人工智能驱动的商业（一）-优快云博客

原文：annas-archive.org/md5/6b088de5f482d51fb786524bf7c39370

译者：飞龙

协议：CC BY-NC-SA 4.0

序言

商业的未来已到来。AI 驱动的商业正在使企业能够为消费者提供新的体验和价值。AI 将在产品和服务创新的未来中发挥至关重要的作用，改变品牌如何在多个接触点与客户互动。

Commerce.AI 将介绍 AI 的最新进展，以及它如何在多个行业中推动新产品和服务的发展。你将了解 AI 的最新进展，包括深度学习、生成对抗网络（GANs）、自然语言处理（NLP）和计算机视觉。

本书首先概述了 AI 在产品和服务创新中的不同应用，包括市场机会识别、创造产品创意和行业趋势预测。接下来，你将探讨 AI 在多个行业中的创新应用案例，从消费电子到奢侈品。最后，你将学习如何利用 Commerce.AI 的核心功能，赋能你的产品和服务团队，创造符合客户需求的创新产品和服务。

本书适合人群

本书将引导你完成产品和服务创新的全过程，无论你现有的技能如何。无论你是 AI 开发者、产品经理、分析师还是消费者洞察专家，本书将教你如何利用 AI 的力量进行创新。

本书涵盖的内容

第一章，改善市场机会识别，重点讲述了如何使用 AI 进行市场机会识别，并探讨了它如何帮助更好地理解客户的兴趣，除了他们的需求和欲望之外。这是任何希望精细化价值主张、调整客户体验或创造新产品或服务的公司必须完成的重要步骤。

第二章，创造产品创意，解释了如何利用 AI 和机器学习来寻找产品创意。我们讨论了自然语言处理（NLP）和大语言模型的概念，以生成产品创意。我们解释了如何利用 AI 分析市场数据，创造相关且受欢迎的产品创意。

第三章，理解如何利用大数据预测行业趋势，解释了如何使用先进的机器学习和数据科学技术预测未来趋势。它解释了大数据是什么，它的结构是什么，以及如何利用它来洞察未来。这对成功创造产品或服务至关重要，因为它帮助你理解消费者未来的需求。

第四章，运用 AI 推动创新 – 奢侈品深度解析，探讨了 AI 在奢侈品行业中的创新应用。分析了奢侈品公司如何利用该技术实现个性化、提升客户体验和开发新产品。

第五章，运用 AI 推动创新 – 无线网络深度解析，探讨了 AI 在无线网络行业中的应用。详细讨论了 AI 如何用于优化关键绩效指标，如星级评分、畅销排名、产品情感分析和转化率等。

第六章，运用 AI 推动创新 – 消费电子深度解析，分析了 AI 如何用于消费电子行业的创新。探讨了 AI 如何在产品定位、品牌研究、创意生成、洞察提取等方面提供支持。

第七章，运用 AI 推动创新 – 餐饮业深度解析，阐述了数据对餐饮创新团队的重要性。您将学习如何利用数据和 AI 为餐饮战略提供支持。

第八章，运用 AI 推动创新 – 消费品深度解析，阐述了 AI 在消费品行业中的应用。分析了 AI 如何用于消费品市场情报、内容生成、情感分析等众多领域。

第九章，通过产品 AI 提供洞察力，探讨了 Commerce.AI 的产品 AI 功能，帮助产品创新团队进行研究、开发、推出并跟踪成功的产品。

第十章，通过服务 AI 提供洞察力，探讨了 Commerce.AI 的服务 AI 功能，帮助服务创新团队通过真正理解客户及市场，构建下一代体验和口碑。

第十一章，通过市场 AI 提供洞察力，探讨了 Commerce.AI 的市场 AI 功能，帮助团队揭示面向客户行为变化、流行产品、崭露头角品牌及新产品机会的多维度信息、应用场景和话题。

第十二章，通过语音调查提供洞察力，深入介绍了 Commerce.AI 的语音调查，利用语音识别和自然语言理解技术。您将学习如何深入了解消费者的想法。

为了充分利用本书

您需要一台稳定的互联网连接和一个兼容 Python 的集成开发环境（IDE），支持 Windows、macOS 或 Linux 操作系统。所有代码示例均已在 Google Colaboratory 中进行测试，但同样适用于离线 IDE 和其他开发环境。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/B17967_Preface_Table.jpg

注意

如果你正在使用本书的电子版，建议你自己输入代码或通过书中的 GitHub 仓库获取代码（链接在下一节提供）。这样做可以帮助你避免因复制和粘贴代码而产生的潜在错误。

在阅读本书期间或之后，我们鼓励你注册 Commerce.AI 的免费试用，地址是www.commerce.ai/contact。

下载示例代码文件

你可以从 GitHub 下载本书的示例代码文件，地址是github.com/PacktPublishing/AI-Powered-Commerce。如果代码有更新，将会在 GitHub 仓库中进行更新。

我们还提供来自丰富书籍和视频目录中的其他代码包，访问地址是github.com/PacktPublishing/。快去看看吧！

下载彩色图片

我们还提供一个 PDF 文件，包含本书中使用的屏幕截图和图表的彩色图像。你可以在这里下载：static.packt-cdn.com/downloads/9781803248981_ColorImages.pdf

使用的规范

本书中使用了多种文本规范。

文本中的代码：表示文本中的代码词汇、数据库表名、文件夹名称、文件名、文件扩展名、路径名、虚拟网址、用户输入和 Twitter 用户名。以下是一个示例：“查看更多正面评价，其中polarity（极性）为正，subjectivity（主观性）较低。”

代码块如下所示：

s = df['Reviews']
df['Reviews'] = df['Reviews'].astype(str)
df = df[df['Reviews'] == s]
df[['polarity', 'subjectivity']] = df['Reviews'].apply(lambda   Text: pd.Series(TextBlob(Text).sentiment))

当我们希望你注意某个代码块的特定部分时，相关的行或项目会以粗体显示：

s = df['Reviews']
df['Reviews'] = df['Reviews'].astype(str)
df = df[df['Reviews'] == s]
df[['polarity', 'subjectivity']] = df['Reviews'].apply(lambda   Text: pd.Series(TextBlob(Text).sentiment))

粗体：表示一个新术语、重要的词汇，或是你在屏幕上看到的文字。例如，菜单或对话框中的词汇会以粗体显示。以下是一个示例：“即使是积极的评价也会抱怨其范围，比如有一条评价简单地写着短距离好。”

提示或重要的注释

以这种方式显示。

联系我们

我们总是欢迎读者的反馈。

一般反馈：如果你对本书的任何部分有疑问，请通过电子邮件联系我们，邮箱地址是 customercare@packtpub.com，并在邮件主题中提及书名。

勘误：尽管我们已尽力确保内容的准确性，但错误是难以避免的。如果你在本书中发现错误，我们将感激你报告该问题。请访问www.packtpub.com/support/errata并填写表格。

盗版：如果你在互联网上发现任何非法复制的我们的作品形式，我们将非常感激你提供相应的地址或网站名称。请通过 copyright@packt.com 联系我们并附上相关材料链接。

如果您有兴趣成为作者：如果您在某个领域有专长，并且有兴趣撰写或为书籍贡献内容，请访问authors.packtpub.com。

分享您的想法

阅读完AI Powered Commerce后，我们很想听听您的想法！请点击此处直接前往该书的亚马逊评论页面并分享您的反馈。

您的评论对我们和技术社区都非常重要，将帮助我们确保提供优质的内容。

第一部分：人工智能驱动商业的好处

在本书的第一部分，你将学习到与人工智能驱动的商业相关的好处，并了解如何将人工智能系统应用于自己的业务。

本部分包括以下章节：

第一章，提升市场机会识别
第二章，创意产品构思
第三章，理解如何利用大数据预测行业趋势

第一章：第一章：改善市场机会识别

几年前，关于人工智能（AI）的每一次讨论似乎都以一种末日般的预言结束。2014 年，埃隆·马斯克曾表示，借助人工智能，我们正在召唤魔鬼，而斯蒂芬·霍金则说人工智能可能意味着人类种族的终结。然而，最近情况开始发生变化。人工智能已经从一个令人害怕的“黑盒子”变成了人们可以在各种使用场景中应用的工具。

这种转变是因为这些技术终于在大规模上得到探索，包括产品团队在市场机会识别中的应用。人工智能并非一直被应用于这个行业。事实上，它最初只是一种科学好奇心。1950 年代，计算机科学家约翰·麦卡锡想知道是否可以制造出能够自己学习如何做棋类等任务的机器。如今，人工智能无处不在。

在本章中，我们将探讨如何利用大数据和人工智能改善市场机会识别，涵盖以下主题：

传统方式识别市场机会
市场机会识别中的大数据挑战
使用人工智能识别市场机会
探索人工智能驱动的市场报告

市场机会识别对于产品团队识别未被满足的需求至关重要。它帮助他们了解他们的产品如何在市场中脱颖而出，以及他们需要做什么才能实现增长。他们需要识别竞争格局，定义市场机会，并利用这些信息创建价值主张。

此外，市场机会识别为后续章节奠定了基础，包括创造产品创意和预测未来市场趋势。

传统方式识别市场机会

在商业领域，盲目地冒险进入未知领域注定会失败。对市场机会的信任是不够的——必须有可靠的数据。市场机会识别是一个获取并分析数据的过程，数据来源可以是任何地方，目的是理解市场的潜在规模以及你能够占据的市场份额。

从广义上讲，市场应该被分为三个部分：

外部市场：外部市场是那些已经建立的市场，它们可能由其他公司提供服务。
内部市场：内部市场是那些公司内部存在的市场，但可能尚未被识别为市场。
潜在市场：潜在市场是那些尚未被识别的市场。

传统的市场机会识别可以通过多种方式完成：

首先，可以通过调查消费者来进行市场机会识别。市场调查是了解客户需求及他们愿意为此支付多少费用的最有效方式之一。这不仅帮助公司了解应该生产什么，还能帮助他们预估产品能带来多少收入。
其次，市场机会识别可以通过头脑风暴技巧来完成，例如5 Whys技巧。5 Whys 技巧非常简单，通过在面对一个主题、问题或难题时连续问五次为什么？，可以作为头脑风暴练习来使用。
第三，市场机会识别可以通过分析内部数据来完成，例如之前已做过的调查和访谈。通常，大公司会拥有大量未整理、未结构化的信息，这些信息分布在各个部门和项目中，从 Google Surveys 到 JotForm 再到 SurveyMonkey。当这些数据被分析时，他们可能会发现之前未曾意识到的机会。
最后，传统的市场机会识别可以通过审视外部数据以及来自社交媒体平台或同行业竞争者的数据来完成。这包括像 LinkedIn 或 Facebook 这样的网站，这些地方公司和个人的数据都可能非常有价值。

一种越来越受欢迎的市场研究工具是Google Trends，它允许人们在一段时间内查看特定兴趣领域的搜索量。例如，如果你对洛杉矶屋顶花园的受欢迎程度感兴趣，可以在 Google Trends 中输入Los Angeles Rooftop Gardens，并分析一段时间内的搜索趋势。此外，Google Trends 还允许你轻松导出这些数据，以便进一步分析，无论是用来创建可视化图表，还是与其他数据合并。

一旦潜在的市场机会被识别出来，公司应该考虑是选择追求这些机会，还是忽视它们。如果公司选择进军外部、内部或潜在市场，那么它需要考虑哪种方法最为合适。

例如，如果考虑进军一个内部市场，最好为公司员工创造一个激励措施，并将其提供给员工，以便让他们参与到新产品的推广中。

如果考虑进军一个外部市场，最好投资于广告活动，让客户了解新产品。

如果考虑进军一个潜在市场，公司最好投资于研发，以便创造一个能够吸引这一新市场细分的产品。

还存在以客户为驱动的识别和以机会为驱动的识别之间的区别。以客户为驱动的识别是指一个组织根据客户的需求或愿望来确定营销需求，而以机会为驱动的识别是指一个组织根据自身的优势和劣势来识别潜在价值的领域。

例如，如果一个组织在制造方面很强，但在营销方面较弱，那么他们可能会在营销领域发现提升机会，而这些机会在进行以客户为驱动的识别时是无法发现的。

尽管传统的市场机会识别方法有很多好处，但在面对大数据挑战的现代世界中，这些方法显得不足。

大数据在市场机会识别中的挑战

大数据 已成为产品社区中的一个流行词。

大数据涉及数据生成的速度、生成的数据量、可以用它回答的问题类型以及数据来源的数量。简而言之，大数据不仅仅关乎规模。

大数据描述了来自数十亿人访问互联网所带来的数据爆炸。

产品团队希望利用大数据来发现新的市场机会和新的客户目标方式。然而，许多公司在如何收集和分析大数据方面苦苦挣扎，尤其是当数据分散在不同来源时。

商业高管们提出了诸如：我们如何从这些分散的数据中提取有用信息？我们如何利用大数据做出更好的战略决策？我们如何应对大数据存储、组织和管理的挑战？我们如何增加大数据的价值？

通常，管理大数据以识别市场机会时会面临几个主要挑战：

第一个挑战是在海量无关变量中找到相关的预测模式非常困难。例如，使用传统的商业智能（BI）技术，如数据清洗和手动数据挖掘，可能需要几周甚至几个月的时间才能在一个庞大的客户调查结果数据库中发现预测模式。想象一下，您的数据集包括人口统计、公司信息、心理学特征、购买数据、评论等等。这是大量的信息需要浏览，而且许多变量在初看时可能并不显得相关。
第二个挑战是传统的 BI 工具并不适合高效发现大数据中的预测模式，因为大数据的增长速度远快于传统数据库的更新速度。这不仅使得追赶最新见解变得困难，而且还使得将洞察集成到现有系统中变得更加昂贵且耗时。
大数据的另一个主要挑战是首先获取数据本身。

像谷歌和亚马逊这样的大公司，凭借其在硬件和软件服务上的大量投资，拥有巨大的计算能力和几乎无限的存储空间，但对于较小的组织——即使是那些渴望利用大数据潜力的公司——情况则不同。

数据的涌入速度比以往任何时候都要快。产生的数据量的爆炸性增长已经超过了传统数据库系统的处理能力，而像 AWS 或 GCP 这样系统的搭建和维护需要专门的工程师，因为它们对技术专业知识的要求，包括扩展、安全性、数据管道等。

因此，问题通常是企业缺乏必要的资源，这些资源能够帮助它们收集、汇总、分析和解读如此大量的信息，而无需在服务器集群或其他专业基础设施上投入大量资金。

借助 AI，公司可以更轻松地解决这些挑战，并分析大数据以提高市场机会识别能力。

使用 AI 进行市场机会识别

使用 AI 进行市场机会识别时，最重要的事情是要记住，它并不是要创造一个魔法棒，瞬间识别出所有重大的新市场机会。那是数据科学家或软件开发者的梦想。但在营销的世界中，成功依赖于快速、高效和智能，这些特征却是完全的噩梦。

营销和产品开发专业人员常常面临压力，要求他们将新产品和服务迅速推向市场，并且要做到市场上最先推出。他们需要以成本效益高的方式做到这一点，同时不牺牲质量，通常还要在有限的资源下完成。

AI 提供了速度、效率和智能。通过在可扩展的服务器上部署模型，AI 可以扫描大量数据并识别出人类无法察觉的模式。这意味着，数百万个数据点可以在数小时甚至数分钟内被分析出来。

AI 已在多个领域中得到应用，如自动驾驶汽车、人脸识别和欺诈检测。

通过使用 AI 进行市场机会识别，营销人员可以摆脱手动审查和分析无数潜在市场或新产品类别的信息的负担。他们可以将数据收集和新产品创意的任务交给机器处理。

使用 AI 进行市场机会识别的最佳方法是专注于需要真正解决方案的实际问题。例如，营销人员可能希望分析现有客户群体，寻找他们可以进入的潜在新产品类别，或者为这些现有客户创造的特定产品。

另一个例子是，使用 AI 识别现有品牌的新地理市场——甚至是全新的品牌——通过观察全球各地区客户人口统计、购买习惯、生活方式选择和其他标准的各种组合。

在任何情况下，AI 都可以通过帮助营销人员比其他方式更有效地使用他们已经拥有的数据来协助他们（通过自动化一些数据收集任务并简化其他任务）。它还可以帮助克服一些关键障碍，包括评估任何给定潜在市场或产品类别是否真正可扩展。

使用 AI 进行市场机会识别的另一个好处是，你还可以将其作为展示你对创新的承诺并将你的品牌与竞争对手产品区分开来的工具——这也能提升你的品牌认知度、声誉和整体价值。

正如我们所探讨的，AI 对产品团队有许多广泛的好处。让我们深入了解一个具体的用例：AI 驱动的市场报告。

探索 AI 驱动的市场报告

AI 已经改变了机器学习，这是人工智能的一个分支，自动化地识别数据中的模式。大数据分析行业对 AI 生成的市场报告（www.commerce.ai/reports）在识别机会和趋势方面充满了可能性。

AI 引擎可以用于多种目的，包括生成市场报告，识别营销活动中潜在的改进机会。这项技术为营销专业人员提供了一个良好的机会，使得利用现有数据生成本地或全球报告变得比以往更容易。

