特價(jià)商品出售
猜你喜歡購(gòu)物車推薦····你是否有過(guò)上方的體驗(yàn)？電商平臺(tái)合事宜地給你推薦了一款你近期可能需要購(gòu)買的商品。是的，電商平臺(tái)可以根據(jù)你的購(gòu)買歷史、瀏覽歷史等信息準(zhǔn)確定位到你可能需要購(gòu)買的產(chǎn)品，讓你花最短地時(shí)間、購(gòu)最快的物。這就是新零售帶來(lái)的數(shù)據(jù)化的改變。如今，企加云基于英特爾® 至強(qiáng)® 可擴(kuò)展平臺(tái)和英特爾機(jī)器學(xué)習(xí)庫(kù)的解決方案為新零售賦能。
背景
”新零售“出現(xiàn)的這一年以來(lái)實(shí)現(xiàn)了數(shù)據(jù)化，以前消費(fèi)群體買商品，現(xiàn)在商品也開(kāi)始“挑人”了。新零售的核心要義在于推動(dòng)線上與線下的一體化進(jìn)程，其關(guān)鍵在于使線上的互聯(lián)網(wǎng)力量和線下的實(shí)體店終端形成真正意義上的合力，從而完成電商平臺(tái)和實(shí)體零售店面在商業(yè)維度上的優(yōu)化升級(jí)。隨著新零售概念的逐步清晰化，以及零售產(chǎn)業(yè)鏈運(yùn)轉(zhuǎn)效率的加速，銷量預(yù)測(cè)成為供應(yīng)鏈中關(guān)鍵的一環(huán)，準(zhǔn)確且及時(shí)響應(yīng)的銷量預(yù)測(cè)有利于降低庫(kù)存壓力、滿足瞬息萬(wàn)變的市場(chǎng)需求，并提升消費(fèi)者體驗(yàn)。因此，如何有效地組織和利用大量的歷史訂單數(shù)據(jù)，用戶歷史行為數(shù)據(jù)，外部環(huán)境數(shù)據(jù)以及內(nèi)部其他數(shù)據(jù)，構(gòu)建一個(gè)完整、高效的銷量預(yù)測(cè)系統(tǒng)，為整體供應(yīng)鏈起牽頭作用，動(dòng)態(tài)地實(shí)時(shí)地掌握銷量趨勢(shì)變化，成為推動(dòng)新零售轉(zhuǎn)型的重要因素。銷量預(yù)測(cè)并非大型企業(yè)的專利，對(duì)于尋求向新零售轉(zhuǎn)型的企業(yè)來(lái)說(shuō)，其內(nèi)部的 ERP （Enterprise Resource Planning）、CRM （Customer Relationship Management）等信息化工具往往已經(jīng)使用多年，積累了豐富的商品價(jià)格、銷售流量、轉(zhuǎn)化率、商品屬性等多種類型的數(shù)據(jù)，而且由于內(nèi)部機(jī)制更為靈活，可以更靈活的推行新的零售轉(zhuǎn)型策略，這些都為開(kāi)展精準(zhǔn)銷量預(yù)測(cè)打下了堅(jiān)實(shí)的基礎(chǔ)。
新零售銷售預(yù)測(cè)面臨的挑戰(zhàn)
新零售，是企業(yè)以互聯(lián)網(wǎng)為依托，通過(guò)運(yùn)用大數(shù)據(jù)、人工智能等先進(jìn)技術(shù)手段并運(yùn)用心理學(xué)知識(shí)，對(duì)商品的生產(chǎn)、流通與銷售過(guò)程進(jìn)行升級(jí)改造，進(jìn)而重塑業(yè)態(tài)結(jié)構(gòu)與生態(tài)圈，并對(duì)線上服務(wù)、線下體驗(yàn)以及現(xiàn)代物流進(jìn)行深度融合的零售新模式。利用線上的用戶消費(fèi)數(shù)據(jù)，我們可以搭建出如圖1所示的預(yù)測(cè)與推薦模型，并可應(yīng)用于商品推薦等諸多實(shí)際場(chǎng)景中，達(dá)到提升用戶忠實(shí)度，提高商品銷量的目的。然而，在搭建預(yù)測(cè)與推薦模型以獲得更多商機(jī)的過(guò)程中，新零售業(yè)將面臨以下挑戰(zhàn)：
圖1.預(yù)測(cè)與推薦模型解決方案
