觀點 | 從模型到應用，快消零售行業AI落地指導

<!-- /\* Font Definitions \*/ @font-face {font-family:宋體; panose-1:2 1 6 0 3 1 1 1 1 1; mso-font-alt:SimSun; mso-font-charset:134; mso-generic-font-family:auto; mso-font-pitch:variable; mso-font-signature:3 680460288 22 0 262145 0;} @font-face {font-family:"Cambria Math"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:0; mso-generic-font-family:roman; mso-font-pitch:variable; mso-font-signature:3 0 0 0 1 0;} @font-face {font-family:等線; panose-1:2 1 6 0 3 1 1 1 1 1; mso-font-alt:DengXian; mso-font-charset:134; mso-generic-font-family:auto; mso-font-pitch:variable; mso-font-signature:-1610612033 953122042 22 0 262159 0;} @font-face {font-family:"Microsoft YaHei UI"; panose-1:2 11 5 3 2 2 4 2 2 4; mso-font-charset:134; mso-generic-font-family:swiss; mso-font-pitch:variable; mso-font-signature:-2147483001 718224464 22 0 262175 0;} @font-face {font-family:"\\@Microsoft YaHei UI"; mso-font-charset:134; mso-generic-font-family:swiss; mso-font-pitch:variable; mso-font-signature:-2147483001 718224464 22 0 262175 0;} @font-face {font-family:"\\@宋體"; panose-1:2 1 6 0 3 1 1 1 1 1; mso-font-charset:134; mso-generic-font-family:auto; mso-font-pitch:variable; mso-font-signature:3 680460288 22 0 262145 0;} @font-face {font-family:"\\@等線"; panose-1:2 1 6 0 3 1 1 1 1 1; mso-font-charset:134; mso-generic-font-family:auto; mso-font-pitch:variable; mso-font-signature:-1610612033 953122042 22 0 262159 0;} /\* Style Definitions \*/ p.MsoNormal, li.MsoNormal, div.MsoNormal {mso-style-unhide:no; mso-style-qformat:yes; mso-style-parent:""; margin:0cm; margin-bottom:.0001pt; text-align:justify; text-justify:inter-ideograph; mso-pagination:none; font-size:10.5pt; mso-bidi-font-size:11.0pt; font-family:等線; mso-ascii-font-family:等線; mso-ascii-theme-font:minor-latin; mso-fareast-font-family:等線; mso-fareast-theme-font:minor-fareast; mso-hansi-font-family:等線; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-font-kerning:1.0pt;} .MsoChpDefault {mso-style-type:export-only; mso-default-props:yes; font-family:等線; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi;} /\* Page Definitions \*/ @page {mso-page-border-surround-header:no; mso-page-border-surround-footer:no;} @page WordSection1 {size:595.3pt 841.9pt; margin:72.0pt 90.0pt 72.0pt 90.0pt; mso-header-margin:42.55pt; mso-footer-margin:49.6pt; mso-paper-source:0; layout-grid:15.6pt;} div.WordSection1 {page:WordSection1;} /\* List Definitions \*/ @list l0 {mso-list-id:251009860; mso-list-template-ids:1826402930;} @list l0:level1 {mso-level-number-format:bullet; mso-level-text:; mso-level-tab-stop:36.0pt; mso-level-number-position:left; text-indent:-18.0pt; mso-ansi-font-size:10.0pt; font-family:Symbol;} @list l0:level2 {mso-level-number-format:bullet; mso-level-text:; mso-level-tab-stop:72.0pt; mso-level-number-position:left; text-indent:-18.0pt; mso-ansi-font-size:10.0pt; font-family:Symbol;} @list l0:level3 {mso-level-number-format:bullet; mso-level-text:; mso-level-tab-stop:108.0pt; mso-level-number-position:left; text-indent:-18.0pt; mso-ansi-font-size:10.0pt; font-family:Symbol;} @list l0:level4 {mso-level-number-format:bullet; mso-level-text:; mso-level-tab-stop:144.0pt; mso-level-number-position:left; text-indent:-18.0pt; mso-ansi-font-size:10.0pt; font-family:Symbol;} @list l0:level5 {mso-level-number-format:bullet; mso-level-text:; mso-level-tab-stop:180.0pt; mso-level-number-position:left; text-indent:-18.0pt; mso-ansi-font-size:10.0pt; font-family:Symbol;} @list l0:level6 {mso-level-number-format:bullet; mso-level-text:; mso-level-tab-stop:216.0pt; mso-level-number-position:left; text-indent:-18.0pt; mso-ansi-font-size:10.0pt; font-family:Symbol;} @list l0:level7 {mso-level-number-format:bullet; mso-level-text:; mso-level-tab-stop:252.0pt; mso-level-number-position:left; text-indent:-18.0pt; mso-ansi-font-size:10.0pt; font-family:Symbol;} @list l0:level8 {mso-level-number-format:bullet; mso-level-text:; mso-level-tab-stop:288.0pt; mso-level-number-position:left; text-indent:-18.0pt; mso-ansi-font-size:10.0pt; font-family:Symbol;} @list l0:level9 {mso-level-number-format:bullet; mso-level-text:; mso-level-tab-stop:324.0pt; mso-level-number-position:left; text-indent:-18.0pt; mso-ansi-font-size:10.0pt; font-family:Symbol;} @list l1 {mso-list-id:431316467; mso-list-template-ids:-166692786;} ol {margin-bottom:0cm;} ul {margin-bottom:0cm;} -->