以下是使用 AI 生成的市场报告的一些好处：

自动化：自动化重复性任务，如生成报告，可以帮助营销专业人员节省宝贵的时间和精力。
成本效益：生成报告模板的成本可能更低，AI 在后台快速调整模板，以满足本地或全球的需求。
整体质量提升：通过使用 AI，营销人员可以获得更准确、精确和完整的信息，用于他们的营销计划。
数据追踪：使用机器学习算法分析大量数据可以帮助营销人员获得有关消费者偏好和购买趋势的宝贵见解。

强调这些好处并不是说使用 AI 生成的市场报告没有缺点，而是为了突出一些关键好处，帮助你做出是否在未来的商业操作中使用这项技术的最终决策。

利用全新的 AI 生成市场报告功能，Commerce.AI 现在能够直接向公众提供高质量的洞察。

以前只有拥有 Commerce.AI 数据引擎访问权限的人才能使用市场报告，现在所有人都可以使用。

市场报告分析基于消费者反馈，提供了关于人们如何消费产品和服务的宝贵洞察。只需按下一个按钮或进行简单搜索，现在任何人都可以访问涵盖 1 万个类别的市场报告。

Commerce.AI 生成的报告是找到下一个产品创意或寻求新客户群的具体方法：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_1.1_B17967.jpg

图 1.1 – Commerce.AI 生成的市场报告示例

例如，搜索游戏键盘会显示我们一个高机会分数，因为这个细分市场在疫情推动的封锁期间增长迅速。随着 Commerce.AI 的不断发展，它的洞察力也会不断提升，并随着分析与市场中新的趋势相关的更多产品数据，变得更加准确。

Commerce.AI 的数据引擎通过跨市场类别的洞察力已创造超过 1.4 亿美元的收入。这些市场报告是一个了不起的资源，基于来自论坛、博客、调查、视频、客户支持票、客户关系管理系统等来源的数十亿个非结构化产品数据点。它们提供了人们如何消费产品和服务的视角，并有可能帮助你找到下一个大创意。

在创新和产品开发方面，市场调研是无价的。它提供了关于人们如何消费产品和服务的洞察，这些信息可以用来启发下一个能够征服世界的创意。如果不以消费者反馈为起点来构思原创想法，你就限制了可能的努力方向。

Commerce.AI 的市场调研报告包括每个类别的总结、增长最快的品牌、畅销产品、最高评分产品、产品和评论的数量等。所有这些数据都被整合成一个单一的数值——机会计量器——显示当前市场机会的规模。

AI 通过考虑市场的平均规模、每个类别的竞争者数量和增长潜力来计算这一点，创建一个最佳拟合线，连接数据点：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_1.2_B17967.jpg

图 1.2 – 一份 AI 生成的市场报告示例

传统的市场调研费用高昂、难以接触且令人困惑。Commerce.AI 新的 AI 生成的市场报告功能解决了这些问题，以及在探索市场机会时时间有限的问题。

市场报告无需支付高额费用即可获得数据驱动的消费者洞察。

Commerce.AI 的系统依赖于多种不同类型的产品数据点，包括占网络 95% 的非结构化数据。这些来源包括 Amazon、Walmart、Target 和其他对产品团队至关重要的商业来源。

所有这些数据被汇总并通过 AI 分析，生成市场洞察，提供有关人们如何消费产品和服务的宝贵知识。

通过 Commerce.AI 的新市场洞察，你可以对正在考虑的下一个产品创意以及当前市场充满信心。通过扫描 10,000 个市场类别的数据并提供报告，前所未有的大规模高质量洞察正在向所有人开放。

跳过那些对于人们当今如何花钱一无所知的昂贵市场研究公司，利用 AI 生成的市场报告，分析数十亿个数据点的强大能力。

当然，也有其他市场报告的来源，从 Gartner 到 Nielsen。然而，没有 AI 的强大能力，这些传统市场报告可能受到偏见的影响，同时也错过了分析数十亿个数据点的机会。此外，AI 生成的报告要经济得多，成本只是传统报告的一小部分。

例如，Gartner 的研究订阅每年费用约为 30,000 美元，因为传统报告所涉及的开销较大。这是因为需要高薪的分析师团队花费大量时间来生成报告。

相比之下，AI 生成的报告通过自然语言处理（NLP）软件，收集来自网络的数十亿个数据点；因此，它们只需几分钟就能生成，且成本远低于传统报告。NLP 通过计算分析语言模式，将其编码为数值化的标记值。它基于一个理念：所有语言都围绕一组核心元素构建，例如单词和短语，这些元素可以通过多种方式组合，表达出在向量空间中广泛的思想。

数十亿个数据点被提炼成每个市场的单一机会评分，提供了无与伦比的准确性和规模，同时不牺牲清晰度和易理解性。这些数据点为组织提供了无可匹敌的洞察，帮助它们推进战略并为全球扩张做好准备。

概要

很明显，AI 有潜力从根本上提高市场机会识别的质量和速度。

但这不仅仅是找到更好的方式来做研究人员一直在做的事，甚至不仅仅是自动化任务。相反，AI 可以帮助我们发现以前根本无法发现的新机会。

在传统的商业智能环境中，分析师需要花费数小时筛选成千上万家公司数据，以识别有前景的新目标。

利用以非结构化数据源（如文本文件或图像）为基础的 AI 解决方案，这一任务变得简单直接；AI 系统可以扫描数百万份文件，识别关键字或模式，然后提供具有商业意义的推荐匹配。

Commerce.AI 是产品团队可用的众多先进技术之一。它使用一系列机器学习技术，基于结构化和非结构化数据发现洞察。

理解市场机会识别对于产品团队铺设产品开发过程的基础至关重要。传统方法已经沿用了好几代人，并且今天仍然适用，而基于 AI 的方法则能为团队提供竞争优势。对这一点的理解对接下来的章节至关重要，因为产品开发应该建立在对市场的深刻理解之上。在此基础上，我们将深入讨论诸如构建、选择和迭代产品创意等主题。

在下一章，我们将探讨如何通过 AI 改进产品创作过程。

第二章：第二章：创造产品创意

提出伟大的产品创意并不容易。这既是一门艺术，也是一门科学，那些能够提出伟大创意的人，像史蒂夫·乔布斯和马克·扎克伯格一样，会被历史铭记。

在本章中，我们将探讨推动创建新产品创意的 人工智能五大支柱：语言理解、视觉理解、信息提取、信息组织和创造性人工智能。理解人工智能的五大支柱将帮助你在规划、管理和投资人工智能项目时更加具有战略性。

例如，一些产品团队可能希望使用人工智能生成新的产品设计，这将侧重于 视觉理解 支柱，而另一些团队可能希望使用人工智能来理解客户所需的功能，以此为新产品奠定基础，这将涉及 语言理解 和 信息提取 等支柱。

讲完这些内容后，我们将讨论如何构建、选择和迭代产品创意。最后，你将学习如何利用 Commerce.AI 改进产品创意过程，并利用数十亿个数据点获得竞争优势。

本章将讨论以下主题：

理解人工智能的支柱
为什么产品创意如此困难？
使用 Commerce.AI 进行创造性人工智能
构建产品创意
选择产品创意
迭代产品创意

产品创意对于企业成功至关重要。在过去，企业常常因为不了解客户的真实需求，直到产品完成后才意识到自己做错了，所以未能创造出客户想要的产品。但这种方法现在已经越来越过时。互联网为公司提供了前所未有的客户数据和洞察，让他们能够随时了解客户需求，从而借助人工智能的力量，更快、更好地开发出更符合客户需求的产品。

理解人工智能的支柱

这些是人工智能的五大支柱，它们为使用人工智能进行产品创新奠定了基础：

语言理解
视觉理解
信息提取
信息组织
创造性人工智能

当你将前四个支柱与创造力结合时，你得到的就是所谓的 创造性人工智能。换句话说，前四个支柱是创建推动各种创造性应用的数据信息结构所必需的。

创造性人工智能是一种先进的人工智能形式，它能够解决之前被认为机器无法完成的问题，无论是设计全新的产品，还是提出真正创新的想法，比如 Google 如何利用人工智能设计出比人类工程师更快、更圆润和更具有机感的计算机芯片，或者 Autodesk 的设计师如何使用人工智能设计出比常规设计更轻、更强、更高效的骨架支架。在本节中，我们将更详细地探讨人工智能的五大支柱，以及它们如何与产品创作相结合。

语言理解

语言理解是读取用户心思的能力。

人工智能创新的最重要支柱之一是语言理解，它使机器能够解读人类的文本和推理，并返回用户能理解的回应。实现这一点的能力通常被称为自然语言处理（NLP）。NLP 已经存在了几十年，但直到最近，得益于深度学习算法，它才迎来了显著的进展。

与传统的机器学习方法相比，深度学习可以使用神经网络识别数据中的模式。这种方法利用大量数据集，并以比以前的方法更高的速度产生准确的结果。深度学习不仅可以预测未来的结果，还能通过语音或书面表达感知用户的意图或心态。

例如，如果你问 Google Home 设备明天旧金山的天气，它可能会回答明天天气晴朗，最高气温 82 华氏度。这是因为深度学习技术将你说的话解读为获取信息的请求，并基于其庞大的知识库提供它认为你需要的信息。

这里的关键点是，现代的自然语言处理（NLP）技术使机器比以往更能理解我们的意图，这意味着我们可以更容易地构建用于多种任务的对话代理（例如，在安排会议时）。好消息是，由于现代 NLP 技术相较于其他人工智能技术（如图像识别）并不复杂，我们不缺乏可以改善我们生活的应用实例。

语言理解帮助产品团队的一个方式是从现有的产品创意中生成新的产品创意。例如，假设你有一个关于为建筑工人设计新安全帽的创意。你可以利用语言理解将这一创意自动扩展为一个智能安全帽，可以监控工人的位置，并警告他们接近危险物体。总体而言，这就像是超级版的自动完成。我们将在Transformer部分探讨这一原理是如何实现的。

语言理解的另一个应用是帮助公司扫描在线用户评论，找出用户希望在产品中加入的特定功能。例如，如果你现在去亚马逊，查看任何热门产品的评论区，你会看到数十条客户评论在询问产品的功能，这些评论或是显式的，或是隐含的。一款受欢迎的零食评论包括味道平庸和零食粘在一起了。

通过语言理解，这些评论可以被提取并转化为客户愿望清单。产品团队可以利用这些愿望清单作为反馈信号，了解客户对产品的需求，从而在时间的推移中改进产品。

鉴于 95%的互联网数据是非结构化的，且大多数是文本数据，语言理解是 AI 的一个关键支柱。这项技术同样适用于语音数据，使得在市场调研中收集和分析客户反馈的方式发生了变化，例如语音调查。

实际上，在 Commerce.AI，我们发现 95%的研究参与者更喜欢语音调查，而不是传统的调查表单。

视觉理解

视觉理解是指通过图像识别物体。一个智能计算机程序能够理解图片的元素，并利用这种理解生成新的创意，AI 程序也可以通过用户反馈进行训练，从而根据客户需求开发新产品。这些程序可以收集客户反馈，例如通过我们的产品数据引擎、语音调查或焦点小组，然后利用 AI 将其转化为产品创意。这个过程产生了大量关于用户兴趣的数据。

让我们来探讨视觉理解如何在三种不同类型的产品创新中得到应用：

生成更好的产品洞察和产品反馈

首先，视觉理解解决了寻找关于人们需求的数据的问题，AI 系统可以被训练识别图像中的物体。这可以为产品和产品反馈提供更好的洞察。

例如，亚马逊上列出了数百万种商品。如果考虑到亚马逊市场（Amazon Marketplace），这个数字估计接近 3.5 亿种商品。这些商品的许多列表并未详细列出照片中包含的所有视觉信息。换句话说，亚马逊的商品照片是另一个重要的商品数据来源。通过视觉理解可以帮助理解这些照片及其细节，特别是在文本描述不足时，它尤其有用。

苹果使用面部识别技术，这是一种视觉理解的形式，使用户可以轻松解锁他们的 iPhone。它们还使用增强现实技术，另一种视觉理解，来创建个性化表情符号。
通过挖掘用户反馈开发新产品

除了生成更好的洞察之外，视觉理解还可以帮助你开发新的产品和功能。例如，许多在线评论中包含产品图片，突出显示产品的亮点功能，也可能包括缺陷。视觉理解不仅可以用来分析这些图片，还可以与常规的文本数据一起，帮助产品团队了解哪些产品和功能需要更改，并避免将来出现类似的缺陷。
为视力障碍或盲人用户开发解决方案

让我们再看一个与用户体验创新相关的视觉理解的好处：视觉理解还用于改进使盲人计算机用户能够更容易访问网站的软件。例如，许多产品列表中的图片缺乏替代文本，即盲人用户通过语音朗读听到的图像描述。有了视觉理解，这些替代文本可以自动生成。

这可以通过使用像 OpenCV 这样的 AI 库来实现，OpenCV 是一个流行的计算机视觉和机器学习框架。OpenCV 使用像卷积神经网络（CNN）这样的技术，通过提取模式和特征来进行图像分类任务，基于之前学习的内容对图像进行分类。

这些神经网络可能会提取图像中的特征，比如颜色直方图、边缘和形状，或任何其他有助于识别和区分不同物体的特征，识别后可以将其作为替代文本（alt-text）添加。

信息提取

信息提取是从非结构化文本来源中提取信息的过程，旨在发现实体，并对其进行分类和存储到数据库中。这是数据科学和人工智能的重要组成部分。

在写作时，我们可以使用各种工具从非结构化文本来源中提取信息，例如自然语言处理（NLP）和深度学习。

通过对客户数据进行信息提取，你可以开始将数据转化为洞察。

使用客户数据

信息提取当然是提取产品数据的重要组成部分，但它也常用于客户支持服务领域，并且能够帮助你解答以下问题：

客户对我们的产品有什么看法？
客户对我们产品描述中的不同声明有何反应？
哪些词汇在我们的产品评论中最常被提及？

这些客户数据可以来自各种来源，包括论坛和博客、调查、视频、客户支持票务系统、客户关系管理系统（CRM）等。以下截图突出了客户数据来源的冰山一角：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_2.1_B17967.jpg

图 2.1 – 客户数据来源示例

最理想的情况是能提前回答客户的问题，或根据用户迄今为止的反馈做出建议。这类服务可能听起来像是未来的技术，但已有一些公司提供这样的服务。例如，Expedia 刚刚推出了一款 AI 聊天机器人，利用机器学习和自然语言处理（NLP）技术帮助人们预定酒店。更具体地说，在聊天机器人中使用我的卡不能用时，系统需要将其处理为支付信息的请求。

意图提取器会查看所有可能的意图，并尝试将它们与用户输入的内容匹配。从技术层面来看，这通过使用在过去的对话中经过标注的用户意图训练的模型来实现。该模型能够理解用户语言中的模式，将用户的消息与意图匹配，即使关键词不完全相同。

然而，这里最大的问题是如何将自然语言处理（NLP）技术在商业中规模化使用，而不陷入使用固定回答或预选问题集的困境。聊天机器人应该能够与人类进行自然对话，而固定的回答会限制沟通中的类人特质，这意味着需要高质量的 NLP 工具。

使用 AI

在这里，AI 发挥了重要作用：生成可以在投入资金建设新的聊天机器人或招聘新员工从事客服工作之前进行测试的新想法。

虽然提取本身并不是解决方案，但它能够帮助我们更好地提出关于问题的问询，并识别改进的机会。数据提取为我们提供了快速了解产品评论、情感和市场数据的手段。通过提供关于客户行为的洞察（例如，用户最常用的功能以及他们遇到特定问题的频率），我们可以提出更好的问题，探究用户为何会遇到这些问题，以及如何解决它们。

提取数据后，我们可以继续进行组织工作。

信息组织

信息组织是对提取的数据进行整理，以获得更深刻的洞察。

信息组织创建结构并建立产品、品牌和属性之间的关系，从而促进新想法、描述甚至广告文案的创作。例如，以下屏幕截图展示了 Commerce.AI 将手表品牌的相关信息组织成Feed Summary。仅从这组有序的信息中，我们就可以看出，客户喜欢卡西欧的价格，但抱怨其使用塑料材质并且电池不好。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_2.2_B17967.jpg

图 2.2 – 一组关于手表品牌的组织信息样本

AI 在信息组织方面比人类更快、更便宜、更有效。让我们来看一下 AI 在信息组织中能提供帮助的五种具体方式。

缩短信息收集时间

虽然收集数据对产品创新至关重要，但它也非常耗时。这是从用户和客户收集数据的最大缺点之一。

更具体地说，你需要在一定时间内收集大量的用户反馈或客户偏好（这会占用大量预算）。但随着机器学习和自然语言处理等强大 AI 工具的出现，你不再需要投入那么多资源来进行数据分析。

相反，你可以通过将数据分析外包给了解如何阅读用户反馈的 AI 来节省大量资金。这种方法不仅可以节省资源，还可以更快地做出关于产品的更明智的决策，从而改善业务结果。

