探索新零售時代背後的技術變革

隨着線下場景佈局的不斷髮展，以及線上技術的持續推動，一個真正屬於新零售的時代已經來臨。

走完了廣州、成都、北京、深圳等四大城市後，個推技術沙龍TechDay於上海完美收官。來自京東到家、個推、億咖通、Pinlan的技術大咖們，在上海站的現場，爲你們解析並展現了新零售時代下的新技術。

《大數據時代，用戶畫像實踐與應用》

葉政君 個推大數據分析師

用戶畫像，即用戶信息的標籤化，本質上來講，用戶畫像是數據的標籤化。常見的用戶畫像體系有三種：結構化體系、非結構化體系和半結構化體系。非結構化體系沒有明顯的層級，較爲獨立。半結構化層次有必定的層級概念，可是沒有過於嚴格的依賴關係。在電商行業中，較多的企業會選擇半結構化的用戶畫像體系進行應用。以一個簡單的三級結構化標籤爲例，一級標籤有基本屬性和興趣偏好，而且由此能夠延伸至二級標籤和三級標籤，具體到哪些屬性、興趣。

在畫像建設方面，開發者們能夠參考一些通用的作法，如標籤體系設計、基礎數據收集和多數據源數據融合、實現用戶統一標識、構建用戶畫像特徵層、畫像標籤規則+算法建模、對全部用戶進行算法打標籤和畫像質量監控等。

個推用戶畫像構建的總體流程，能夠分爲三個部分，第一，基礎數據處理。基礎數據包括設備信息、線上APP偏好數據和線下場景數據。第二，畫像中間數據處理。處理結果包括線上APP偏好特徵和線下場景特徵等。第三，畫像信息表。表中應有四種信息：設備基礎屬性、用戶基礎畫像、用戶興趣畫像和用戶其它畫像。同時，用戶畫像的構建須要技術和業務人員的共同參與，避免形式化的用戶畫像。

在進行用戶畫像構建的過程當中，個推主要運用到的技術有數據存儲、實時計算、機器學習和深度學習。

而用戶畫像的應用則包括：精準營銷、用戶分析、數據挖掘、服務產品、行業報告以及用戶研究。

針對新零售時代下，APP的運營者對於用戶畫像的需求，個推依託多年推送服務的積累和強大的大數據能力，推出了用戶畫像產品「個像」，爲APP開發者提供豐富的用戶畫像數據以及實時的場景識別能力。

同時，個推獨有的冷、熱、溫數據標籤，也能夠有效分析用戶的線上線下行爲，挖掘用戶特徵，助力APP運營者篩選目標人羣。同時，個推還能夠爲APP提供定製化標籤，知足APP運營者在用戶數字化管理方面的需求。

在實踐中，定製化標籤的整合也有必定的難度，個推會結合雙方的數據，對其進行建模分析，輸出定製化標籤。總的來講，個推不只有通用的標籤維度，也有定製化標籤的輸出能力。

舉兩個用戶畫像在個推業務中的典型應用：第一，精準推薦，APP的運營者能夠經過個像提供的性別、年齡層次、興趣愛好等標籤，分別展現不一樣的內容給用戶，以達到精準化運營，千人千面。

第二，用戶聚類，處理客戶提供的用戶數據，補全用戶畫像，最終進行用戶聚類分析。

《即時物流場景下的機器學習實踐》

莊學坤 達達-京東到家 物流算法團隊Leader

即時物流做爲新零售的「水電煤」，在新零售模式中處於基礎核心環節，解決的是商品的配送效率問題。達達-京東到家做爲國內即時物流的領先平臺，在這方面進行了大量的技術探索與積累。與傳統物流模式相比，即時物流場景下的配送具備更高的複雜度，具體表現爲如下四點：1. 訂單類型多樣化；2. 時效性要求更高；3. 配送騎士的運力難以掌控；4.送達目的地複雜多樣。而即時物流形式中存在的問題和挑戰，也能夠總結爲四個部分：高度動態的物流訂單、配送成本的動態性、訂單派發須要兼顧公平與效率、騎士自由搶單的管理。

現現在，新的算法模型層出不窮，算法能夠選擇的自由度較高。可是在實踐中，數據決定了機器學習的上限，而算法只是儘量逼近這個上限。一個成功而實用的算法體系，必須很是重視特徵工程。開發者研發一套優秀算法體系的前提，是獲取到優質的、具備精確特徵的數據。達達結合自身的配送場景，積累了海量而精確的配送場景特徵集合。

沒有最好的算法，只有某種場景下最合適的算法。在獲取到特徵數據以後，即時物流場景所應用的機器學習體系能夠分爲四層：基礎數據層、特徵工程層、算法模型層、業務應用層。開發團隊還須要根據業務的應用場景，對不一樣的算法模型進行技術選型，好比線性模型擅長處理高維微觀特徵，非線性模型則擅長處理較低維的宏觀特徵，而在路徑規劃與調度當中，傳統的運籌學模型動態規劃等可能更加合適。

最後，更加通用的AI能夠由兩部分組成，第一部分是深度學習(DeepLearning)，解決端對端的學習問題；第二部分稱之爲強化學習(Reinforcement Learning)，容許更加通用的學習架構。若是這兩個部分結合到一塊兒，就能夠變爲一個很是通用的學習算法。達達智能供需調控系統的設計中，借鑑了AlphaGo的思路，充分發揮了這種模式的優點，使得調控效率的效果和自動化程度同時得到了大幅提高。