AI項目的落地大概要經歷什麼過程？

落地過程當中會遇到什麼問題？

最終能夠展示什麼樣的效果？

前沿的零售企業已經把AI應用到什麼程度？

近期，在觀遠數據主辦的「零售快消AI落地應用實戰私享會」上，觀遠數據AI解決方案總監進行了《從模型到應用的AI落地案例分享》。如下是他分享的乾貨整理。

Table Of Contents

· AI趨勢與落地步驟分析

· 企業如何落地AI項目——以需求預測爲例

· AI項目推動的步驟

· AI項目成功的關鍵

AI應用是大勢所趨

根據BCG（波士頓諮詢公司）調研了全球數十家頭部快消企業發現一個結論：這些企業已經在多個方向進行了AI的探索與嘗試，而且也逐步取得了一些成果。絕大部分企業均認爲需求預測、營銷投放ROI分析、數據驅動的銷售計劃，個性化店貨匹配等場景能帶來最明顯的業績增加機會，是必須進行探索和嘗試的。

既然零售企業對於AI驅動業績增加的價值是毫無疑問的，那麼在AI這個方向都作到什麼程度了呢?從觀遠接觸的客戶中咱們一樣發現，近年來企業對AI賦能生產的熱情高漲，雖然有一小部分還處於觀望和尋找方向的階段，但絕大部分都已經開始了小規模的探索並評估可行性。

而一些領先的頭部企業在AI應用方向上一樣走的也很靠前，觀遠已經協助多個客戶將AI應用落地，真正開始讓AI技術嵌入企業關鍵業務流程發揮做用。其中一些最有前瞻性的企業甚至已經開始規劃AI藍圖，要在當前基礎上讓AI賦能貫穿各個業務環節，實現數據驅動的企業決策。能夠說，AI應用正當其時，還在觀望的企業應該儘快尋找切入點，而已經有了一些探索積累的，更要儘快邁出生產落地這關鍵一步。

如何落地AI項目——以需求預測爲例

不少人對AI項目的概念就是建模，認爲只要選好了算法建好了模型項目就能成功。然而在觀遠的經驗中，AI項目真正的重點和難點是從實驗室走向生產環境這一步。

AI落地毫不是簡單的模型一鍵發佈，過程當中有許許多多實驗室環境難以預見的問題，因此今天咱們想討論的並非怎麼建模，而是怎麼把建好的模型落成應用。

首先咱們來看一下在真正的生產環境中咱們會面臨哪些挑戰

1、數據質量

數據質量是全部數據項目共同的痛。但在實驗室環境中，數據大部分通過了必定程度清洗和整理，即使發現異常也能夠手動處理掉，可是在生產環境中，數據質量狀況比實驗室惡劣不少，未知的異常數不勝數，生產環境也沒法所有依靠手動處理，在數據源短時間沒法有效改善的前提下，如何下降數據質量差帶來的負面影響是生產環境必需要面對的問題。

2、每一個目標的準確率

在實驗室環境中，每每會挑選一小部分有表明性的試點目標進行探索驗證，經過一些總體指標如平均準確率等來衡量模型質量。然而在生產環境中，面對的是全部產品或是全部門店，對於業務而言不能只看總體，還要關注每個個體，個體目標的準確率能夠不夠準，可是不能給出過於超出業務常識的值（事實上極可能發生），當一次產生數萬個預測結果時，這種要求會變成巨大的挑戰。

3、多變的業務

模型訓練每每須要比較連續的大量數據，實驗室中咱們可能會挑選知足這一條件的目標進行探索。可是在實際業務中，變化可能很是快速，一個商品換了包裝、更改尺寸、推出聯名款等等，都是一種「新商品」，咱們在實際工做中看到，某些品類的商品平均生命週期只有半年，當歷史參考數據不足時，如何才能讓模型保持準確率？