信息组织取决于在品牌、产品类别和属性之间收集正确的产品信息。通过使用人工智能加速信息收集，我们可以更快地为信息组织提供正确的产品数据。

消除重复的数据收集

另一个运行调查或面试时的主要缺点是从客户或用户那里获得重复的响应。

例如，如果我想了解市场上各种产品的客户偏好，我会问一些问题，比如，“您目前使用哪款智能手机？您更喜欢哪个品牌？这些手机还有哪些标准功能？”

借助人工智能工具如机器学习和自然语言处理，您可以通过自动化任务（如发送调查或使用聊天机器人自动进行访谈）来消除重复性反馈。

基于大数据做出更好的建议

有时候，我们往往更倾向于依靠自己的判断，而不是分析人们的需求。一些例子包括当我们想到一个新的产品理念时，当我们想象我们希望产品拥有的功能时，以及当我们考虑改善被认定为问题的一个方面时。

由于用户经常明确提到期望的功能和产品属性，无论是在亚马逊的评论中还是 YouTube 的拆箱视频中，利用这些大数据比依靠直觉更好。高质量的有组织信息需要大数据，特别是在大规模理解客户方面。通过使用人工智能进行大数据分析，公司可以挖掘数据中的趋势和模式，这些模式和趋势他们之前可能无法看到，从而提供更高质量的信息。

获得现有数据的价值

当今公司最常用的反馈收集方法是询问用户问题。

然而，这种反馈通常已经存在于数百万在线产品评论中，既包括相关公司，也包括竞争对手。这些数据的问题在于它们是非结构化和无组织的，这意味着存在未开发的价值。借助人工智能，公司终于可以对这些现有数据进行结构化处理，并从中获得价值。随着人工智能变得越来越可及，产品团队开始利用这些非结构化数据，但大多数数据仍然被技术负担所困扰，分析大量原始数据仍然是一个挑战。因此，通过使用人工智能，产品团队仍然可以通过使用人工智能获得竞争优势。

创建热度图

机器学习有助于生成热力图，展示从多个平台（如网页——包括移动网站和桌面站点）上填写的在线表单收集到的信息，这些信息由 Google Analytics 等服务提供。这些有序的数据帮助公司在创意构思之前和过程中做出决策。通过将用户关心的内容组织成视觉层级结构，产品团队可以将创意思维过程集中于真正重要的内容。例如，假设你是一家汽车公司，用户更关注你的自动驾驶功能而不是快速充电——这将指导你的创意构思过程，重点进一步改善自动驾驶功能。

创意 AI

通过利用 AI 生成创意，我们可以开发更多令客户满意的产品，并将他们转化为长期用户。简而言之，我们利用最新的 AI 技术，尤其是大型语言模型，来指导产品构思。

这个过程被称为基于语言模型的概念生成（CGLM）。CGLM 是一种有效的策略，能够生成一系列符合用户需求和欲望的新颖概念。

除了生成自然语言，创意 AI 还可以使用一种叫做生成对抗网络（GANs）的技术来设计新产品。GAN 的思想是训练两个竞争的神经网络，第一个网络生成虚假的图像，第二个网络判别这些图像是现实的还是虚假的。生成模型不断尝试欺骗判别模型，直到真实图像与虚假图像无法区分。GAN 曾被广泛应用于制作深度伪造名人和政治家的照片和视频，但它们也可以用于生成产品概念，无论是新的公寓布局还是运动鞋设计。

这些类型的创意 AI 支持产品构思过程，通常这是一个漫长且艰难的过程。

为什么产品构思如此困难？

生成新产品创意的最流行方法之一是通过头脑风暴练习，如创意练习或思维导图技术，这些方法被设计师、建筑师和工程师用来打破创作瓶颈或在遇到难题时寻求突破。这些方法非常有用，因为它们能够使来自不同领域的人聚集在一起，分享不同的视角。

然而，这种方法在生成真正创新的商业产品方面存在局限性，因为它侧重于想象而非实际的客户需求和欲望。

另一种现在许多公司采用的技术是通过调查或焦点小组将客户纳入创意过程，让他们分享关于自己想要什么的意见。虽然这种方法更有利于融入客户反馈，但它也非常昂贵且耗时。领域专家必须手动记笔记、整理并分析反馈，并将其与外部数据结合，才能继续前进。然后，他们需要找到一种方式，与实际的产品开发团队进行协作，确保反馈被理解并得以使用。

这个冗长且昂贵的过程在收集的数据方面也有很大的局限性。焦点小组只能包含有限数量的用户。而借助 AI，可以分析所有可用的产品数据，包括文本产品评论、产品描述、视频评论、语音调查等等。AI 的速度也远超人类，这意味着这些数据可以实时提取、组织并分析，直接为产品团队提供洞察。这些整理好的数据也为创意 AI 提供了燃料，包括产品构思。最终，产品构思对成功至关重要，否则你的业务可能会变成一个未能创新的“死亡企业”。

而且这并不一定是负担重的，正如 Commerce.AI 所展示的那样。Commerce.AI 是一个平台，可以让你轻松构建和管理你的产品创意，从构思到开发再到发布。

使用 Commerce.AI 进行创意 AI

如我们所述，创意 AI 依赖于语言理解、视觉理解、信息提取和信息组织。通过 Commerce.AI，这些组件结合在一起，让你可以随心所欲地生成新的产品创意。

Commerce.AI 的标准分析包括产品排行榜、按市场份额排名的顶级产品和品牌的图表、按星级评定的顶级产品和品牌的评论分析、市场格局图以及更多内容。创意 AI 组件利用这些数据，并结合精选的客户愿望单信息，生成新的产品创意。类似地，你也可以生成广告文案，通常这是一个繁琐的手动任务，而现在它可以轻松完成。

正如我们所见，AI 可以具有创造力，并且是产品团队加速创新过程的强大工具。现在，我们已经了解了 AI 和产品构思的背景，接下来让我们利用这些知识，学习如何构建、选择并迭代产品创意。自然而然地，构建产品创意是第一步，但并非每个创意都会成为热门，这就是为什么在最好的创意上精心选择和迭代非常重要。

构建产品创意

创新新产品创意是一个严峻的挑战。借助 AI，尤其是大型语言模型（LLM），产品构思变得轻松起来。

LLM（大语言模型）可以处理大量文本信息（无论是文字评论、YouTube 视频，还是语音调查），并生成新的文本。为模型标注的数据越多，它生成原创想法的能力就越强。例如，使用 Commerce.AI 的产品创意生成器，机器学习被用来扫描来自特定类别的大量产品评论，比如男士手表，然后提取客户的愿望清单信息。

下一步是将这些客户愿望清单信息输入到 LLM 中，生成新的产品创意。在下面的例子中，给定“我希望指针能发光”和“我希望它有一个金属表背”这两个愿望，LLM 生成了如下文本：

一款具有发光表盘的碳钢手表。每个小时下方都有一些点，这些点会按照从左到右的顺序依次亮起，然后当它达到 12 点时，灯光会再次从右到左亮起。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_2.3_B17967.jpg

](https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_2.3_B17967.jpg)

图 2.3 – 基于客户愿望清单生成产品创意

如果你还没有使用过语言模型，可以尝试 OpenAI 的 GPT-3 等 AI 模型。GPT-3 是在互联网上数十亿条内容上进行训练的，用来生成新的文本，就像你手机上的自动完成功能加强版。

目前，这些系统相当基础：它们只是一个接一个地生成词语，并没有真正的智能，也不能理解它们的含义。尽管如此，GPT-3 可以被用来像人类一样进行写作，应用于多种现实场景。例如，它可以被训练为支持某个政治候选人的一致性论点；或者它可以被训练为更生动地写下某个记忆或经历；它也可以被训练为生成新的产品创意。

所以，尽管一开始听起来可能很天马行空，但这种基于名为*transformer（变换器）*的人工智能架构的技术，确实有非常实际的应用。

变换器

例如，GPT-3 使用transformer（变换器）。变换器是世界上一些最流行的自然语言模型背后的秘密武器，包括 Facebook、Google 和 Microsoft 等公司。

在技术层面，变换器使用所谓的sequence-to-sequence（序列到序列架构），或Seq2Seq。顾名思义，Seq2Seq 是一个神经网络，它将一串元素（例如一段文本）转换为另一串元素。

Seq2Seq 模型由编码器和解码器组成。编码器接受输入序列并将其转化为一组潜在变量，这些变量随后传递给解码器。解码器负责将这些元素转换回一个序列。

举个例子，如果你有一个文本说 The quick brown fox jumps over the lazy dog，模型可能想知道dog指的是哪种动物。这个任务涉及将dog这个词编码为一个数值符号，以便可以根据其他符号进行计算。

例如，单词dog的标记可能位于wolf和pet这两个单词的标记之间。当然，这个例子极大地简化了问题，因为每个字符和每个单词都会有一个标记，从而创建出一个计算机能够用来理解语言的庞大网络。

这使得计算机能够以之前被认为不可能的方式从文档中提取语义特征。如前所述，这个模型将句子结构作为输入特征——或者你可以称之为输入向量——因此我们可以在这里从概念层面了解它是如何运作的。

句子是监督式序列模型（如 Seq2Seq）中的参数；它们通过编码器传输，编码器将其转化为向量（潜在变量）。这些向量随后通过一个或多个网络，再转化为序列以供输出处理（解码）。

关于术语的简要说明

这些模型之所以被称为变换器，不仅因为它们能够变换句子；它们还能够将字符转化为字符（或单词）。字符变换器不仅处理单词，还处理字母。它逐个字符地处理，而不是一次性处理一组字符。

字符变换器模型和像 Microsoft Word 或 Apple Pages 这样的文字处理器之间存在差异。然而，它们在后台做的事情是类似的：它们通过计算机算法处理原始数据，直到屏幕上出现我们人类可以轻松阅读的结果。

Transformers（变换器）是人工智能发展的关键，因为大多数人认为机器人在真正发挥作用之前需要具备出色的阅读和写作技能。无论我们希望机器人是帮我们吸尘还是为我们端上晚餐，都取决于它们的语言理解能力有多强。在教机器人执行特定任务之前，我们需要那些能够在上下文中理解自然语言句子的机器人。

虽然变换器可以在文本上进行训练，将其编码为数值标记值，但它们也可以在像素上进行训练，这些像素会被编码为数字（即像素的 RGB 值矩阵）。因此，变换器不仅可以像生成文本一样生成图像，如这个由 AI 图像生成帮助设计的椅子示例所示：

https://creativecommons.org/licenses/by-sa/4.0

](https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_2.4_B17967.jpg)

图 2.4 – Emmanuel Touraine 的生成设计，CC BY-SA 4.0（https://creativecommons.org/licenses/by-sa/4.0）

从产品设计到标志资产或其他设计材料，基于人工智能的图像生成器将在产品创新过程中发挥越来越大的作用。

选择产品创意

创新是产品团队的命脉。然而，创新新产品创意只是其中的一步。让我们探讨一下如何选择合适的产品创意来实现商业成功。

很多商业领袖低估了将产品视为一个持续过程的重要性。他们认为一旦有了一个好主意，就可以立即开始构建并推向市场。但这种思维方式从根本上是错误的。历史上最成功的产品并不是一夜之间开发出来的，而是通过系统的规划和执行过程逐步发展而来的。这一基本路径是许多公司能够年复一年持续增长市场份额的原因。

这里的一些重要问题包括：

产品经理应该将精力集中在哪些方面？
他们应该专注于原始的想法（或想法），还是应该基于其他机会开发能够提供更强投资回报的产品？
如何知道哪些想法值得追求？

每个公司都面临不同的外部竞争压力。这意味着每个公司与其产品相关的机会和威胁都是独一无二的。例如，当 Facebook 于 2004 年成立时，消费者还没有智能手机；今天，成千上万的智能手机应用程序与 Facebook 争夺用户的注意力。那么，Facebook 应该追求哪些想法呢？

为了帮助回答这些问题，您可以考虑六个关键因素：

您公司的需求。
产品为您的客户解决了什么问题。
是否存在被竞争对手忽视的问题。
解决这个问题的市场有多大。
您处于产品生命周期的哪个阶段。
无论是您的产品即将发布新版本，还是您当前市场上已有版本的产品。

这些问题的答案将帮助您优先考虑产品创意。例如，如果您的公司在当前产品方面已经走得很远，并且没有受到任何主要竞争威胁的困扰，那么也许可以花些时间来开发完全不同的东西。然而，如果您仍在进行开发，并为现有产品的新版做规划，那么转向新的想法可能就不太合适了。

如果您有高技能的员工，他们已经知道如何制作像您这样的产品，那么他们可能能够立刻开始构建，而不需要太多培训或再培训。或者，如果成功构建产品需要许多具有互补技能的人（像 Facebook 这样的公司就是如此），那么您可能希望在启动需要多人参与的项目之前先扩大团队（例如招聘设计师和写手）。您也可以考虑与拥有相关技能的其他组织合作（例如，Twitter 一直依赖外部承包商作为其工程团队的一部分）。

这些合作伙伴关系还可以通过将开发成本分摊到多个组织之间来帮助降低风险。

这个因素会根据公司在筹资活动和现金储备方面的不同而发生显著变化。如果你现在正在筹集资金或寻找投资者，但没有显著的收入流产生利润，那么最初在不太可能立刻盈利的风险项目上花费资金并不是那么关键。然而，一旦事情重新启动（并假设投资者继续相信你的商业模式），快速推出产品将能让它们更快地创造收入。

需要注意的是，回答所有问题的强有力答案并不保证成功；它只是帮助团队做出更好的选择，确定哪些机会足够有前景，值得在未来进一步追求。

迭代产品想法

然而，选择正确的产品想法并不足够。一旦选择了一个有潜力的想法，想法迭代就会接管。想法迭代是一个高度战略性的过程。

许多公司尝试在没有正式规划或迭代的情况下执行他们的原创产品想法。这些公司通常无法保持动力，最终会将有潜力但未经验证的产品淘汰。

相比之下，许多成功的产品经历了明确的迭代，这些迭代是根据组织学习的原则指导的。尽管想法本身没有改变，团队会根据用户需求添加新的功能、能力和特性。一个例子是雅虎在 2005 年收购 Flickr。当时，Flickr 已经是一个受欢迎的平台，供人们与其他用户分享照片和视频。但通过收购 Flickr，雅虎团队能够通过提供照片共享功能创造出更具吸引力的用户体验。

另一个例子是 Facebook 从热或不热的评分网站发展成为一个全球性的通讯和媒体平台。Facebook 起源于大学宿舍，许多早期用户希望有一种轻松的方式与朋友保持联系。但随着 Facebook 的普及，它吸引了更多希望从该网站获得更大收益的职业用户。对此，团队创造了诸如“活动”和“群组”等新功能，帮助人们找到那些他们不太熟悉但可以作为职业建议或帮助组织工作日的伙伴的朋友群体。

当然，并不是每个产品想法都会取得如此大的成功。但如果你的组织正在经历类似的创新过程，你需要确保在每个步骤都有相应的迭代策略。这里的教训是，创新过程应当由用户的需求和愿望来引导。

总结

人工智能是一个非常广泛的概念。我们使用这个术语的方式会根据上下文的不同而有所变化。在大多数情况下，它指的是通过从数据中学习，能够独立完成困难任务的机器。

Commerce.AI 作为一个 AI 平台，位于你和数据之间，使你能够构建出比以往更有效地解决客户问题的产品，包括通过使用创新的 AI。它从产品生态系统的各个部分捕获数据，并允许你以人类无法做到的方式提问关于产品的问题，并将原始数据转化为你可以用来改进产品并做出更好的业务增长决策的有价值的信息。

通过语言理解、视觉理解、信息提取和信息组织这几个支柱，你可以利用 AI 为产品团队提供更高效的创意构思支持。创意构思对于产品成功至关重要，但这并不是你所需的唯一技能。行业趋势在不断变化，洞察这些变化并根据变化调整产品战略需要敏锐的眼光。虽然本章探讨了如何生成产品创意，但你还需要确保你提出的产品创意符合正在流行的、可行的市场趋势。

在下一章，我们将探讨如何通过大数据预测行业趋势。

第三章：第三章：理解如何利用大数据预测行业趋势

预测是一项棘手的工作；没人能确切知道为什么有些预测是对的，有些预测是错的，但影响预测准确性的两个主要因素是：

使用了哪些数据和模型
预测变量时所做的假设

不幸的是，正如本章所示，大多数传统的预测方法由于没有正确考虑这些重要因素，因此预测精度较低。在这里，我们将探讨大数据如何改变这一切，帮助做出更准确的预测。

我们的目标不是再给你提供一个预测工具（尽管我们会讨论一些）。相反，我们想分享一些见解，解释为什么传统方法会失败，以及我们如何利用大数据来做出更好的预测。这些见解将帮助产品团队走向成功，因为准确的市场需求和情绪预测对于产品成功上市至关重要。

为此，本章将涵盖以下主题：

为什么传统预测会失败
使用大数据来支持更好的预测
从数据驱动的预测中获取价值

技术要求

你可以从本书的官方 GitHub 仓库下载本章的最新代码示例，地址是：github.com/PacktPublishing/AI-Powered-Commerce/tree/main/Chapter03。