《使用智能對話機器人加強新零售服務鏈》
孔曉泉 吉利集團Ecarx算法專家
與以往的零售方式不一樣的地方在於，新零售的過程當中，沒有商超反饋和中間鏈條，企業須要直達顧客。這會使得一個to C企業，在客服和相關支持等方面，花費更多的成本，而且承擔很大的壓力。而使用智能對話機器人提供新零售的服務鏈，則能夠減小用戶的等待時間，提升用戶體驗，而且極大地減低公司的客服成本。智能對話機器人應用最多的領域是在線客服，其次是智能問答，如智能醫療等。

從技術角度來講，人機對話的流程是：語音識別（ASR）、基於文本的方式進行天然語言理解（NLU）、經過理解到的意圖或實體進行對話管理（DM）、天然語言生成（NLG）和語音合成（TTS）。

企業能夠選擇Rasa Stack做爲構建智能對話機器人的基礎，它是一款開源的、基於機器學習的、爲開發者和公司設計的機器人，智能性較高。因爲對話機器人的軟件開發難度很高，天然語言的理解須要不少組件的配合，而Rasa Stack的優點是徹底的數據控制、自行擴充、自定義模型和徹底的自驅動，而且其背靠德國的Rasa Technologies GmbH，有必定的發展保障。

Rasa NLU可以提取用戶的意圖和相關的實體，這至關於把用戶千奇百怪的、非結構化的、長短不一的數據轉化成結構化數據。Rasa NLU的特點是基於 pipeline 的工做模式，擴展能力強，而且支持多種語言，如英語、德語、中文、日文等，RASA NLU還內置多種算法和配置，如MITIE、CRF、Embedding等。

RASA Core則是一個對話管理體系，以下圖所示，圖中的每個箭頭都表明數據的流動。

Rasa Core的特性是數據驅動、擴展能力強、支持多種Policy協同工做、內置多種算法和配置，而且支持Interactive learning.

實際上，強化學習不只是一種框架，它還提供了算法和配置，可是具體的作法和參數調節，還須要在實踐場景下進行肯定。另外，交互式學習可以很快地測試到，用戶所獲得的回覆是否正確，並在錯誤的狀況下，進行相應的更改。

《AI賦能營銷數字轉化轉型》

李澤洲 Pinlan聯合創始人兼CTO

當前，線下營銷正在從以零售商爲中心，轉化成以購物者爲中心的形式。而在這其中，機器視覺的落地，也對整個零售行業的轉變起到了很大的推進做用。

計算機視覺是一個跨學科的領域，涉及到如何使計算機從數字圖像或視頻中，得到高層次的理解。硬件和算法的進步均催生了大量計算機視覺的應用落地。

在深度學習進入到計算機視覺的領域以前，計算機視覺技術主要被應用於圖像處理、特徵檢測和匹配以及運動估計。

隨着深度學習網絡的發展，傳統的神經網絡很難被單純地應用到計算機視覺領域。圖像的緯度很大，而人的觀察方式是對圖像當中的某個局部信息，進行認真的觀察以後，纔會逐漸地觀察到全局信息。

機器學習的流程是數據採集、數據預處理、模型訓練、模型測試和模型服務。其中，零售行業的零售商更關心的是，SKU在超市中鋪貨時，是如何擺放的。

線下零售商有兩種方式能夠進行數據採集。方式一是利用手持終端（SFA）採集數據； 方式二是在超市中架設攝像頭，進行固定場景的拍攝。方式二相較於方式一，有必定的優點存在，如可選擇高像素攝像頭，圖像質量高；固定場景下的拍攝，變化較小；數據可用性高；模型能夠確保細粒度商品的識別。

在數據預處理階段，也有兩種方式能夠對已採集的圖像數據信息進行處理，方式一是提升圖像質量，如調整亮度、對比度，對圖像進行去模糊、超分辨率重建等。

方式二是訓練圖像加強，在AI的實現過程當中，在訓練CNN網絡以前，對數據進行加強是一個很是重要的環節。通常狀況下，現實場景中所能收集到的數據量不是很大，這對於深度學習來講是一個致命的問題，這時即可以利用圖像加強或者圖像數據的擴充，增長數據量，如圖像裁剪、圖像對比度變化、圖像亮度變化和圖像微旋轉。

在商品檢測模型訓練的階段，目前前沿的算法框架包括 Faster-RCNN、RetinaNet和YOLO等。

通用商品檢測模型可以支持海量的多種包裝類別實際場景數據，能夠針對大小目標和不一樣包裝類別，進行大類拆分，而且可以優化模型結構，加強場景適應性。同時，通用商品檢測模型能夠實現移動端壓縮，支持移動端檢測。

而細粒度商品識別模型訓練則須要先收集海量SKU數據，創建商品數據庫，以後結合注意力機制，訓練細粒度識別模型，而後在真實場景驗證模型效果。在實踐中，Pinlan的細粒度商品識別模型，已經可以使天然場景商品識別準確率提高至97%.

創建檢測模型和識別模型以後，開發者能夠將二者進行結合，進行線下零售的智能陳列分析，如陳列位置檢查、數量檢查、陳列規範檢查和陳列推薦。

以數據驅動的新零售時代已經來臨，面臨零售場所和消費觀念的轉變，傳統零售須要整合和重組，充分地利用電子商務、大數據雲平臺、移動互聯網和人工智能等技術，讓線上線下一體化成爲可能。