4、模型解釋性

AI模型比較受到業務詬病的一點是邏輯不透明，沒法解釋。對於一些感知類的模型如圖像識別等，結果可以快速評估，而且失敗（某張圖判斷錯誤）的代價幾乎忽略不計，所以對於解釋性的要求不高。可是對於數據分析類的AI模型，一個決策可能影響到數億數十億資金，而且真實狀況每每是一週甚至一個月後發生，若是不知道模型結果是怎麼得出來的，業務是很難放心去使用的。

那接下來咱們看看如何應對這些問題

1、構建數據異常監控機制

數據異常沒法避免，關鍵在於如何快速發現而且高效解決。咱們設計了一整套機制，包括設定異常校驗規則、基於規則採集相關數據、設置預警閾值、造成自動化處理流程。在這套機制下，隨着系統的運行，數據質量帶來的負面影響會愈來愈小。

2、多層模型確保結果可用

生產環境相比實驗室驗證，最大的區別在於模型會複雜的多。一個生產環境中每每會結合不一樣業務狀況構建一組十幾個甚至數十個模型，而不是一個通用模型應對全部狀況。同時須要靈活應用規則模型，在特殊場景下，規則會是AI模型的一個很好補充。

以應對多變的SKU爲例，咱們並非直接預測每一個SKU的銷量。雖然SKU變化很快，可是對於某個中/小品類來講，其市場容量仍是有必定規律可循，同時不管包裝、容量如何變化，其本質特色如口味、香型等每每不變，市場人羣的偏好佔比也相對穩定。所以咱們若是在SKU層級只預測其佔比，同時在品類層級預測總量，再經過一個匹配模型將新舊款進行關聯，就能很好的解決這一問題。

3、讓模型可解釋可分析

爲了應對模型解釋性問題，咱們須要理解業務真正想要的。對於多數業務人員而言，想了解的並非詳盡的底層算法邏輯，而是這個預測值是參考了哪些因素得出，這些因素影響的佔比狀況如何。咱們的作法是，經過將模型特徵歸類，分別嘗試改變或去除某一類特徵，經過預測值的變化大致上評估該類特徵帶來的影響，從而間接進行模型的解釋。

更進一步，咱們還能夠基於預測模擬仿真各類業務場景，經過改變一些關鍵變量，查看預測值的變化，典型的應用是評估促銷對於銷量的影響。

固然，在實際的生產環境中遇到的問題遠不止這些，咱們僅僅列出了一些比較常見和共同的問題。

AI項目推動的步驟

零售AI項目是將來不少企業，尤爲是想要向全球規模化發展的企業必經之路。可是對於AI項目的探索和落地，必定要有規劃，按照節奏去推動。

1. 尋找合適的業務場景，評估其價值；
2. 結合業務需求、數據現狀肯定詳細的AI模型目標，並同步組建項目團隊，能夠是內部自建，也能夠是尋求外部合做；
3. 以實驗室環境爲基礎設計模型原型，初步評估可行性；
4. 進行小規模業務驗證，評估實際效果；
5. 正式開始項目工程化落地，包括模型部署、對接數據源、快速迭代優化，並分類逐步上線。

在此基礎上，還要不斷積累自身技術力量、改善數據質量、適應基於AI的業務流程，從而讓AI應用真正的在業務中發揮做用

AI項目成功的關鍵

經過上面的介紹，相信你們對於AI項目的落地有了更深的認識。對於如何確保AI項目成功，觀遠數據也總結了本身的一些理解：

1、目標的選擇：在初期找到一個業務價值較大，效果易於評估，部門配合度高，對現有流程變化較小的切入點更易於推進。

2、不要過於看重POC：POC階段的模型僅僅是一個通用驗證模型，將其做爲一個參考值而不是惟一評價標準，真正重要的是結合業務特色構建一組複雜模型的能力。

3、重視數據質量：數據質量很關鍵，若是短時間沒法改善，如何在有限的數據質量下確保模型可用的能力很重要。

4、團隊合做：AI項目毫不是一個數據科學家埋頭實驗室建模可以成功的項目，他是結合了數據科學家、業務人員、數據工程師等多種角色的團隊項目。

5、迭代優化：要認識到AI項目是一個不斷迭代優化的過程，剛上線的結果可能不盡如人意，甚至效果低於實驗室環境，但經過解決各類異常點並逐步優化，會達到一個滿意的效果。

6、認識工程平臺的重要性：AI落地毫不是簡單的運行一個腳本或所謂的一鍵發佈服務，真正可用可維護的AI應用，必定須要一個工程化的平臺支撐運行。

(內容來源於觀遠數據內部員工)