为什么传统预测会失败

传统的预测方法基于这样一个观点：你需要具备不同产品和服务的专家知识和直觉，才能建模其未来行为。然而，这种方法有其根本性限制，具体如下：

不可能了解所有产品和服务的所有信息。
了解产品今天的表现并不能很好地指导预测它们明天的表现。
许多产品的行为高度相关，且难以理清。
传统模型在今天的大数据面前变得不堪重负。
数据本身不断变化。

为了应对这些挑战，我们需要新的预测方法，这些方法能够处理大量异质数据，同时提供更可靠、更准确、更易于解释和更有用的预测，以供决策者参考。

让我们详细探讨这些限制，为新的预测方法的必要性奠定基础。

不可能了解所有产品和服务的所有信息

在预测中，你要么假设所有相关数据都已捕获，要么在预测中留出一定的误差空间。另一方面，如果你打算用机器学习模型来捕捉关于某个产品或服务的所有信息，那为什么不从一开始就做到准确呢？

当我们试图使用传统统计方法对市场需求等问题进行精细建模时，会遇到两个根本性问题：

统计方法在建模变量之间的相互作用方面非常薄弱。
统计方法在捕捉变量之间的相关性方面非常有效。

传统的统计方法无法很好地应对许多产品或服务以复杂的方式相互作用，并且在不同产品和服务之间共享属性这一事实（这也是中间商品这一流行概念的基础）。

一个典型的例子是航空旅行：城市间的航班市场可以看作是大市场中的一系列子市场。城市间有航班，也有区域内、洲际等航班。在每个市场中，都有许多不同的选择。这样，航空公司可以将其市场细分为多个细分市场，然后根据细分市场的需求定价，这也解释了为什么它们在某些航线上提供低票价而在其他航线上票价非常高。

大多数统计模型假设所有相关变量（例如，飞行时长或停靠次数）是独立分布的；它们忽视了相互关联的变量如何相互影响。因此，这些模型低估了未来会发生什么，因为统计模型假设客户会根据他们独特的偏好选择产品和服务，而不是基于大量相互作用的数据点，包括其他客户的行为。例如，从众消费行为的概念指的是在品牌之间，客户具有集体的、趋同的购买习惯。

难怪传统的统计方法在预测客户未来需求以及公司如何应对变化的环境以保持相关性方面失败。今天尤其如此，因为市场上可用的产品数据比以往任何时候都多。只要我们接受这些不现实的假设，并基于小数据集建立预测，我们的预测就永远不会比现实更准确。

知道产品今天的表现并不是预测它们明天表现的好方法。

这是因为像所有经济变量一样，产品不会以简单的线性方式反应。考虑使用线性回归法来预测产品销售的传统方法。在这种方法中，你基于历史销售数据来预测产品需求，且模型中很少（或没有）加入额外的知识。但如果市场中的某些因素（例如，竞争者进入某个行业或消费者的消费模式发生显著变化）发生变化，你的需求预测可能会发生巨大变化，导致实际销售与预测销售差距很大。

许多产品的行为高度相关，且往往难以理清。

这对传统的预测方法来说是一个问题，因为我们本质上是在尝试预测许多产品的未来行为，但我们仍然需要理解是什么让某个特定的产品或特性有可能在市场上成功或失败。这也是为什么成功的产品预测如此稀少的原因。我们在媒体中一再看到这样的情况：一家公司发布了一款新产品，它在短时间内变得流行（可能是由于某些营销活动），但随后我们发现销售下滑，或者它只是一个小众产品。

然而，由于人们对产品的反应，导致这些下降背后的原因往往不清楚。可能是产品本身不再有用，因为竞争对手改进了他们的产品；也有可能是消费者对其感到厌倦，转而去尝试其他产品。

传统模型无法应对今天的大数据

传统模型并没有为应对现代商业世界而设计——如今数据量太大，简单的模型根本无法预测。在传统的预测中，你会有一堆不同的输入（例如，过去一年的销售数据、调查中的客户忠诚度评分等），然后根据对这些变量的假设，得出对未来的预测。问题是：影响市场成功的数据远远超出了这些模型所能捕捉的范围。

这就是为什么传统的预测模型在捕捉大趋势方面表现不佳，无论是电子商务的兴起、社交媒体的兴起，还是实体媒体的衰退：它们根本无法处理来自各种来源的当今实时、非结构化的大数据。

数据本身不断变化

随着我们的数据变得越来越复杂，做出准确预测变得更加困难。这些问题被一个事实所加剧，那就是没有单一的数据来源可以反映消费者支出，甚至连消费模式也没有完整的数据。美国政府和联邦储备提供了一些个人收入和支出的统计数据，但这些并不能完整反映情况。零售商报告销售数据，但并没有提供顾客购买了什么商品或支付了多少；信用卡公司和银行可能报告一些高层次的消费模式，但缺乏细节。

还有一个问题是：随着企业不断扩大在线业务，它变得比以往任何时候都更加困难去准确追踪人们在线和线下商店的购买行为。因此，您的预测能力受限于可以手动选择的可用数据的局限性。

大数据可以帮助我们克服前面提到的挑战，了解产品和服务随着时间的推移将如何表现。

利用大数据实现更好的预测

因为人工智能从大数据中学习，我们可以利用它来发现关于不同产品或整个市场的大数据中的隐含模式，并克服传统预测的最大挑战。

例如，使用 Commerce.AI，我们扫描来自 100 多个来源的数十亿个产品数据点，寻找流行的产品类别，向产品团队展示值得追求的市场机会。以下图表展示了通过 Commerce.AI 数据引擎发现的一些热门产品类别。产品团队可以选择任何类别深入探讨，找到领先品牌、畅销产品、产品评论等更多信息。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_3.1_B17967.jpg

图 3.1 – 热门市场细分

这些数据为特定市场类别以及更大市场细分提供了洞察。例如，在前面的图表中，我们可以看到像计算机及配件、维生素以及厨房和餐饮等市场是特别大的机会。接下来的图表显示了对整个电子商务行业进行分析的结果，显示出该行业在 COVID-19 大流行初期的 3 个月内经历了 10 年的增长：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_3.2_B17967.jpg

图 3.2 – 美国电子商务渗透率增长

以亚马逊为例，您可能想知道哪些书籍在不同季节销量最好，同时也想知道哪些书籍在购买其他与食品和烹饪相关的书籍的读者中更受欢迎。或者，您可能会查看不同类型汽车的历史销售量，思考什么因素驱动了消费者在它们之间的选择。通过足够的数据，人工智能可以提供关于个别产品及其在不同场景中的表现的丰富见解（例如，如果在超级碗期间推广我的新智能手机应用，会发生什么？）。

算法甚至可能揭示某些特征或类别内的独特行为之间的关联（例如，去年销售得好的哪些模型共享某些设计特征？）。这些见解使我们作为商业经理能够做出更有根据的决策：我们现在比以往任何时候都拥有更好的工具，能够根据特定属性或相似特征预测某个产品在其他产品中的成功率（例如，相比于像 Uber 或 Lyft 这样的应用，人们是否喜欢我们最新的智能手机应用？）。

特别是，大数据推动了一个新兴的、快速增长的人工智能类别，称为深度学习，这对寻求预测行业趋势的产品团队具有重大影响。

理解深度学习

深度学习是机器学习的一个子集，机器学习是描述计算机如何在没有明确编程的情况下进行学习的领域。机器学习自 1960 年代起就已存在，并且已被应用于许多不同的场景，从玩视频游戏到识别照片。

然而，直到 2010 年代，深度学习才真正崭露头角。正是在那个时候，企业开始将机器学习技术应用于一些高度复杂的问题，如物体识别、语言翻译和计算机视觉，且依赖于大数据。深度学习非常适合这些更复杂的任务，因为大型神经网络具有多层人工神经元，并且这些神经元之间有多个连接，这帮助它们识别几乎任何事物中的模式。

每一层都会通过查看示例来学习数据集、图像或词性的一些特征，然后调整连接的权重，以便它们在未来的示例中能更有效地检测到相似的特征。结果是一个极其强大的模式识别算法：如果你展示给它大量某一类别的示例（比如猫的照片），它会学会识别猫；如果你展示给它大量另一类别的示例（比如狗的照片），它会学会识别狗；如果你给它一堆销售数据，它也会学会预测。这样，网络能够远远超出任何人类程序员的能力范围进行泛化。那么，为什么产品团队之前没有利用这种技术呢？事实证明，研究人员必须克服几个大障碍，才能让深度神经网络按预期工作。

深度神经网络的成功归功于几个关键因素：计算能力的提高和海量的数据。

在机器学习取得进展的过程中，一个主要的挑战是找到足够的相关数据样本，以便有效地训练我们的模型。如果我们看一下监督学习问题，其中标签与训练样本（例如，包含狗或猫标签的图像）相关联，那么当我们试图解决任何复杂问题时，标签化训练数据的质量和数量就成为了一个问题。我们常常会遇到这样的情况：一个数据集只能覆盖世界上所有可能的训练样本中的极小一部分（例如，某种物体的图像）。同样重要的是要记住，训练数据只是机器学习流程中的一部分——我们还需要有某种方法来验证我们的机器学习模型在未见过的数据上的表现，以便我们能提高它们的性能。

同时，获取大量数据是至关重要的，因为人工智能的准确率通常随着数据量的增加而提高。下图展示了自然语言模型的准确率是如何随着模型参数数量（或者更简单地说，模型的大小）增加而提升的。其他类型的神经网络，包括与预测相关的网络，也存在相同的现象。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_3.3_B17967.jpg

图 3.3 – ImageNet 准确率与模型大小的关系

然而，在深度学习能够应用于海量数据集之前，它面临着另一个重大挑战：计算能力。当我们想到计算机时，通常会想到一堆逻辑门（与、或、非等）来执行计算。但神经网络并不是这样工作的，神经网络试图模拟我们的大脑。我们的脑袋每秒钟进行数百万次计算，涉及数十亿个神经元——而这些都是我们走路或和别人说话时完成的！

那么，我们如何通过计算机来实现这一点呢？我们需要大量的计算能力。而且不是什么计算能力都行——我们需要大量能够同时进行多种不同计算的专用硬件，如图形处理单元（GPU）集群，或更近期的张量处理单元（TPU）。这是因为机器学习模型的训练过程计算量非常大，通常采用诸如反向传播（backpropagation）等技术。所有这些都需要，因为人工智能像我们一样，是通过例子来学习的。

从例子中学习

在大量训练数据的支持下，随着 AI 系统从经验中学习，它们的预测能力会随着时间的推移不断提高。主要得益于近期深度学习技术的进步，AI 在基于大量例子预测趋势方面已经变得相当出色。因为它可以处理大量的训练数据，并利用数百或数千个变量构建越来越复杂的模型，AI 系统能够产生非常详细的预测，相比于人类使用大量历史市场数据建立的传统预测，它看起来相当逼真。

因此，机器学习平台已经越来越受到欢迎，并且现在在各类产品团队中广泛使用，从初创公司到财富 500 强企业都在使用。

通过一个实际例子进行需求预测

产品市场契合度（PMF）是产品团队的一个重要里程碑——它意味着你的产品或服务已经获得了足够的客户接受和参与，因此可以在没有额外投资者资金支持的情况下自我维持。通常，当客户与产品充分互动，成为回头客，并随着需求变化继续购买更多产品时，就达到了 PMF。

要实现产品市场契合度（PMF），你必须能够根据不断变化的客户需求和偏好预测新产品的需求，这样你才能决定是否有意义投资开发现有产品的新版本或推出全新的产品。

需求预测涉及确定在任何特定时间点（例如，下个季度）对某种功能的需求量。

让我们通过一个实际的例子来演示如何预测 Adidas Yeezy 运动鞋的需求：

首先，我们将导入需要的库，分别是 Python 的 pandas 库（用于数据处理）和 Facebook 的 Prophet 库（一个 AI 预测库）：
```
import pandas as pd
from fbprophet import Prophet
```
接下来，我们将导入数据——5 年的全球搜索历史数据，关于Yeezy的搜索数据，通过 Google Trends（trends.google.com/）获取：
```
df = pd.read_csv("multiTimeline.csv")
```
以下是相关数据的样子：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_3.4_B17967.jpg

图 3.4 – Yeezy搜索词的 Google Trends 随时间变化的兴趣
前面的图表展示了Yeezy一词的搜索趋势，我们现在需要将其转换成可以进行预测的格式。Prophet 要求日期时间列命名为ds，观察值列命名为y，因此我们将重命名这两列：
```
df = df.rename(columns = {"Week": "ds", "yeezy: 
  (Worldwide)": "y"})
```
构建一个现成的模型只需两行代码，我们首先实例化模型，然后将其拟合到数据中：
```
m = Prophet()
m.fit(df)
```
现在我们已经构建了预测模型，是时候进行预测了。我们将创建一个空的 DataFrame 来存储预测值，然后将预测值填入该 DataFrame 中：
```
future = m.make_future_dataframe(periods=52, freq='W')
forecast = m.predict(future)
```
现在，我们可以通过一行代码来绘制预测图：
```
fig1 = m.plot(forecast)
```

这样，我们就成功地预测了某个产品的需求。以下是生成的预测图表：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_3.5_B17967.jpg

图 3.5 – 使用 Facebook Prophet 对 Yeezy 搜索需求进行 1 年的预测

前面的图表展示了Yeezy产品在一年内的 Google 搜索兴趣预测。相同的步骤可以应用于任何产品和任何时间段，甚至可以扩展到预测整个产品线或市场细分的需求。

可以使用类似的方法预测产品和功能随时间变化的情感。结合需求预测，产品团队将能够知道新产品和功能发布的最佳时机。

情感预测的实际示例

让我们按照类似的步骤来预测情感。毕竟，只有当客户情感积极时，产品发布才能成功，而且情感是不断变化的，因此准确预测客户情感至关重要。如果既有积极的客户情感，又有高需求预测，那么可能存在一个有利可图的市场机会。

尽管 Commerce.AI 的情感预测基于数十亿个数据点和大型深度神经网络，但我们可以以一个简单的例子来展示，仅用少量数据点就能进行预测。

Hugging Face 是一家领先的自然语言处理公司，提供了广泛的自然语言库。只需几行代码，我们就可以使用 Hugging Face 分析文本的情感。为了展示 Hugging Face 情感分析模型的实际应用，我们只需要提供两个参数：任务和模型。

我们可以这样实现与情感分析相关的bert-base-multilingual-uncashed-sentiment模型：

from transformers import pipeline
st = f"I like Yeezy"
seq = pipeline(task="text-classification",  model='nlptown/bert-base-multilingual-uncased-sentiment')
print(f"Result: { seq(st) }")

该模型已经经过微调，可以在六种语言下执行产品评论的情感分析：英语、荷兰语、德语、法语、西班牙语和意大利语。它将产品评论的情感预测为几个星级（1 至 5 星之间）。微调意味着该模型在大量产品评论上进行了预训练，因此现在比通用语言模型更准确地应用于新的产品数据。

AI 可以通过自动识别客户对其在线购买产品的反馈情感，帮助我们更好地理解客户的反馈。这使我们能够了解在业务领域中推动客户满意度的因素——它可以帮助我们在问题变得严重之前识别出负面特征，或者识别出新增功能的机会点。另一个简单的情感分类库是由 TextBlob 提供的，它允许我们仅通过四行代码来进行情感分析：

from textblob import TextBlob
text = "I just bought Yeezys and am absolutely in love!"
blob = TextBlob(text)
print(blob.sentiment)

TextBlob 是一个开源的 Python 库，用于处理文本数据。它让你对文本数据执行不同的操作，如名词短语提取、情感分析、分类和翻译。通过计算多个数据点（如带有时间戳的产品评论）的情感，我们可以绘制情感随时间变化的图表。

下图展示了 Yeezy 鞋评测情感在一年时间内的变化示例（上方的线表示中性评论的频率，中间的线表示正面评论的频率，下方的线表示负面评论的频率）：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_3.6_B17967.jpg

](https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_3.6_B17967.jpg)

Figure 3.6 – Yeezy 鞋评测情感随时间变化

现在我们已经了解了如何预测需求和情感，让我们探讨一下企业如何从这些预测中获得真正的价值。

从数据驱动的预测中获得价值

产品团队可以从任何类型的预测中获得价值，无论是通过简单的 Google 搜索了解某个产品的受欢迎程度，还是通过更复杂的工具，如 Commerce.AI，它允许你基于数十亿个数据点查看趋势。让我们来看一下 AI 如何在产品开发管道、预测和路线图中为我们提供价值。Pipeline（管道）指的是公司或团队在其 产品管理系统（PMS）中当前正在开发的所有产品的列表，比如 Jira Software 或 Trello。

管道的问题在于，如果它们没有足够频繁地进行更新，以反映市场变化和不断变化的客户需求，它们可能会变得毫无用处。假设你有 20 个产品在管道中；然而，由于市场可能在 2 个月后发生变化，这些产品可能因需求不足而无法按时发货。通过 Commerce.AI 的预测，你可以确保任何变化都能立即反映到你的管道中，并且不会错过以前可以获得的机会。你还可以基于更大的市场趋势，及时应对竞争威胁。例如，我们对消费者数据的分析表明，三分之二的消费者在疫情期间尝试了新品牌。这表明，已建立品牌的市场份额面临前所未有的威胁。以下图表展示了从 Commerce.AI 数据引擎中提取的消费者统计数据：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_3.7_B17967.jpg