基于在新零售領(lǐng)域的技術(shù)和業(yè)務(wù)方面的積淀，企加云打造了多數(shù)據(jù)源融合的銷量預(yù)測(cè)系統(tǒng)。系統(tǒng)在硬件上基于英特爾® 至強(qiáng)® 可擴(kuò)展處理器平臺(tái)，在軟件上，方案底層采取了英特爾的 Python環(huán)境，以及英特爾® MKL 與英特爾® DAAL，開(kāi)發(fā)了多數(shù)據(jù)源融合處理模塊、多方法的特征分析模塊、多模型的集成預(yù)測(cè)與測(cè)試模塊。業(yè)務(wù)人員無(wú)需關(guān)注底層系統(tǒng)與技術(shù)細(xì)節(jié)，就可以高效的構(gòu)建銷量預(yù)測(cè)模型，形成報(bào)表，為決策提供準(zhǔn)確的數(shù)據(jù)依據(jù)。
圖2. 解決方案架構(gòu)圖
圖3. 銷售預(yù)測(cè)系統(tǒng)軟件框架及算法變化利用英特爾提升的性能效果
系統(tǒng)的計(jì)算執(zhí)行效率顯著提升在銷量預(yù)測(cè)模型的搭建過(guò)程中，對(duì)于目標(biāo)硬件進(jìn)行深度學(xué)習(xí)框架和模型的直接優(yōu)化，提升執(zhí)行效率至關(guān)重要。為了驗(yàn)證 3 個(gè)主要模塊在使用英特爾解決方案后的數(shù)據(jù)處理效率，企加云進(jìn)行了對(duì)比測(cè)試，對(duì)照組為利用原生 Python 環(huán)境 + Pandas 數(shù)據(jù)處理 庫(kù)+ scikit-learn 機(jī)器學(xué)習(xí)庫(kù)，測(cè)試配置如下表所示：
表1.測(cè)試平臺(tái)系統(tǒng)配置對(duì)比
測(cè)試結(jié)果如圖 4 所示，結(jié)果證明，英特爾提供的 Python 環(huán)境，多數(shù)學(xué)庫(kù)及算法模型庫(kù)幫助企加云銷量預(yù)測(cè)系統(tǒng)實(shí)現(xiàn)了性能上的大幅提升，執(zhí)行時(shí)間可以縮短超過(guò) 70% ，被證明可以提升整個(gè)機(jī)器學(xué)習(xí)項(xiàng)目過(guò)程中多個(gè)過(guò)程步驟的計(jì)算執(zhí)行效率。
圖4. 不同測(cè)試環(huán)境下的測(cè)試結(jié)果
注：隨著更多測(cè)試的開(kāi)展，性能指標(biāo)評(píng)測(cè)結(jié)果可能會(huì)進(jìn)行修改。結(jié)果取決于測(cè)試中使用的特定平臺(tái)配置和工作負(fù)載，可能不適用于任何特定用戶的組件、計(jì)算機(jī)系統(tǒng)或工作負(fù)載。結(jié)果不一定代表其他性能指標(biāo)評(píng)測(cè)，其他性能指標(biāo)評(píng)測(cè)結(jié)果可能或多或少地受到抑制的影響。性能結(jié)果基于截止到 2018 年 10 月 31 日的測(cè)試，可能未代表所有公布的安全更新。請(qǐng)查看配置聲明了解詳情。沒(méi)有任何產(chǎn)品能保證絕對(duì)安全。計(jì)算執(zhí)行效率的大幅提升在很大程度上源于英特爾的 Python 環(huán)境、英特爾® MKL、英特爾® DAAL 針對(duì)英特爾® 處理器核心的加速優(yōu)化處理，其為設(shè)計(jì)高效的機(jī)器學(xué)習(xí)系統(tǒng)奠定了堅(jiān)實(shí)的基礎(chǔ)，同時(shí)為更大數(shù)據(jù)量提供了分布式計(jì)算框架的支持，滿足不同客戶不同庫(kù)存量單位（Stock Keeping Unit, SKU）的銷量預(yù)測(cè)需求。
圖5. 某企業(yè)數(shù)據(jù)處理和模型訓(xùn)練時(shí)間對(duì)比
