从宏观和微观层面衡量AI在零售业的投资回报率

AI的应用大大降低了预测成本，这意味着企业能够以越来越新颖和意想不到的方式来推动业务的发展。借用Prediction Machines的概念，我们就可以用摄像头、视频分析和机器学习来充分预测消费者的行为。也正是得益于这样的技术，自动驾驶汽车才能从梦想变成现实。

探索人工智能的商业案例类型

自动驾驶汽车是AI非常重要的应用领域。下面通过几个数字看看自动驾驶汽车的使用所带来的好处：在美国，由于自动驾驶汽车的使用使得在避免致命碰撞方面节省了317亿美元(尽管到目前为止，它还不能完全避免造成死亡)，在避免非致命碰撞方面节省了226亿美元，时间方面节省约99亿美元。但是也有分析指出，这并不是原来人们预想的保险费率或者汽车自身成本的降低，买不起车的人仍然买不起车。与此同时，这些也只是美国市场的数字。

从投资回报率来看，据Axios报道，截至2018年第三季度，风险投资公司仅在自动驾驶领域投资了近80亿美元——这其中并不包括传统汽车制造商的任何投资估算。而即使增加一些资金来弥补私人投资方面的影响，自动驾驶汽车的收益也远远超过迄今为止投入的资金金额。对于谁将从中获益，以及这是否与成本相匹配这一系列问题，仍然有待考量。因此，为了使自动驾驶投资得到回报，少数几家已经投资的公司不得不分享红利，而这也意味着要分摊消费者和保险公司的预期收益。

这一切都是从宏观层面来看的。那么，在微观层面呢?让我们先看一个荒谬的例子，比如，预测今天你会收到多少封电子邮件——这件事是否值得预测?

有人可能会说，对收到电子邮件数量的预测结果，可以让自己更好地评估一天的工作量，或者明确没有完成对工作，并据此做好工作计划。

“它解决了什么样的问题”——这是数据分析领域的一个基本问题。它能帮你判断即将做出的预测行为是否有价值，其根本就在于确定所获取的信息是否会改变你的行为。比如，知道接下来几个小时可能收到的电子邮件数量，并不一定会改变我的行为。工作仍然需要完成，我无法完全阻止电子邮件进入我的邮箱。

但是，换一个角度来看。对于一整个公司来说，预测所有员工在一天内将会收到电子邮件的数量就变得有意义了。因为这些信息就可以用于控制公司为电子邮件服务支付的费用，预期的员工的工作效率，或者判断升级后的垃圾邮件过滤器是否有用。当然，只有当大型企业组织在员工中把这个利益聚合到一起的时候，才能真正获得这样的价值——比如当你将这种做法应用到一群分布在全国各地、在不同公司工作的朋友身上时，可能就不奏效了。

这并不是说你无法在微观层面上看到AI预测的价值。一个很好的例子就是预测你今天要吃多少碳水化合物。如果让AI查看你过去的饮食习惯记录，那么它可能会发现你通常会在午饭时吃面包，在晚饭后吃甜点。AI会利用这些信息尝试阻止某些在接下来你会做出的行为，例如鼓励你在上午10:30吃沙拉，在晚上6点提醒你不要在晚餐后吃饼干。这就是AI在微观层面为你带来的价值，它将直接影响你的行为。

相反，跨消费者聚合行为就不一定意味着企业能从这种聚合中受益，或者说，要从整体上获益将更加分散和困难。

说回零售业

零售行业利润微薄(除了奢侈品)，因此在大多数情况下，零售业都非常厌恶风险。他们认为，投资回报率必须稳定并且明确，才能让零售商获益。

到目前为止，零售行业中的AI投资回报率一直相当不错 ——比如通过个性化体验吸引回购从而提升销量，通过使用聊天机器人(而不是依靠呼叫中心人员进行常规呼叫)来节约成本，通过AI驱动的补货预测实现收入和库存周转方面的优势等等。

AI让微观和宏观应用场景之间的界限变得模糊。零售中的宏观用例有很多，例如适用于商品计划的长期预测，可以帮助改善销售、减少缺货、减少单个门店库存，同时还可以帮助匹配产品采购计划与需求预测。一般都是通过对过去销售数据、活动数据的分析总结，通过模型预测接下来的趋势。

当然，即便没有在宏观层面看到好处，也可能通过某种信息的聚合，使得预测产生收益。就像前面的例子，虽然个人在预测电子邮件接收量方面没什么价值一样，在特定关系中(例如雇主)聚合这种预测可能是有价值的。

此外， 在微观层面，AI在零售行业中的用例也不少。它可以为消费者提供更优质的体验，满足消费者越来越多样化和个性化的需求，而这，对于零售商来说是在更聚合层面上的间接收益，比如带来更高的客户粘性，提升客户忠诚度。

底线