图 3.7 – 消费者统计

使用 Commerce.AI 还可以提供对新品发布表现的洞察，帮助团队基于来自成千上万种产品类别的历史数据，制定更具时效性的产品路线图。

简而言之，无论是管理管道还是规划预测，拥有关于当前趋势的最新信息对于做出高质量决策至关重要。与传统方法不同，传统方法下产品团队会等到足够的数据（如来自纸质问卷的线下调查数据）收集完成后，才开始做决策，而如今，企业可以直接利用实时洞察。借助今天的技术，我们不再受限于数据来源。AI 可以访问许多产品数据来源，从亚马逊到沃尔玛，再到塔吉特和 YouTube 视频评论。

此外，鉴于 AI 可以扩展到分析任何数量的数据，产品团队可以从全球范围内的各种数据源中提取洞察，他们不再受到地理位置的限制。通过这些洞察，他们可以找到最合适的地理位置来进行产品发布，在我们这个全球化的世界中，这个地点很可能远离本土。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_3.8_B17967.jpg

图 3.8 – 主要商业数据来源地图

摘要

简而言之，传统预测的问题在于，任何试图预测复杂系统（如市场或经济）的尝试通常都会失败，因为其中存在太多的变量及其相互作用，任何简单的模型都无法捕捉到所有这些因素。AI 不仅能在产品细分领域提供更好的预测，而且在跨行业的应用中也更加有效，因为它能够扩展到任何数量的数据并进行学习，无论这些数据来自全球何处。通过了解如何预测行业趋势，产品专业人士可以确保自己不会在那些无法成功的市场机会中浪费时间，而是专注于那些能推动业务成功的火热机会。

在下一章，我们将深入探讨行业中的实际案例，特别是研究顶级奢侈品品牌如何利用数据和人工智能推动产品成功。

第二部分：顶级品牌如何使用人工智能

在本节中，您将深入了解顶级商业和产品品牌如何利用 AI 工具（如 Commerce.AI）推动创新。

本节包括以下章节：

第四章，将 AI 应用于创新——奢侈品深度分析
第五章，将 AI 应用于创新——无线网络深度分析
第六章，将 AI 应用于创新——消费电子深度分析
第七章，将 AI 应用于创新——餐饮业深度分析
第八章，将 AI 应用于创新——消费品深度分析

第四章：第四章：应用 AI 进行创新——奢侈品深度挖掘

奢侈品与独特性和声望相关联，这使得产品开发特别艰难。目标客户群体更为狭小和独特，传统的市场研究方法如焦点小组在奢侈市场上表现不佳，因为这些市场主要由高净值人士（HNWIs）组成。

此外，奢侈品公司的价值主要来自其品牌，因此分析品牌数据尤为重要。同时，奢侈品牌的顾客远少于大众市场品牌，这意味着通过常规手段获取数据是一个真正的挑战。

在本章中，您将了解以下主题：

理解奢侈品牌的挑战
理解数据提取过程
使用 Commerce.AI 来为奢侈品牌服务

无论您是否在奢侈市场运营，本章都将为您提供洞察力，了解特定品牌的运作方式、面临的挑战以及如何通过数据和 AI 克服这些挑战，这对寻求竞争优势的任何品牌都具有广泛重要性。

技术要求

您可以从本书官方 GitHub 仓库下载本章的最新代码示例，网址为github.com/PacktPublishing/AI-Powered-Commerce/tree/main/Chapter04。

理解奢侈品牌的挑战

奢侈品牌因其高价格而脱颖而出：由于更高的品牌资产，它们比大众市场竞争对手具有更高的利润率。它们还提供超越功能的独特审美体验：精美的服装或珠宝旨在向消费者传达令人向往的形象（因此提升品牌资产）。

这些引人注目的产品吸引了消费者对风格和地位的愿望。典型消费者认为奢侈品仅高于其预算范围，但仍在其能力范围内，因此作为身份象征是令人向往的，只要品牌成功地维护其形象。因此，品牌管理对奢侈品牌至关重要。

品牌管理

尽管企业声誉受损在任何行业都是有害的，但对于奢侈品牌尤为重要，因为品牌形象是业务的关键品质。

例如，根据2018 年 Edelman 赚得品牌调查，绝大多数（78%）的中国消费者会因为品牌在社会问题上的立场而选择购买或抵制。

那些未能收集、分析和利用消费者数据的品牌将不可避免地遭遇反品牌情绪。

增加竞争

另一个关键挑战是奢侈市场竞争激烈，许多品牌争夺同一批客户。这使得奢侈品牌很难彼此区分。

为了在竞争者中脱颖而出并保持品牌价值，奢侈品牌需要通过全面理解客户体验来吸引和留住客户。尤其是在在线渠道的背景下，顾客能够跨多个渠道和来源比较产品和服务时，这一点尤为重要。

过去十年，“奢侈”一词变得越来越流行，因为消费者变得更加愿意为高价产品支付费用。随着全球财富的增加，对奢侈品的需求也稳步增长。

虽然大多数美国人仍然偏好更便宜的产品（例如超市自有品牌），但富裕消费者则表现出对高端产品的越来越强烈的偏好，如爱马仕的 Birkin 包或杜嘉班纳的钥匙链项链。

奢侈品市场的增长可以追溯到几个世纪的经济发展历史。在罗马帝国时期，当人们的财富空前增加时，他们在食品和葡萄酒上的支出也创下了新高；在这一时期，由于对美酒的需求增加，酿酒业得到了高度发展。

二战结束时，由于美国工厂在战争期间为满足需求而采用的大规模生产技术被应用于民用行业，如服装制造，精美西装及其他服饰的需求也呈现出类似的增长。

今天财富的快速增长可以追溯到更早的时期：许多历史学家认为，早在史前时期，人类便开始根据感知价值而非实际价值（例如贝壳或石头）进行物品交换。

简而言之，奢侈品市场有着悠久的历史，但直到最近才真正蓬勃发展，竞争也日益激烈。

增长推动了竞争

奢侈品市场是一个价值 3000 亿美元的行业，涵盖从手袋到游艇等各类产品，且增长速度非常快（www.statista.com/study/61582/in-depth-luxury/）。而且这一增长预计不会很快放缓：根据 Statista 的数据，全球奢侈品销售预计将以每年 5.4%的速度增长，到 2025 年将接近 4000 亿美元。

这种增长得益于多个因素，包括全球财富的增加和大规模制造技术的进步，这使得公司能够更容易地生产具有高利润率的产品。

但也许推动这一增长的最大因素是社交媒体。随着消费者越来越多地通过 Facebook 和 Instagram 等社交媒体平台获取时尚灵感，品牌已经能够将这些平台用作营销工具。他们可以在这些网站上发布最新创作的照片，并让它们被成千上万可能成为客户的人看到。

社交媒体还帮助品牌接触到年轻一代，这一代人相比老一代，更少去传统零售店或访问实体精品店。相反，他们更喜欢在线购物或通过移动应用购物，在那里他们可以一次性看到更多产品选项，并轻松比较价格，无需先亲自到店。

社交媒体管理

由于在线购物的兴起，许多奢侈品零售商在满足产品需求方面遇到了困难，因为消费者越来越倾向于在线寻找更便宜的替代品，而不是在实体店或精品店为设计师商品支付高价。

这意味着奢侈市场中有很多机会留给那些不一定需要雄厚资金但具有设计眼光、并懂得如何有效使用社交媒体作为营销工具的新兴品牌。

奢侈品市场对任何品牌来说都是一个难以突破的市场。问题不仅仅在于产品昂贵，还因为这些产品通常有着浮夸和轻浮的声誉。这意味着奢侈品牌必须在显得独特与显得庸俗之间找到微妙的平衡。而且这并不容易，例如，许多奢侈品袜子就要花费几千美元。

但奢侈品牌在社交媒体上比大众品牌更成功的方式也有一些。例如，它们通常拥有更精密的在线声誉管理策略，并能与顾客建立关系。它们还可以访问其他公司无法获得的顾客数据，使得它们能够个性化营销活动并以新方式与顾客互动。

让我们仔细看看这些策略是如何运作的，以及它们为何如此有效。奢侈品牌在社交媒体上往往做两件事：发布美丽的产品或活动照片，并分享关于那些穿戴这些产品或参加这些活动的人的故事。

这个策略类似于许多大型零售商使用 Instagram 的方式：发布你最新促销商品的照片，然后用相关标签标记它们，这样你的粉丝就能在浏览动态时轻松找到它们。

但是这种方式也有其局限性：奢侈品牌通过普通的社交媒体帖子只能触及有限的合格潜在客户；如果你希望你的粉丝能够自然地找到你的帖子（也就是说，不是特意关注你），你需要确保这些帖子能尽可能多地被看到。

匹配古怪的顾客偏好

奢侈品牌在满足顾客需求方面面临着许多挑战。大众市场品牌专注于解决具体问题，如功能需求，而奢侈品牌则还需要处理那些无形的需求。

奢侈品市场与大众市场非常不同。它不仅仅是你能看见或触摸到的东西；而是关于你的感受和想法。它关乎情感和感觉。这意味着，在向顾客传递价值时，奢侈品牌必须比大众品牌更具创造性。

这就是事情变得棘手的地方：如何满足情感需求？ 换句话说，如何让人们感到愉悦？ 对许多奢侈品牌而言，答案是他们必须成为理解顾客的专家，然后通过讲故事来满足他们的需求。

这样做有一些挑战：一个挑战是，我们对顾客的了解比以前少了，因为他们变得更加多元化和国际化。

我们不知道他们是谁，也不知道他们来自哪里；我们甚至不知道他们是否存在！那么，我们如何接触他们？如何找到他们？如何与他们互动？我们应该从他们那里收集什么信息？我们如何利用这些信息为他们创造更好的产品和服务？

这意味着奢侈品牌比以往任何时候都更依赖顾客研究，但当顾客不愿意分享太多信息时，这可能会变得非常困难。

因此，这些公司通常会转向名人作为品牌代言人，而不是依赖传统的调查和焦点小组。但尽管名人代言似乎是奢侈品牌与顾客建立联系的简单解决方案，但这里也存在一些风险：首先，名人往往不能代表普通大众，所以用他们作为代言人可能会疏远那些看起来不像巴黎·希尔顿或金·卡戴珊的潜在顾客。

名人代言还带有很多形象问题的包袱，如果名人代言人在长时间内损害了品牌的声誉，这可能会对品牌产生负面影响。

那么，这一切对奢侈品消费者意味着什么？ 这意味着奢侈品消费者将继续在体验上花费金钱，而非有形商品。他们想要独特而难忘的东西，而不是普通且廉价的东西。他们想要独一无二的东西，而不是随处可见的常见物品，他们想要个性化的东西。

他们更喜欢故事而非统计数据；轶事而非数据表；灵感而非实际建议；浪漫而非性感魅力；神秘而非透明；魔法而非逻辑；梦想而非现实检查；惊喜而非可预测性；冒险而非安全；幻想而非实用。

理解独特的顾客画像

奢侈品牌面临的挑战之一是理解独特的顾客画像。让我们详细探讨四种独特的奢侈品顾客画像，以及这些不同顾客画像对产品创新的影响：贵族、暴发户、装腔作势者和工人阶级。

这四类富裕消费者的档案在 2010 年《华尔街日报》上一篇著名的文章《富裕消费者的四种类型》中进行了分类。

贵族

贵族消费者档案属于传承类，这意味着他们有足够的钱来挥霍。他们希望奢侈品牌能与众不同，以自己的方式脱颖而出。换句话说，要吸引贵族消费者，品牌需要创造出值得炫耀的差异性。

与此同时，他们并不想要过于张扬或激进的东西，因为那可能会引起不必要的关注。他们所想要的是既独特又排他，但又不炫耀或显得粗鲁的东西。

换句话说，贵族消费者更关注经典而非短暂流行。虽然引领潮流的设计往往是显眼的，但经典设计则大多更为低调，使其能经得起时间考验和消费者口味的变化。

这一理解对于产品创新至关重要，因为如果你的目标市场主要是贵族消费者，创造短暂流行的设计将导致失败。相反，你需要借鉴经典产品，并在保持优雅和令人愉悦的低调的同时，创新奢侈品概念，推动行业的边界。

暴发户

暴发户被视为相对粗俗的地位追求者，他们在地位物品上花费奢华，如闪亮的衣服、华丽的汽车和金表。他们愿意为最好的产品支付溢价，因为他们专注于自己的身份象征：我穿什么，定义了我是谁。

事实上，这对所有奢侈品消费者都适用；然而，暴发户特别关注别人对他们的看法。因此，他们往往会效仿明星（或他们认为是明星的人），而非通过成就来获得地位。

结果是，暴发户往往强调自己在外貌上的年轻，他们希望永远年轻。他们还渴望拥有传递青春和活力的产品。因此，针对这一阶层的时尚品牌常常通过明星代言和 T 台秀将青春和活力传递到暴发户消费者的意识中。

结果是，暴发户缺乏耐性；即使奢侈品的好处未能立刻显现，他们也期望能迅速获得满足。话虽如此，一旦这些消费者做出了购买决策，他们通常会成为忠实客户，因为一旦体验过奢华，许多暴发户便难以抗拒再次消费。

做作的人

如何向做作的人营销？ 做作的人是那些希望拥有奢侈品，却通常负担不起真品的人。因此，他们会超出预算购买仿品，或者选择*#3或#4*品牌，而非市场领导者的品牌。

他们想要以超值价格获得设计师品牌。他们的记忆很短暂。这有点像减肥产品的营销：人们知道大多数减肥方法不起作用，因此当你告诉他们可以再次享受他们喜爱的食物时，是否含有人工糖分、添加剂或其他东西并不重要；重要的是它尝起来好吃。

但这一现象也有另一面：品牌创造出让这些人感觉自己属于特权阶层的商品，而无需真正融入他们的生活方式和价值观。

正因如此，奢侈品在炫耀财富的伪君子中如此受欢迎，因为它们虽然质量通常不如真正的奢侈品，但仍然能展现奢华的财富。

对大多数奢侈消费者来说，使用仿制品是一种侮辱；然而，这类假货在某些圈子内已经获得了足够的关注，以至于一些真正的时尚品牌现在授权它们制作仿品，仅在全球特定的商店进行独家销售。

无产阶级

最终，无产阶级是那些财富较少但有强烈地位意识的客户。这些客户强烈需要通过展示自己的社会地位和财富来在社交圈和工作中感到自信。他们通过展示自己的住宅、衣服、汽车、手表等来实现这一点。

换句话说，那些未能达到经济阶梯较高层次的人，依然在遵循消费主义的炫耀性消费价值观，以维持自己在社会中的现有地位。

简而言之，传统的营销、产品开发和品牌管理对于奢侈品牌来说显得力不从心，因为它们面临一系列独特的挑战，尤其是考虑到它们的目标市场独特性。

让我们探索一下，分析产品数据如何帮助奢侈品牌克服这些挑战。

理解数据提取过程

许多这些公司使用 AI 预测消费者的需求。它们利用数据来理解消费者的实际行为，然后利用这些信息来塑造它们生产、销售和营销的产品。这些公司已经掌握了如何使用数据为其客户创造巨大价值的方式。以下示例展示了这一点。

Tumi 使用 AI 提升营销效果

Tumi 是一家生产高端旅行行李箱和包包的制造商。这个市场领域的品牌往往困于无聊的营销策略，集中于诸如闪购和促销代码等典型的战术。

相比之下，Tumi 利用 AI 在其外部营销中个性化消息，并通过针对具有最高预测生命周期价值的客户来智能化其数字广告策略。Tumi 的营销收入大部分来自其电子邮件活动，因此通过个性化改进电子邮件成为提升底线的显而易见的方式。

根据浏览器的最新行为、邮件打开率和搜索行为等数据，结合过去的购买记录，机器学习模型可以准确预测客户最有可能购买的商品以及购买时间。通过提供这些推荐，Tumi 成功地提高了销量，同时减少了外发消息的数量。

Burberry 使用人工智能来改进其服装

Burberry 以其皮革风衣、羊绒围巾和其他奢华设计而闻名。然而，为每个季节创造新的款式并不容易，因为设计师需要数月时间根据来自全球各地门店的消费者反馈来创建新系列——这意味着店铺通常会陷入全年只销售旧款式而不是持续推出新款的困境。

现在，Burberry 通过人工智能改进其产品创新流程，旨在通过生产更好的产品、更快速、成本更低的流程，以及更有洞察力的分析来提升效率。

这个英国时尚品牌还提供基于数据驱动的个性化产品推荐，无论是在网上还是店内，到 2015 年，实现了重复购买率提高 50%的成果。此外，Burberry 使用由自然语言驱动的聊天机器人作为智能时尚顾问。

尽管这些时尚顾问的具体运作方式是保密的，毕竟它们是宝贵的知识产权，但我们可以看到它们可能的工作原理。我们可以使用自然语言处理（NLP）算法，借助GPT-J，创建一个简单的时尚顾问。

GPT-J 是一个大型语言模型，或者说是一个机器学习模型，它在大量文本上进行训练，由 Eleuther AI 团队发布。我们将展示它的使用方式，因为它是一个开源并且易于访问的工具：