注：隨著更多測(cè)試的開(kāi)展，性能指標(biāo)評(píng)測(cè)結(jié)果可能會(huì)進(jìn)行修改。結(jié)果取決于測(cè)試中使用的特定平臺(tái)配置和工作負(fù)載，可能不適用于任何特定用戶的組件、計(jì)算機(jī)系統(tǒng)或工作負(fù)載。結(jié)果不一定代表其他性能指標(biāo)評(píng)測(cè)，其他性能指標(biāo)評(píng)測(cè)結(jié)果可能或多或少地受到抑制的影響。性能結(jié)果基于截止到 2018 年 10 月 31 日的測(cè)試，可能未代表所有公布的安全更新。請(qǐng)查看配置聲明了解詳情。沒(méi)有任何產(chǎn)品能保證絕對(duì)安全。在某大型企業(yè)的智能銷量預(yù)測(cè)實(shí)踐中，基于英特爾機(jī)器學(xué)習(xí)庫(kù)的企加云銷量預(yù)測(cè)整體解決方案，被證明可以更便捷、高效地對(duì)大批量數(shù)據(jù)進(jìn)行處理和模型訓(xùn)練，將訓(xùn)練時(shí)間（一組超參數(shù)情況下）從從一個(gè)多小時(shí)縮短到十多分鐘，總處理時(shí)間從 90 多分鐘減少到不到 40 分鐘，使得人員能夠較快地進(jìn)行模型參數(shù)的調(diào)整和迭代優(yōu)化，支撐更加準(zhǔn)確的決策。幫助零售企業(yè)提升銷售預(yù)測(cè)的精準(zhǔn)度相較于傳統(tǒng)的人工報(bào)表統(tǒng)計(jì)和有限的分析維度，企加云銷量預(yù)測(cè)方案可以幫助用戶構(gòu)建端到端的銷量預(yù)測(cè)應(yīng)用。其將歷史交易數(shù)據(jù)、外部環(huán)境影響因子等多源數(shù)據(jù)整合起來(lái)，并通過(guò)數(shù)據(jù)清洗、合并等方式來(lái)對(duì)數(shù)據(jù)進(jìn)行初步處理，之后基于機(jī)器學(xué)習(xí)方法，從多維度構(gòu)建端到端的分析與預(yù)測(cè)網(wǎng)頁(yè)應(yīng)用，從而方便了計(jì)劃人員把握商品的銷售趨勢(shì)，對(duì)商品的數(shù)量變化精準(zhǔn)預(yù)測(cè)，從而平衡產(chǎn)銷存。在客戶的部署實(shí)踐中，企加云銷量預(yù)測(cè)系統(tǒng)成功把原來(lái)的各運(yùn)營(yíng)商的平均預(yù)測(cè)誤差從 23% 降低 12% ，并將每個(gè)月的增量預(yù)測(cè)平均誤差從 18% 降低至 10% ，從而實(shí)現(xiàn)了更加精準(zhǔn)化、細(xì)致化的銷量預(yù)測(cè)，為業(yè)務(wù)增長(zhǎng)提供了強(qiáng)大的數(shù)據(jù)支撐能力。
結(jié)論
零售業(yè)的未來(lái)將更多的與AI算法、模型聯(lián)系在一起，這有利于零售企業(yè)通過(guò)海量數(shù)據(jù)獲得對(duì)業(yè)務(wù)精準(zhǔn)的洞察力，做出更好的業(yè)務(wù)決策。企加云通過(guò)與英特爾進(jìn)行合作，并利用英特爾機(jī)器學(xué)習(xí)庫(kù)來(lái)大幅度改善數(shù)據(jù)處理與模型訓(xùn)練效率，幫助用戶縮短端到端的處理時(shí)間，降低了系統(tǒng)壓力，從而為更多企業(yè)的數(shù)字化轉(zhuǎn)型賦能。
文章摘自英特爾精英匯
想購(gòu)買及了解更多英特爾產(chǎn)品詳情，歡迎咨詢以下聯(lián)系方式！
寶通集團(tuán)聯(lián)系方式
咨詢熱線：0755-88603572
寶通官網(wǎng)：www.bjshst.cn
客戶垂詢郵箱：cuifang.mo@ex-channel.com
客戶垂詢QQ：1627678462
地址：深圳市福田區(qū)深南大道1006號(hào)國(guó)際創(chuàng)新中心C座11樓
郵編：518026
當(dāng)前位置：
粵公網(wǎng)安備 44030402001885號(hào)
友情鏈接： 金沙古酒 | 中青寶 | 寶德控股 | 寶德計(jì)算 |