用 MongoDB 的聚合框架进行高级分析查询,或实时触发 AI 模型,给出可实时嵌入搜索排名的答案。

●最后,通过使用 MongoDB,还能轻松更新搜索索引,将 AI 增强功能纳入其中。由于MongoDB 内置了搜索功能,因此整个流程可以在一个数据平台中完成——随着数据经过了 AI 增强,搜索索引也会同步匹配

MongoDB的向量搜索让搜索迎来了新的时代。通过使用 LLM 为每个产品创建向量嵌入,并打开向量索引,零售商就可以为客户提供语义搜索。AI 将在向量空间中计算商品之间的相似性,并为客户提供一组符合其真实需求的独特结果。

在这里插入图片描述

AI 增强型搜索引擎的架构,MongoDB 的不同组件和 Databricks 组合进行数据清理和准备、商品评分、动态定价和向量检索。
在这里插入图片描述

向量检索解决方案的架构,展示数据如何流经 MongoDB 和 Databricks 的不同集成组件

需求预测和预测分析

通常,零售商要么通过在本地开发传统的机器学习模型来进行需求预测,要么购买专门设计的产品,为需求预测和预测提供跨细分市场的洞察力。自制系统需要大量的数据和机器学习实施基础设施,以及专门的技术知识来开发、管理和维护它们。通常情况下,这些系统需要不断维护,以确保最佳性能并为企业提供价值。

Gen AI 通过提高预测的准确性和粒度,已经为零售商的需求预测提供了多种解决方案。一方面,利用大型语言模型(LLM)进行检索增强生成,使零售商能够生成具体的产品需求,并深入挖掘产品类别和店铺级别,这不仅简化了配送流程,还有助于在门店层面更有针对性地满足客户需求。另一方面,在需求预测中融入 AI 技术,不仅能优化库存管理,还能促进零售业采用更加动态和以客户为中心的方法。

Gen AI 可用于准确预测产品需求、优化/协调生产计划以及确保仓库或配送中心有足够的库存水平,从而提高供应链效率,具体工作包括:

●搜集所需要的全部数据,包括历史销售数据、客户订单以及当前的多渠道销售数据和趋势,这些信息还可以与外部数据集整合,例如可能影响需求的天气和事件。

●将数据整合到一个操作数据层中,并对其进行清理,这样可以降低错误率。通过特征工程提取季节性、促销影响和一般经济指标。

●采用检索增强生成模型来改进需求预测,避免出现幻觉。利用历史数据中的相同数据集来训练和微调模型,以提高准确性。

这些工作可带来商业利益,包括提高需求预测的精确性、优化产品和供应规划、提高效率以及提高客户满意度

在整个零售行业,AI 让管理者和消费者对交互有了更多期待。无论您是杂货店、电子商务网站还是零售集团的客户,AI 已经开始并将继续改变和提升您与企业的业务往来方式。对于全球最重要的零售商来说,AI 创造了各种机会,可以最大限度地降低风险和欺诈行为,完善用户体验,并使公司避免浪费人力和资源。

从创建到发布的全过程,MongoDB 可确保 AI 应用以准确的运营数据为基础,并提供开发人员和消费者所要求的可扩展性、安全性和性能

以上是本篇的全部内容

在本系列的下一篇文章中

我们将讨论 MongoDB + AI

在金融服务行业的应用

阿里云 MongoDB

敬请期待阿里云 MongoDB 的检索和向量新特性。

🔗相关视频推荐:

点击观看网络研讨会回放《MongoDB零售行业最佳实践》

这篇关于MongoDB和AI 赋能行业应用:零售的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1072329

相关文章

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

AI绘图怎么变现?想做点副业的小白必看!

在科技飞速发展的今天,AI绘图作为一种新兴技术,不仅改变了艺术创作的方式,也为创作者提供了多种变现途径。本文将详细探讨几种常见的AI绘图变现方式,帮助创作者更好地利用这一技术实现经济收益。 更多实操教程和AI绘画工具,可以扫描下方,免费获取 定制服务:个性化的创意商机 个性化定制 AI绘图技术能够根据用户需求生成个性化的头像、壁纸、插画等作品。例如,姓氏头像在电商平台上非常受欢迎,

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

从去中心化到智能化:Web3如何与AI共同塑造数字生态

在数字时代的演进中,Web3和人工智能(AI)正成为塑造未来互联网的两大核心力量。Web3的去中心化理念与AI的智能化技术,正相互交织,共同推动数字生态的变革。本文将探讨Web3与AI的融合如何改变数字世界,并展望这一新兴组合如何重塑我们的在线体验。 Web3的去中心化愿景 Web3代表了互联网的第三代发展,它基于去中心化的区块链技术,旨在创建一个开放、透明且用户主导的数字生态。不同于传统

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人,是不是经常需要制作各种PPT来分享我的生活和想法。但是,你们知道,有时候灵感来了,时间却不够用了!😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手!🌟 什么是Kimi? 一款月之暗面科技有限公司开发的AI办公工具,帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师,Kimi都能够为你的办公文

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

hdu1394(线段树点更新的应用)

题意:求一个序列经过一定的操作得到的序列的最小逆序数 这题会用到逆序数的一个性质,在0到n-1这些数字组成的乱序排列,将第一个数字A移到最后一位,得到的逆序数为res-a+(n-a-1) 知道上面的知识点后,可以用暴力来解 代码如下: #include<iostream>#include<algorithm>#include<cstring>#include<stack>#in

zoj3820(树的直径的应用)

题意:在一颗树上找两个点,使得所有点到选择与其更近的一个点的距离的最大值最小。 思路:如果是选择一个点的话,那么点就是直径的中点。现在考虑两个点的情况,先求树的直径,再把直径最中间的边去掉,再求剩下的两个子树中直径的中点。 代码如下: #include <stdio.h>#include <string.h>#include <algorithm>#include <map>#