首先，我们可以安装 GPT-J，然后导入我们需要的库，如下所示：
```
!pip install gptj
from GPTJ.Basic_api import SimpleCompletion
```
就这样，我们准备好使用 GPT-J 了。现代大型语言模型的工作方式是通过一个叫做预训练的概念，即模型已经在大量的文本数据上进行训练，我们只需提供少量的数据来调整模型以完成特定任务。
接下来，我们通过提供prompt来定义这一任务，其中包含时尚建议的例子，比如推荐蓝色牛仔夹克与金黄色眼影的搭配：
```
prompt variable, we can guide the model to act as a fashion adviser.
```
此外，我们还需要传递一些参数，主要包括temperature（或随机性）、max_length（或模型的最大输出长度）以及item（或用户输入的内容，如橙色短裤）：
```
temperature = 0.4
top_probability = 1.0
max_length = 15
item = "Orange shorts"
```
最后，我们可以将prompt变量和这些参数传递给模型，生成推荐内容。如果模型生成的文本超出预期，我们将只抓取第一行文本：
```
Orange shorts generates a recommendation such as Try a dark blue top and orange heels for a bright pop of color!
```

即便不使用任何代码，我们也可以尝试这个相同的概念，比如在橙色短裤的情况下，AI21 Studio 会建议我们尝试搭配一件花卉图案的上衣和凉鞋，打造可爱又夏日感十足的造型！

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/FIgure_4.1_B17967.jpg

图 4.1 – AI21 Studio 画布作为时尚顾问

与 GPT-J 类似，我们需要提供一系列设置，这些设置可以通过 AI21 Studio 中的配置面板来完成。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_4.2_B17967.jpg

图 4.2 – AI21 Studio 配置面板

如图 4.2所示，设置几乎完全相同，包括最大完成长度、温度和停止序列。

算法高定

时尚设计师佐野幸太郎、川崎一也和机器学习工程师藤原祐介联合创建了算法高定。

机器学习被用于从大量的产品数据中学习，特别是时尚图像，并生成优化的时尚图案模块。

使用计算机辅助设计软件，团队可以建模新的时尚设计，确保既零浪费又舒适。

AI 时装秀

另一个受欢迎的 AI 时尚应用是生成时装秀。

AI 艺术家 Robbie Barat 在神经网络的帮助下，利用过去的 Acne Studios 时尚系列创建了一个 AI 生成的 Balenciaga 时装秀。

RefaceAI

AI 还被应用于时尚行业的消费和营销方面，通过使用深度伪造技术将消费者置入品牌内容中。

例如，RefaceAI 应用程序可以将用户替换为品牌视频中的人物。他们已经生成了超过一百万次面孔替换，并在与 Gucci 的测试合作中获得了 40 万次分享。

Zalando

Zalando Research 是欧洲和英国的在线零售商，他们正在为设计师开发 AI 软件。

这些 AI 解决方案涵盖了适合度个性化、时尚图像的视觉搜索、设计多样性的判定、时尚购买推荐、生成式时尚设计等多个领域。

鉴于 AI 时尚领域的研究进展如此迅猛，我们可以预见，AI 的好处将在未来几年持续渗透到这一行业。尤其是考虑到易用的 AI 商业工具的兴起，例如 Commerce.AI，我们接下来将深入探讨。

使用 Commerce.AI 为奢侈品牌提供服务

Commerce.AI 的解决方案通过提供可操作的洞察，帮助客户获得竞争优势，使他们能够做出更明智的决策，并改善整体客户体验。这使得品牌能够以新的方式与客户建立联系，从而推动增长和盈利。

让我们深入探讨 Commerce.AI 应用的四个领域。

设计与用户研究

Commerce.AI 提供关于消费者行为的洞察，帮助公司开发与不断变化的需求和偏好更为契合的产品。我们的技术通过深入了解消费者的购买行为，帮助品牌更好地理解客户。

例如，我们可以帮助像 Gucci 或 Burberry 这样的奢侈品牌了解他们最有价值客户的偏好，以便他们在所有接触点（从产品设计到运输和处理，再到退货）提供个性化体验。

我们还帮助食品和饮料公司了解他们最忠实消费者的饮食习惯，以便他们能开发出符合目标受众特定细分群体的产品，比如喜欢甜味但拒绝人工成分的千禧一代。

拥有这些知识后，企业可以更明智地决定在何处投资创新工作，以及如何根据数据分析揭示的消费者行为最佳地接触消费者。

产品开发与营销

假设你是一家奢侈品牌，生产手袋或行李箱，并通过在线渠道或零售店（或两者）直接向消费者销售。你拥有一个现有的产品线，并希望将其扩展到像中国或印度这样具有巨大增长潜力的新市场，但你的现有团队在为这些市场开发产品方面没有经验。

盲目进入一个新市场是失败的根源，特别是在奢侈品牌行业中，正如我们探讨过的那样，需要考虑完全不同的客户画像和偏好。产品数据能够提供多种不同的洞察，具体取决于市场细分、品牌、客户画像等因素。因此，Commerce.AI 本质上是一个空白的画布——其模型如图 4.3所示——根据当前需求填充了相关数据：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_4.3_B17967.jpg

图 4.3 – 一个 Commerce.AI 奢侈品仪表板的模型

这个过程的第一步是帮助你的团队根据行业专家提供的见解，识别出这些新市场中最重要的特征，了解客户在每个国家真正看重你的产品的哪些方面。

借助 Commerce.AI 的数据引擎，该引擎已经分析了全球范围内数十亿条产品数据点，你可以精确地找出不同市场中客户情绪和兴趣的差异。例如，在图 4.4中，我们可以看到一个领先服装品牌的常见品牌属性示例：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_4.4_B17967.jpg

图 4.4 – 一个奢侈品牌属性分析示例

常见的产品属性或特征包括提到的合身性、颜色和拉链。拉链属性被突显为一个不显而易见的趋势，因为例如，某些产品的客户可能会在拉链上遇到问题。通过突显常见的属性，AI 可以帮助产品团队聚焦于客户最关心的话题。

同样地，一旦您的团队确定了每个国家最重要的产品特性，他们将能够创建一个按优先顺序排列的功能想法清单，通过内置在 Commerce.AI 中的在线调查工具（称为声音调查）测试实际客户是否真的需要这些额外功能。

一旦通过不同地理位置的真实用户使用语音调查验证，他们就可以决定哪些功能进一步开发，通过创建这些新功能的模拟版来展示其可能的外观。

品牌管理

Commerce.AI 帮助奢侈品公司管理其在市场中的品牌。

它利用机器学习帮助公司了解客户与其产品的互动方式，他们喜欢产品的哪些方面，以及不喜欢哪些方面。这项技术可以用来监测竞争对手的产品，并识别增长的新机会。

例如，如果您销售手表，Commerce.AI 可以告诉您哪些手表款式销售良好，哪些不好。然后您可以利用这些信息生产更多这类手表，或者基于客户反馈开发新的手表设计。

图 4.5 展示了这些预测可能的模拟情况。虽然品牌特定数据主要是私密的，因此无法在此分享，但 Commerce.AI 用户在预测品牌趋势方面看到了巨大的价值。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_4.5_B17967.jpg

图 4.5 – 豪华品牌趋势的模拟预测

Commerce.AI 还允许奢侈品牌跟踪客户在其产品中希望的功能，并确定需要改进的领域。这使他们能够在客户通过社交媒体或其他渠道提出问题或请求新功能时迅速做出响应。

例如，如果客户在 Facebook 上发布了有关您手表品牌质量的负面评价，Commerce.AI 可以通知您的品牌团队，以便他们在问题变得更为严重之前立即解决。

除了帮助奢侈品牌改进其产品开发流程外，Commerce.AI 还帮助它们在所有渠道（社交媒体、电子邮件营销列表等）上扩展沟通努力，以便他们能快速回应关于产品的任何客户投诉或问题。

趋势分析

当涉及到地位趋势时，奢侈品牌被要求引领潮流，这意味着他们需要深刻了解奢侈市场的脉搏。

借助 Commerce.AI 的数据引擎，我们发现了一些对产品创新有重大影响的关键趋势，包括二手奢侈品的兴起、奢侈品租赁的兴起以及奢侈品订阅。让我们详细探讨这三种趋势。

二手奢侈品

Commerce.AI 数据显示，即使在 COVID-19 疫情期间奢侈品销售遭遇打击，奢侈品二手销售在过去一年仍然惊人地增长。

正如 IMARC 集团报告所述，预计未来五年二手奢侈品销售将以超过 10%的年增长率增长（www.imarcgroup.com/secondhand-luxury-goods-market）。换句话说，二手奢侈品市场的增长速度远远超过其核心市场同行。

这代表了消费者偏好的巨大变化，这也是许多品牌在创新以满足这些新需求的原因。

奢侈品租赁

随着奢侈消费者变得更加关注环保，奢侈品租赁市场正在获得动力，越来越少的消费者愿意购买他们只会穿一两次的商品。

这催生了对珠宝套件和艺术品收藏租赁服务的新需求，这些服务可以按天或按夜租用，用于婚礼或公司会议等活动。

奢侈品订阅

在线零售网站已将数字订阅模式从书籍和音乐扩展到其他类别，如时尚，您可以订阅每月的送货服务，直接送到家门口。

随着像 Birchbox、CURATEUR 等服务在这一领域持续获得关注，我们预计消费者将越来越习惯于定期收到送到家门口的时尚产品。

总结

在本章中，我们探讨了 AI 如何帮助奢侈品牌克服与产品相关的关键挑战，包括品牌和社交媒体管理、满足独特的客户偏好，以及在竞争日益激烈的市场中脱颖而出。

在传统的产品智能环境中，分析师必须手动筛选大量数据，以发现市场机会、分析竞争对手，并创造创新的新产品。

通过 AI 解决方案，可以轻松分析数十亿个产品数据点，以在奢侈品市场中创造竞争优势。通过理解奢侈品市场的挑战和基于 AI 的解决方案，您可以开始看到 AI 如何为任何产品团队带来帮助。

在下一章中，我们将探讨如何将 AI 应用于无线网络领域的创新。与奢侈品牌一样，无线网络公司也面临一系列独特的产品相关挑战，这些挑战可以通过 AI 解决，因为 AI 能够从大量产品数据中学习并适应。

第五章：第五章：将 AI 应用于创新——无线网络深度探讨

无线网络品牌正面临日益激烈的竞争和越来越苛刻的用户需求，同时还要处理前所未有的流量。用户要求 5G、可持续设备，以及当然的持续连接。为了满足这些需求并获得竞争优势，无线网络产品团队需要大规模分析数据。

Commerce.AI 通过将客户需求与每个品牌的产品相匹配，发现产品创新机会。本章将概述无线网络品牌所面临的挑战，Commerce.AI 通过识别我们产品数据引擎的关键优势来解决这些挑战。

此外，我们还将展示无线网络品牌如何利用 Commerce.AI 的产品数据引擎识别创新机会，帮助它们理解客户需求的驱动力。

在本章中，您将学习以下内容：

了解无线网络品牌面临的挑战
分析无线网络品牌的产品数据
使用 Commerce.AI 进行无线网络品牌的创新

无论您是否在无线网络市场运营，本章将为您提供有关特定品牌如何运营、面临的挑战以及如何利用数据和 AI 克服这些挑战的见解，这对任何寻求竞争优势的品牌都具有广泛的意义。

技术要求

您可以从本书的官方 GitHub 仓库下载本章的最新代码示例：github.com/PacktPublishing/AI-Powered-Commerce/tree/main/Chapter05。

了解无线网络品牌面临的挑战

首先，我们将探讨无线网络行业的经济和技术挑战，以及这些挑战如何影响无线网络品牌在市场中的定位。这将为理解为什么需要数据驱动和 AI 驱动的解决方案打下基础。

特别地，我们将讨论与无线网络流量增长及其相关性能挑战、生态系统复杂性增加，以及可持续性、5G 和数据驱动需求等问题。

流量增长

无线网络行业正经历着重大变革。移动设备使用量和物联网（IoT）设备的增长，以及对热点的需求，导致了前所未有的连接需求激增——并迫切需要新的方式来满足这一需求。

根据 Statista 的数据显示，过去 5 年连接到公共 Wi-Fi 热点的独立用户数量已增加了四倍 (www.statista.com/statistics/677108/global-public-wi-fi-hotspots/)。自 2019 年以来，移动设备数量已超过人口总数。

然而，这一增长成本由这些热点的运营商承担，他们必须大量投资基础设施以应对增加的需求。无线网络运营商越来越有责任提供一个可靠且可扩展的网络，以满足用户日益增长的需求。

性能挑战

这种流量的增长对网络性能有重要影响。网络性能依然是全球有线和无线网络面临的一个问题，因为可用于信号放大的天线数量有限，卫星发射到太空的成本高昂，而手机塔必须应对来自其他无线网络的干扰。

然而，这些限制并不意味着网络性能停滞不前；恰恰相反。得益于软件定义网络（SDN）的进步，网络架构不断取得新突破，SDN 通过软件在现有的物理基础设施中创建虚拟网络，而不是依赖像交换机或路由器这样的硬件组件。

SDN 允许网络运营商在不影响最终用户体验（如速度或延迟）的情况下，动态地塑造连接设备之间的流量模式。这种灵活性使运营商可以更好地控制如何利用其网络基础设施，并可以战略性地使用它——例如，可以考虑将资源分配给某些类型的应用程序，而不是让应用程序在同一设备、网络连接或地理区域内同时运行时相互争夺有限的带宽资源。

随着这种控制力的提高，责任也随之而来；服务提供商必须确保在需求超过可用容量时，用户不会受到负面影响，这会导致下载速度变慢或连接中断。

这种前所未有的无线连接需求增长，也为能够利用这一机会的品牌提供了巨大商机，通过创新的产品和服务，围绕消费者的特定需求和偏好量身定制。

这对你作为品牌意味着什么？ 这意味着，如果你能找出如何最好地满足客户的无线连接需求，他们可能会成为终身客户，每次连接无线时都会认同你的品牌和价值观——尤其是当你能提供比竞争品牌或非品牌替代品更好的东西时。这些宝贵的信息可以通过产品和消费者数据提取，包括来自亚马逊、沃尔玛和塔吉特等来源的产品评论。

由于今天的客户是明天的推荐客户，现如今对数据和人工智能的投资，可能在未来带来丰厚的回报，因为这些未来客户将成为忠诚的品牌倡导者和传播者，帮助引入更多的新业务。

增加的复杂性

品牌面临的另一个重大挑战是无线连接生态系统的日益复杂。

当你仔细想一想，一台电子设备（如芯片中的晶体管）所包含的零件比汽车引擎中的零件还要多。随着每年的推移，这些部件变得愈发重要，因为它们直接影响到我们设备的运作表现。

与此同时，消费者在选择特定应用或功能的设备时，比以往任何时候都拥有更多的选择。例如，平板电脑和笔记本电脑可用于提高生产力，而智能手机则更常用于社交媒体或娱乐。同时，穿戴设备可用于健康监测，智能音响可用于听播客或播放音乐，虚拟现实头盔可用于沉浸式体验，种种设备应有尽有。

那么，当涉及到无线连接时，如何弄清楚你的客户需要什么——以及想要什么呢？ 这将需要大量的时间和资源投入，帮助你明确目标客户在个人无线体验方面的需求、愿望、价值观和梦想。

然后，你需要弄清楚如何通过新的产品和服务，在你品牌的整体价值主张框架内，最好地为客户提供这种体验。

可持续发展

无线网络品牌面临的第三大挑战是需要更加注重可持续发展。许多消费者担心他们的无线连接习惯对环境造成的影响，因此他们在日常数字生活中，正在寻求更环保的选择。

这为无线网络公司创造了巨大的机会，特别是那些能够开发帮助人们减少碳足迹的产品和服务的公司。从通过提供高效能的设备帮助人们减少能耗，甚至提供能够回馈环保组织的设备——有无数的例子证明，如何通过无线连接帮助人们过上更环保的生活。

虽然在创造可持续产品和服务时，需要克服许多挑战，但越来越多的品牌开始认真对待这一点。品牌们意识到，能够通过环保影响与竞争对手区分开来的重要性。

成为数据驱动

无线网络品牌面临的另一个重要挑战是需要更加数据驱动。如今，许多消费者每天都被大量的信息轰炸，以至于他们常常感到不堪重负，在面对无线连接需求时，无法做出明智的决策。

能够为客户提供相关、可操作信息的品牌，将能够在竞争中占据优势，而那些可能不那么注重数据驱动的竞争者将处于劣势。为了做到这一点，品牌需要投资于实时洞察和数据分析的交付，以帮助他们了解如何更好地满足客户在无线连接方面的具体需求——进而提高客户满意度和忠诚度。

5G

另一个关键挑战与 5G 相关，5G 在无线连接行业中将比 4G 带来更大的变革。5G 将开启一个全新的连接时代，其速度将是当前 4G 网络的 10 倍以上。

当 5G 真正成为主流时，人们将能够做以前只能梦想的事情，比如在旅途中无需延迟地观看电影和玩游戏——所有这一切都得益于 5G 提供的超低延迟。

但从技术角度来看，使 5G 如此令人兴奋的特点，也是它让那些希望抓住这一机会的品牌面临挑战的原因。关于 5G 的推广和采用率仍然存在许多疑问，这意味着没有保证消费者会愿意购买这种体验，或者像使用之前几代网络一样使用他们的无线连接产品和服务。

