新兴技术可以帮助零售商提高生产力并让客户满意——对于其他行业的专业人士来说也有很大的教训。
如果您是一名在美国各地拥有数千家经销店的家居装修专家，那么跨商店和仓库跟踪产品可能会很困难。再加上黑色星期五和繁忙假期的复杂性，这一挑战似乎几乎难以解决。
然而，家得宝 (Home Depot) 通过结合使用机器学习 (ML) 和计算机视觉技术来帮助员工快速有效地为客户找到产品，从而正面应对这一考验。
家得宝 (The Home Depot) 技术研究员 Hari Ramamurthy 在视频采访中向 ZDNET 解释说，这种新兴技术的部署对于这家零售巨头来说是非常重要的。
“我们是一家非常注重技术的公司，”他说。“我们寻找利用最新、最好的技术的方法来实质性地改善我们员工以及最终客户的体验。”
Ramamurthy 表示，The Home Depot 开发了一款基于 ML 的应用程序，称为 Sidekick，以提高员工的工作效率。
该应用程序也使用计算机视觉，安装在“hdPhones”上，这是家得宝员工使用的移动设备。这些设备是与 Zebra Technologies、HPE 和 Aruba 合作开发的。
Sidekick 于 2023 年初上线，Ramamurthy 表示，该应用程序只是整个企业一系列数据主导计划的最新阶段。
他表示：“机器学习或人工智能等技术显然在为我们的员工和客户带来正确结果方面具有巨大潜力。”
在开发 Sidekick 时，The Home Depot 创建了一个定制系统，该系统使用支持云的 ML 算法，允许员工（拉玛莫西将其称为同事）优先处理重要任务。
该应用程序可确保员工将注意力集中在最受欢迎的产品上，并帮助他们在难以找到的位置（例如头顶货架）找到物品。
“我们希望确保我们的员工始终获得与其所在位置相关的最高价值任务，以便他们能够高效地完成所执行的任务，”他说。“我们正在使用内部数据源生成的多个信号来为我们的算法提供信息。”
机器学习模型从交易系统获取数据，包括销售点技术和库存管理平台。
然而，该模型超越了传统的结构化零售数据源，并从半结构化源中汲取洞察，例如展示商店内购物者流动的视频摄像头源。
该应用程序还使用计算机视觉，由员工在其高清手机上的 Sidekick 应用程序中捕获图像。
工作人员在商店各处拍照。家得宝利用这些数据来发现有关货架上哪些产品的更多详细信息。
“计算机视觉是来自非交易系统的数据并为我们的算法提供信息的一个很好的例子，”拉马穆尔蒂说。
“这是一项非常令人兴奋的技术，因为我们可以看到通过该流传输的大量信息可以增强我们的数据源。这意味着我们可以构建更完整的信号集，并生成适当的任务并将其交付给我们的员工。 ”
Ramamurthy 表示，虽然该应用程序是一款数据量很大的工具，需要员工的输入才能有效、高效地工作，但其目的是确保对员工的任何要求都不会过于繁重，并且他们的输入会在产出方面产生巨大的效益。
“我们的目标是让技术淡出背景并尽可能无缝，”他说。“员工实际上不必了解确保生成任务的所有因素。我们的目标只是尝试并确定适当任务的优先级。”
作为 The Home Depot 的技术研究员，Ramamurthy 一直在寻找方法来磨练 Sidekick 应用程序并找到其他数据主导的创新来源。
“我的职责是在我们的各个产品团队、业务合作伙伴和技术团队之间架起桥梁，”他说。“我们不断寻找方法来优化我们执行某些任务的方式，并挑战我们的思维方式。这意味着考虑引入技术并在许多情况下进行实验，以开发下一代体验，从而削弱我们的能力。客户的问题。”
多年来，家得宝一直在尝试各种机器学习和人工智能 (AI) 技术，其中包括自主开发的 Sidekick 应用程序。
对于一些数字领导者来说，走新兴技术的定制开发路线似乎是一个重大风险。
Gartner 杰出副总裁分析师 Avivah Litan 此前曾告诉 ZDNET，机器学习和人工智能等新兴技术有望大幅提高生产力，但这些工具在企业环境中获得巨大回报之前还需要克服重大挑战。
就 The Home Depot 而言，拉马莫西表示，该公司拥有内部人才和概念验证研究，表明机器学习和计算机视觉可以产生巨大的影响。
在利用新兴技术时，向其他数字和商业领导者传达的信息是专注于测试和磨练您的方法。
“我们的经验非常反复。在内部，我们认为这是一种‘爬、走、跑的方法’来提供价值。我们已经进行了战术改进，并在此过程中遇到了必须克服的挑战，”他说。
“但我们采取的迭代方法确实帮助我们确保能够实现预期。目前，我们对员工的绩效和整体体验感到满意。”
Ramamurthy 和该团队继续寻找小迭代，为 Sidekick 应用程序带来重大改进。
他认为公司可以做更多的事情，不仅要确保为员工生成适当的任务，还要关注商店各个方面的因素，无论是分析销售地点的数据还是考虑销售楼层的布局。
“这些都是有待进一步探索的领域，”他说。“此外，我们还将继续研究如何改进我们的统计机器学习模型以及我们生成的一些任务的质量，特别是当它们通过其他信号进行增强时。”
Ramamurthy 表示，他还热衷于利用从 Sidekick 应用程序中收集的见解，确保员工在完成任务时拥有正确的技能和资源。
“我认为这些领域，无论是在任务生成方面还是在任务交付方面，都有进一步完善的机会，”他说。
原创文章，作者：Terry，如若转载，请注明出处：https://www.52foreigntrade.com/20240242169.html
微信扫一扫 
支付宝扫一扫 