好消息是，一旦这些问题通过扩大网络覆盖和让客户了解超低延迟连接的好处得到解决，5G 产品和服务的需求增长潜力将显著增加。这意味着，如果你能够围绕超低延迟连接为客户创造一个引人入胜的用户体验，那么随着越来越多的人成为这一新功能的早期采用者，你将看到巨大的增长。

总结这些挑战，无线生态系统中的品牌拥有者应该感到幸运：在这些机会面前，任何品牌都没有理由不能通过创造满足客户不断变化需求的产品和服务而取得成功。

同样重要的是要记住，如果你能想象出来，那就说明在某个地方已经有人创造了类似的东西——现在他们正在尝试通过利用他们在硬件设计或软件开发或两者的专业知识，将你的想法做得更好。

这就是为什么品牌需要从长远角度思考自己在日益拥挤的市场中如何定位自己。分析产品数据可以帮助品牌克服这些挑战。

分析无线网络品牌的产品数据

数据已经成为品牌区分的关键因素，因为消费者寻求能够为他们提供额外效用、便利甚至乐趣的产品和服务。例如，Uber 和 Lyft 等按需出行服务的早期采用大部分是由于它们能够提供有关位置和预计到达时间（ETA）的实时更新。

同样的情况也适用于我们如何使用智能手机——我们越来越期望设备提供数据驱动的体验，无论是获取关于假期时附近餐厅或景点的即时信息，还是通过语音命令或应用界面实现与家用电器的无缝集成。而这一趋势没有任何减缓的迹象——到 2025 年，全球每天将生成近 500 艾字节的数据！

随着连接设备数量的增加，流经网络的数据量也在增加。这种流量的增长为品牌提供了一个巨大的机会，可以通过为用户提供增值服务和内容来区分自己。此外，品牌可以利用产品数据，特别是产品评论数据，来开发更具创新性的产品和服务。

让我们来看一个分析路由器产品评论数据的例子。

分析无线网络产品评论数据

一个消费者购买了一款新的无线路由器，将其连接到家庭网络并开始使用。消费者可能会在亚马逊上发布一条关于如何轻松设置设备并在家中使用的正面评论。这条评论可以帮助提高其他消费者的产品满意度和使用情况。路由器的制造商可以分析这些产品评论数据，看看消费者最喜欢设备的哪些功能，并利用这些信息改进未来的产品。

另一方面，一个沮丧的消费者可能会发布负面评论，这会把潜在买家推走。然而，这个负面评论代表了一个宝贵的学习经验，有助于发现并修复路由器的缺陷。

通过使用从这些评论中生成的数据，已经证明制造商能够提高消费者的产品满意度和使用率。

产品反馈是任何成功的产品发布或产品生命周期管理（PLM）的关键组成部分。PLM 过程使制造商能够了解客户如何使用他们的产品，并生成可操作的洞察，帮助他们就产品设计和开发做出明智的决策。这些洞察可以帮助公司改善客户体验、在市场中区分其产品并增加销售额。通过 PLM 方法生成的数据越多，公司在当今高度竞争的市场环境中就越能处于有利地位，取得成功。

让我们看一个实际例子，分析超过 700 条匿名的无线 5G 路由器产品评论：

首先，我们将导入所需的依赖项，或者简单地说是我们需要分析文本、情感、关键词频率和评论的其他指标的库：

!pip install wordcloud
from os import path
from PIL import Image
from wordcloud import WordCloud, STOPWORDS
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
!pip install textblob
from textblob import TextBlob

现在我们可以读取产品评论数据，并将其转化为一个字符串，用来创建词云，从而给出消费者讨论的高层次见解：
```
df = pd.read_csv('Reviews.csv')
document = df['Reviews'].to_string()
```
我们现在可以使用 WordCloud 库生成一个词云，像这样：
```
wordcloud = WordCloud().generate(document)
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
```
上述代码生成了一个词云，如图 5.1所示，除了路由器等明显的词汇外，还显示出消费者讨论最多的是5G和范围：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_5.1_B17967.jpg

图 5.1 – 5G 无线路由器评论的词云

我们现在可以使用 TextBlob 来分析评论情感，并查看是否能发现更多有意义的见解。我们需要确保每条评论都被正确地格式化为字符串，然后通过 lambda 函数将 TextBlob 的 sentiment 函数应用到每条评论或 DataFrame 中的每一行。这将生成两列：一列显示 polarity，一列显示 subjectivity。

polarity 是一个范围在[-1,1]之间的浮动值，其中 1 代表正面陈述，0 代表中立陈述，-1 代表负面陈述。subjectivity 指的是个人意见、情感或判断的存在。subjectivity 也是一个浮动值，范围在[0,1]之间：

s = df['Reviews']
df['Reviews'] = df['Reviews'].astype(str)
df = df[df['Reviews'] == s]
df[['polarity', 'subjectivity']] = df['Reviews'].apply(lambda   Text: pd.Series(TextBlob(Text).sentiment))

现在我们已经计算出了情感，我们可以轻松地按情感对产品评论进行排序和搜索。例如，以下代码将展示负面评论：

df[df['polarity'] < 0]

看一下五条负面评论的片段，如图 5.2所示，表明这些评论主要与路由器信号范围差有关：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_5.2_B17967.jpg

图 5.2 – 负面无线路由器产品评论的片段

让我们也看看更多正面评论，这些评论的 polarity 为正面，且 subjectivity 较低，使用以下代码：

df[(df['polarity'] > 0.2) & (df['subjectivity'] < 0.5)]

这段代码将展示我们正面评论的片段，如图 5.3所示。我们可以看到，顾客对速度表示满意，尤其是在游戏方面，但有趣的是，即便是正面评论，也对信号范围提出了抱怨，例如一条评论简单地写着信号范围短：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_5.3_B17967.jpg

图 5.3 – 正面无线路由器产品评论的片段

仅仅这些评论就能为我们提供一些关于路由器的宝贵见解，即消费者喜欢速度，但对信号范围提出抱怨。由于这些评论是关于 5G 无线路由器的，我们可以假设这两个问题都与 5G 的特性有关，5G 无线网速非常快，但信号范围却相对较差。

这可以帮助我们了解多种可能的决策。例如，通过调整路由器的位置和方向，可以简单地改善 5G 路由器的覆盖范围。许多消费者对此并不知情，因此产品团队可以利用这些评论中的洞察，将相关信息添加到产品手册中，或者甚至改变产品的拍摄方式，以突出路由器的正确放置方式。

此外，这些洞察还可以帮助指导未来的产品开发工作，优先考虑改善覆盖范围，比如通过构建更强大的天线。无线网络公司甚至可以开发一个配套产品，比如一个扩展器。

如今，企业正在利用虚拟助手，如 Siri 和 Alexa，作为竞争情报的来源——在推出任何新服务或产品之前了解客户需求，以提高市场份额，并将自家产品与竞争对手的产品区分开来。例如，可以分析这些数字助手在不同网络上的使用频率，可能会突出客户喜欢的特定功能，而这些功能也会在网络上使用，比如视频流播放功能。

如果你还没有这样做，应该审视一下你公司目前的竞争情报收集工作，并考虑如何将实时客户数据融入到现有流程中——这将为你提供更多关于客户今天（甚至明天）如何与品牌互动的洞察。

使用 Commerce.AI 为无线网络品牌提供服务

无线网络行业是今天最成熟却又充满活力的行业之一。从智能手机到物联网设备，从智能家居到自动驾驶汽车，每个人都依赖无线技术进行通信和连接。

无线网络品牌的业务是连接人们——这是一个巨大的机会。消费者希望在多个平台上使用自己喜欢的品牌——那么，连接品牌如何为客户创造价值呢？他们如何才能抓住这个巨大的机会？ 在接下来的章节中，我们将探讨品牌如何通过数据驱动的解决方案来回答这些问题。

进入数据驱动的解决方案

数据驱动解决方案在无线网络行业的作用自 2020 年以来发生了巨大变化。进入世纪之初，只有极少数消费者能够访问在线零售网站。今天，美国超过 90%的消费者已经进行过在线购物（optinmonster.com/online-shopping-statistics/#:~:text=That%2091%25%20of%20the%20country's,only%20ones%20who%20shop%20online）。

在如此强烈的消费者需求推动下，品牌必须利用数据分析才能保持竞争力。

品牌可以通过利用机器学习算法和复杂的数学模型，发掘大型数据集中的模式，而这些模式通常是人类无法察觉的。它们在幕后工作，处理大量数据，帮助企业做出更聪明的决策，从而带来实际成果，如新产品发布或顾客参与度提高。

让我们看看品牌如何利用 Commerce.AI 的机器学习算法和数据引擎来提升它们的关键绩效指标（KPI）。Commerce.AI 建立了世界上最大的产品数据引擎，分析了来自亚马逊、沃尔玛、塔吉特甚至 YouTube 视频评论和语音调查等来源的超过万亿条数据。

预测是从可能未在当前趋势中反映的数据中推断趋势的能力。你拥有的数据越多，你的预测能力就越强。通过这种方式，数据引擎可以帮助以更具战略性和主动性的方式获取和管理产品数据，从而帮助提高盈利能力。

特别是，品牌可以实施机器学习模型来预测和优化多个重要 KPI，如图 5.4所示：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_5.4_B17967.jpg

图 5.4 – 产品团队的重要 KPI

让我们详细了解每个 KPI，理解它们为何对产品团队来说如此重要，需要考虑、分析和优化。

星级评分

维持或提升顾客满意度的评级至关重要。未能做到这一点的品牌面临失去顾客、最终失去收入的风险。

如今，消费者比以往任何时候都更希望知道自己为钱买到了什么。对于许多人来说，购买中最重要的方面是用辛苦赚来的钱所换来的价值。这意味着品牌需要确保每一笔与顾客的交易都是一次积极的体验——不仅仅是在购买时，而是在整个顾客生命周期中。

这始于确保产品质量和服务在与品牌的初次接触时符合或超出顾客的期望，并持续贯穿与顾客的所有关系阶段（例如，从初次接触到重复购买）。

在今天高度饱和的市场中保持竞争力需要强烈关注获取新顾客，同时也要保持现有顾客的忠诚；我们的分析表明，不满顾客在网上发布的负面反馈可能会对公司业绩产生严重影响（换句话说：不要忽视负面评论！）。

社交媒体平台如 Facebook 和 Twitter 使人们能够轻松地在网上表达他们对购买的产品或服务的担忧。这使得他们能够表达关于通过竞争对手购买的产品（甚至是同一供应商的过去购买）的任何担忧。

但重要的是，它也允许消费者提供与这些过去经历直接相关的反馈——例如，与竞争供应商/品牌提供的类似产品/服务相比，产品质量差或客户服务糟糕等问题。

而考虑到如今消费者在做购买决策时极度依赖他人的推荐，负面的在线评论可能会在消费者做出购买决策时起到决定性作用。

使用 Commerce.AI，产品团队可以分析评论、评论背后的原因以及跨几乎所有产品来源的评论趋势，帮助为新产品创新、市场营销和客户支持工作提供依据。

提升畅销书排名

畅销书排名仅仅是某个网站上最畅销产品的列表。这是零售商的重要指标，因为它表明哪些产品受欢迎，哪些产品需要增加库存，或者在产品存货不足时更快地售出。

换句话说，它指示了零售商应该更侧重于销售哪些产品，或者哪些产品应该更专注于推动更高的销量。事实上，许多零售商已专门设立资源来管理其畅销产品战略，甚至创造新的畅销产品，这已成为他们整体商业战略和运营团队的一部分。

那么，如何判断哪些措施有效，哪些无效，尤其是在推动销售方面呢？ 通过分析历史数据和实时数据，识别出可以利用的趋势，以便在未来提升业绩。

历史分析通过回顾先前的时期（例如去年或上一季度）来帮助定义模式，尤其是在某些事件发生时（例如经济衰退等）。这为了解之前有效的措施提供了宝贵的见解，也常常为未来可能有效的措施提供了线索。

实时分析关注的因素包括点击流数据、访客行为和鼠标悬停操作等，还有其他一些指标，如通过电子邮件营销或网站表单的注册转化率。

简而言之，分析——无论是历史数据还是实时数据——都能帮助你识别出可以为未来的营销努力提供指导的趋势，从而推动更多转化、更高销售、增加收入和更大的盈利能力。

编制每周报告的时间

领先的无线网络品牌已向 Commerce.AI 寻求帮助，改善其报告流程。由于大型无线网络品牌在多个行业拥有超过 100 种产品和服务，它们很难掌握所有业务和计划的最新动态，甚至在各自的部门内部也是如此。

其中一个原因是，他们一直使用电子表格和文字处理软件来创建详细的 KPI 报告，这意味着他们不得不雇佣额外的团队成员来维护这些报告——这是一项昂贵的工作。

由于许多产品和服务分属不同的管理团队，并且跨多个垂直领域进行管理，这也使得在不同领域之间共享和传达信息变得困难。

通过使用 AI 驱动的工具自动化报告，我们的客户能够消除仅为维护电子表格而需要专门人员的需求。通过动态可视化展示多个产品和服务在不同角度下的表现模式，客户能够比以往更早发现趋势（而且还节省了人力资源成本）。

这使得客户不仅能够实时采取行动，还能够比以往更早地识别趋势，从而主动管理风险，做出关于增长机会的明智决策，而不是在问题发生后才做出反应。

通过每天分析来自全球成千上万来源的数百万条数据，我们能够为客户提供有关可能出现问题或潜在机会的可操作洞察。

改善产品情感

情感分析是一种机器学习方法，可以判断一段文本或整个产品评论的整体语气和情感。它用于了解人们在社交媒体上对品牌、产品和服务的看法——然后据此采取相应的行动。

例如，如果客户在社交媒体上对某个特定产品或服务表达了积极的情感，这可能表明他们也有可能在实体店购买该产品（如果品牌有线下门店的话）。另一方面，负面情感可能表明品牌应考虑改进其产品或服务。

过去，无线网络品牌可能依赖定性客户体验研究（如面对面访谈），但现在它们可以接触到大量数据——而且这些数据都与人们在网上体验他们的产品和服务有关。

通过使用 AI 技术，这些品牌现在能够从先前无法获取的庞大产品情感数据中获得可操作的洞察。让我们仔细看看这如何运作。

机器学习

数据引擎处理大量非结构化文本数据（如评论和反馈），以识别模式和趋势。然后，它利用这些洞察来指导未来的决策。

例如，基于关于特定产品或服务的最新评论，AI 引擎可以判断哪些方面需要改进，然后建议制造商如何改进——例如提高运输速度或在产品本身中开发新功能。这就是机器学习的实际应用！

数据挖掘

在无线网络品牌能够有效利用人工智能之前，他们需要能够处理大量的文本数据（即评论帖子）。他们还需要能够快速高效地挖掘这些大量信息的工具，从而发现趋势并进行持续的情感分析。

这就是 Commerce.AI 的作用所在。我们为他们提供一个基于云的平台，使他们能够轻松管理大量文本信息，并实时洞察客户在 Twitter、Facebook、Instagram 等社交媒体平台上对其产品和服务的评价。

今年到目前为止，我们已经看到我们的无线网络行业客户取得了令人印象深刻的增长，他们在人工智能技术的应用上取得了前所未有的进展，尤其是在 COVID-19 疫情中，无线网络数据的增长巨大。

可操作的见解

一旦无线网络品牌从产品情感分析中获得足够有意义的见解，他们可以利用这些信息相应地改进产品或服务，并确保客户在重复购买时感到满意。这是使用人工智能技术进行产品情感分析的另一个重要好处——它帮助制造商创造比以往更具意义的客户体验。

改进产品转化率

产品转化率衡量的是在访问一个网站后，进行购买的访客百分比。你的网站流量越大，产品转化率就越高。这个指标对于电子商务零售商来说非常重要，因为它显示了他们将访客转化为顾客的效果。

通过查看网站流量和购买指标，我们能够找出与产品网站上的高低转化相关的因素，并突显以下内容：

高互动度的产品类别
在购买之前，人们花更多时间研究的产品子类别（例如，台式电脑）。
在做出购买决策之前，人们曾讨论过定价策略的产品定价页面（例如，价格超过 700 美元的笔记本电脑）。
在人们对比了竞争产品的价格后才做出购买决策的产品评论（例如，500 美元以下的笔记本电脑）。

搜索结果排名

简而言之，搜索结果排名是基于一个算法，它决定了当用户在网站上进行搜索时，结果的显示顺序。

搜索结果排名的重要性无法过分强调。事实上，这是决定消费者是否会点击广告或购买产品的最重要因素之一。消费者在高排名的结果上转化的概率比出现在搜索结果较低位置的公司产品（无论是自然排名还是付费广告）要高。

这是因为人们往往更信任搜索结果中排名较高的来源。所以，显然，品牌在优化其搜索结果位置方面有着巨大的价值。但是，数据和人工智能能提供什么帮助呢？

Commerce.AI 背后的数据引擎汇总了大量关于品牌的信息，包括它们在搜索结果中的表现。这样，我们就能预测品牌在搜索结果中出现更高或更低位置的可能性，以及其整体排名。

分析以往搜索数据帮助无线网络品牌根据实际表现优化其位置，而不是仅仅依赖猜测或直觉。换句话说，它使品牌能够通过投资活动（如内容营销）来提高品牌亲和力，从而增加点击率（CTR）。

通过利用以往搜索数据，它们还可以识别出模式和趋势，从而洞察在优化搜索结果排名时什么有效，什么无效。例如，如果网站流量较低，但该网站广告的 CTR 较高，那么很可能该公司在优化 CTR 方面做得很好。

另一方面，如果网站流量高，但该网站广告的点击率（CTR）低，那么很可能是广告文案或产品列表的相关性存在问题，这些问题应该在进一步投资提高 CTR 之前得到解决（即，确保包含相关的产品列表）。

通过在早期识别这些问题，而不是等到出现问题（即花费更多资金提高可见度）后再处理，无线网络品牌能够节省时间和金钱，同时实现其期望的结果——更高的排名——而不影响其品牌价值或完整性（在广告文案/相关性方面）。

详情页浏览量

我们首先定义什么是详情页浏览量：即在一定时间内（例如 1 天）Amazon 产品详情页的浏览次数。这个指标变得越来越重要，因为它揭示了用户与 Amazon 上产品互动的模式——以及潜在的增长机会。

对于像 TP-Link、Netgear 和 Linksys 这样的无线网络品牌，它们销售 Wi-Fi 路由器和相关硬件，跟踪这些指标可以提供关于消费者在 Amazon 上与其产品互动的深刻见解。它还可以提供有关哪些产品详情页面元素需要优化的信息，以提高点击率、转化率和整体销售量。

对于任何通过电子商务市场（如亚马逊）在线销售商品或服务的品牌或企业来说，这些数据的重要性不容忽视。事实上，它的重要性如此之大，以至于许多大型品牌已专门设立了团队来监控这些数据。在我们与多个品牌合作进行在线零售优化的经验中，能够看到这些指标对于帮助品牌确定在亚马逊上销售的新版本产品时应该优先考虑哪些元素至关重要。

不言而喻，没有零售商希望投入时间和资源去开发新版本的商品，却发现它在市场上失败。如果零售商能够追踪消费者在特定时间段内查看每个版本的次数（即浏览视图数据），这些问题本可以轻松避免。

摘要

在本章中，我们了解了无线网络品牌面临的关键挑战，包括 5G 推广、实施可持续性措施、日益复杂化等问题。我们还学习了如何分析产品数据，并利用 Commerce.AI 来克服这些挑战，打造更好的无线网络产品和服务。

人工智能有潜力帮助无线网络品牌克服关键的与产品相关的挑战，包括满足日益严格的用户需求，并在竞争愈加激烈的市场中脱颖而出。

在传统的产品智能环境中，分析师必须手动筛选大量数据，以发现市场机会，分析竞争对手，并创造创新的新品。

通过人工智能解决方案，数十亿条产品数据点可以轻松分析，从而在无线网络市场中创造竞争优势。通过了解无线网络市场的挑战和基于人工智能的解决方案，你可以开始看到人工智能如何对任何产品团队都有帮助。

在下一章中，我们将探讨如何在消费电子领域应用人工智能进行创新。与无线网络品牌类似，消费电子公司面临一系列独特的与产品相关的挑战，这些挑战可以通过人工智能来解决，因为人工智能具有从大量产品数据中学习的多功能能力。

第六章：第六章：应用 AI 进行创新——消费电子深度分析

正如我们在前几章中探讨过的，AI 不再仅仅是一个流行词。它已成为许多公司增长战略的关键组成部分，大多数领先的高管表示，他们的公司正在投资于 AI 或机器学习。本章将探讨消费电子品牌如何利用 AI 来提升产品创新并推动增长。

消费电子品牌一直依赖于创新新产品的能力，以跟上技术快速变化的趋势。创新新产品使这些品牌能够保持相关性，并吸引那些希望体验与技术互动新方式的消费者。

这一点今天依然适用。例如，当消费者在众多智能家居设备中做选择时，他们需要有足够有吸引力的理由来选择你的品牌而非他人。通过利用新兴的 AI 技术，消费电子品牌能够创造出比以往更加沉浸、互动、愉悦的产品——从而帮助它们在日益拥挤的科技货架中脱颖而出。

本章将涉及以下主题：

了解消费电子品牌面临的挑战
分析消费电子品牌的产品数据
使用 Commerce.AI 为消费电子品牌赋能

我们将了解消费电子品牌在面对连接消费者、内容消费者以及来自各方的竞争时所面临的新挑战。我们还将探讨如何收集、分析和利用消费电子数据，以实现更加创新并克服各种挑战。

了解消费电子品牌面临的挑战

我们首先从探索消费电子品牌面临的挑战开始，了解为什么需要新的、创新的、数据驱动的、基于 AI 的解决方案来推动产品的成功。

我们将讨论的一些挑战包括连接消费者的需求、短期注意力跨度的现实、新兴内容消费者的需求，以及来自新兴市场的竞争日益增加。

连接消费者的需求

连接消费者是一个近期出现的现象，但已经成为消费电子领域的新常态。实际上，每个消费者现在都期望能够连接互联网，并以某种方式与他们的技术互动。

这不再仅仅是智能手机和平板电脑的问题。它还涉及可穿戴设备、家庭自动化和智能音响设备，如 Alexa 或 Google Home。所有这些设备使消费者能够以有意义的方式与技术互动。

品牌在认识到这一转变时较为迟缓，因为这一变化仍然相对较新。但随着越来越多的人开始将这些设备作为日常工具，这种情况会随着时间推移而改变，这也是品牌现在需要特别关注的原因，如果他们想要在未来优化商业战略。

要在今天这个互联的世界中取得成功，品牌需要有强烈的身份认同——这首先要了解人们希望如何通过技术与品牌互动。为了有效地做到这一点，品牌应该看看人们目前如何使用技术（换句话说，你们已经如何获胜？）。

因此，品牌需要创造性地思考，如何将这些优势转化为更大的东西——提供更多的参与机会并与客户建立更深层次关系的东西。

例如，如果我们回想一下智能手机首次推出时——iPhone——它改变了一切，因为它非常容易接触且直观。苹果利用这种熟悉感，使得触摸屏的切换比任何其他公司都更加容易。它通过发挥在产品设计和软件开发方面的优势来实现这一点。

产品设计的重要性在这里无法过分强调：人们不仅仅是买东西；他们是使用东西、体验东西。如果你的客户不会自然而然地倾向于使用你的产品，因为它感觉自然或直观，那么市场大多数人也不会如此。

短期注意力跨度的新现实

平均注意力持续时间曾经要长得多。而今天，人们常说只有 8 秒钟。人们有很多选择，决定自己想关注什么，不想关注什么——随着社交媒体平台的兴起，从 Twitter 到 TikTok，关于品牌和产品的意见层出不穷。

对社交媒体的影响

如果品牌要在今天日益数字化的世界中取得成功，它们必须像关注实体足迹一样关注数字足迹。换句话说，消费者如何在社交媒体上看待品牌，和他们面对面看待品牌时一样重要，尤其在做出购买决策时。

今天，消费者比以往任何时候都更加意识到他们通过社交媒体对品牌拥有的影响力——即使某些品牌可能不总是以尊重这些力量的方式行事（这可能会让它们陷入困境）。

对任何品牌来说——无论是消费电子品牌还是其他类型的品牌——要想在今天取得成功，它需要在网上拥有一个活跃且参与度高的社区，与品牌及其价值观有联系。这意味着要在各种渠道上积极与社区互动（例如，Facebook 小组、Instagram 故事和 TikTok 短视频），从而与他们建立有意义的关系。

关键在于弄清楚如何最好地利用现有资源（你的员工），同时找到增加新资源的方法（如承包商和自由职业者），以帮助提升公司营销工作。

对产品团队的影响

不仅仅是社交媒体领域在今天这个数字优先的世界中发生了变化。短暂的注意力意味着消费者不太可能愿意（或能够）投入时间和精力去完全体验他们与之几乎没有或完全没有情感联系的产品。

为了最大化与内容的互动——无论是电影预告片、歌曲歌词视频、电视节目预览，还是书籍摘录——消费电子品牌需要思考如何创造更具吸引力的体验，超越单纯的内容本身。

这要求理解如何使用技术以提升消费者对你内容的体验，而不是取而代之。这包括允许用户以新方式与内容互动（例如通过 AR 眼镜来阅读互动故事书）；使用基于运动的媒体（如舞蹈 GIF）代替静态图像；通过 360° 视频创造电影般的体验；利用虚拟现实平台的直播平台；等等！

关键是，消费者花在传统媒体上的时间减少了，而花在数字媒体上的时间增多了——品牌应该利用这一机会与他们的社区建立有意义的关系。

满足内容消费者的需求

内容消费者自光盘时代以来发生了变化。今天，消费者不断被信息和娱乐轰炸。像 Netflix 和 YouTube 这样的在线视频服务的兴起，让消费者比以往任何时候都更容易触手可及地获得大量内容。那么，消费电子品牌如何在这片视频内容的海洋中脱颖而出呢？

答案是围绕内容本身创造引人入胜的体验，而不是仅仅在价格上竞争。人们每月观看数十亿小时的视频。因此，品牌在提供引人入胜的体验时，必须超越产品本身的思考。他们必须围绕产品和服务创造吸引人的叙事，以便在一个竞争激烈、客户注意力和钱包争夺激烈的市场中脱颖而出。

内容创作不再仅仅是大媒体公司或好莱坞工作室的领域；现在较小的创作者也能以相对较少的生产投入和基础设施，接触到庞大的受众群体。

这对品牌意味着，他们不能仅仅依靠自己的产品来与竞争对手区分开来；如果他们想在日益竞争激烈的市场中吸引客户的注意力和忠诚度，他们需要通过引人入胜的内容超越自我。

品牌还应密切关注客户在整个客户旅程中的社交媒体参与预期——从产品开发到分销及更远的环节——以便让客户在每个阶段的体验过程中都感到被包含。

需要成为数据驱动型公司

消费电子品牌需要成为数据驱动型公司。数据是新的石油。它推动着公司增长和创新，也决定了消费品牌的成败。

在许多情况下，消费者洞察来自数据分析，而不仅仅是人类直觉。能够有效利用数据的公司将能够改善产品和服务，同时增加与客户的互动。

另一方面，那些没有强大分析能力的公司将会在竞争中处于劣势，相比之下，具备数据分析能力的竞争者将占据优势。那么，公司如何才能变得更加数据驱动呢？ 我们将在分析消费电子品牌的产品数据一节中解答这一问题。

新兴消费电子市场

众筹的普及和对新兴创新技术的兴趣爆炸性增长为消费电子行业带来了繁荣。每天使用技术的人数已达数十亿，并且在新兴市场中仍在快速增长。有些人将其视为一种破坏性机遇，而另一些人则将其视为威胁。

一些专家认为，随着越来越多新用户进入市场，现有公司将面临维护其主导地位的挑战，因为竞争日益激烈。

品牌还必须应对快速变化的趋势，如虚拟现实（VR）。如今，我们已经看到像苹果、三星和 Facebook 等大品牌进入虚拟现实领域。随着消费者对虚拟现实技术的熟悉度提高，传统品牌可能会相应调整其战略——甚至可能会被科技公司收购。

在这种环境中保持竞争力，你需要思考如何在保持品牌身份的一致性的同时，吸引更多的客户——数字和实体零售店、在线商店以及电子商务平台只是你今天可以与受众互动的一些例子。

现在我们已经了解了消费电子品牌面临的一些主要挑战，让我们来看看如何分析产品数据以克服这些障碍并推动前进。

分析消费电子品牌的产品数据

消费电子公司依赖产品数据来了解其客户和市场趋势。产品数据对于理解你的产品表现、消费者需求以及他们如何与品牌互动至关重要。

您收集的数据可以帮助您识别问题、衡量成功并做出更好的战略决策。但找到可操作且有帮助的产品信息可能很困难，尤其是当您不是消费电子产品专家时。

基于数据的产品战略是利用数据和分析来开发新产品创意、评估现有产品并改善客户的整体体验。其目标是通过改变人们与品牌的互动方式来增加客户参与度。

基于数据的产品战略具有许多好处，包括以下几点：

通过有针对性的优惠提高客户忠诚度和客户保持率
通过精简运营降低成本，同时保持质量
通过创新提升收入或增加利润率，从而提高盈利能力
通过增强对消费者偏好的理解，减少市场风险

基于数据的产品战略中的关键考虑因素

每个公司的数据环境都不同，取决于其规模、行业结构和商业模式。在最基本的层面上，数据战略涉及创建一个可以分析的数据库，以洞察消费者行为。

例如，您可能会收集近期购买了您产品或服务的客户的行为数据。您还可以查看历史销售数据，识别出哪些特征组合在客户中最受欢迎的模式。然后，您可以利用这些信息来指导未来的产品开发和营销活动。

公司还可以利用人工智能和机器学习算法，基于客户的线上或线下行为（例如，查看过去的购买记录或搜索历史），确定客户可能购买的产品类型。最后，公司可以与各部门（如市场营销、工程和财务）团队合作，分析这些信息，从而发现满足消费者需求的新产品或服务机会，这些需求存在于他们所服务的更广泛用户群体中。

根据我们的经验，我们可以建议客户为各行业的消费者品牌（如电子商务、快速消费品和 B2B）建立数据战略。以下是一些关键考虑因素：

关注客户需求：根据现有数据集或市场调研（线上/线下）识别您对客户行为的了解。然后，确定您还不了解的部分 —— 在您开始验证假设之前，您还需要哪些更多的数据点？
定义角色和责任：谁将负责流程的每个阶段？需要多长时间？他们将使用什么工具/方法？ 明确这些角色至关重要，以确保项目能够顺利完成并明确责任归属。
建立能力：谁将确保高层管理人员持续承诺？ 这将确保在必要时提供监督和支持。

通过 Commerce.AI 的数据引擎，大部分（如果不是全部）你需要的数据已经可用。我们的产品数据引擎包含超过一万亿个数据点，涵盖数十万种产品和服务，数据来源包括上百个不同的渠道，支持多种语言。

现在我们了解了数据驱动的产品战略中的关键考虑因素，接下来我们来看看如何收集这些数据。

如何收集消费者数据

消费者数据是任何品牌的命脉。一个强大的消费者数据计划可以帮助公司理解是什么驱动客户购买，最终影响他们的购买决策。

在消费类科技产品领域，产品评论是品牌收集客户反馈的一个公认且有效的方式。来自满意客户的评论在营销或公关活动中可能和一个充满赞美的新闻稿一样具有影响力。

另一个很好的客户反馈来源是社交媒体：Instagram 的帖子可以提供有关消费者对你产品的审美吸引力和易用性的重要见解，而 Twitter 的推文则能展示人们如何通过笑话、表情包和其他形式的社会评论与品牌互动。

你还应该密切关注人们对竞争对手产品的评价——竞争对手关于即将发布更新的帖子，可能会引起现有用户的热议，他们希望在做出下一个购买决定之前，了解最新的功能。

如今，随着消费者数据触手可得（通过像 Reddit 这样的在线论坛、像 Mixpanel 这样的应用分析平台，以及像 Mailchimp 这样的电子邮件营销服务），我们很容易忽视一些不太明显的产品反馈来源，而这些来源往往比书面评论或推文更具可操作性。

坦率地谈论你产品中出现问题的经历是许多公司未能充分利用的宝贵输入来源。这是因为很多公司缺乏直接从客户收集此类反馈的经验。在这里，Commerce.AI 的语音调查发挥了作用：它们使各行各业的企业能够实时倾听人们通过语音表达对产品的关注。

通过利用像这些工具——结合强大的在线社区，如 Reddit——品牌可以比仅仅阅读用户评论更深入地了解是什么驱动了客户的满意或不满意。

如何将数据整合到产品设计中

有很多关于如何设计更具吸引力的产品的研究，但很少有研究关注如何从最终用户的角度设计产品。端到端说服性设计过程包含四个阶段：

理解你的用户
使用人物角色
基于数据创建人物角色
确定每个人物角色中的痛点

理解你的用户

了解你所设计对象是谁很重要，因为它可以帮助你理解他们从产品中想要什么，以及为什么他们可能需要它。你对用户了解得越多，你的产品设计就会越好（而且越不容易出现可用性问题）。

过去，产品设计师需要依赖直觉和轶事证据来理解用户如何使用技术。如今，随着大量数据的可获取性，观察用户与产品互动的方式，可以让我们了解很多关于用户的信息。

例如，你可以观察每个用户在点击离开之前，在屏幕或页面上停留了多久，或者你的网站上哪些部分的使用率最低。你还可以看到人们在做出购买决策之前点击或滚动的位置。所有这些信息将有助于你改善产品的可用性，并最终提高转化率（即将访问者转化为客户的比例）。

跟踪数据还可以通过持续进行A/B 测试，帮助我们快速迭代设计，直到它与我们理想的用户体验匹配。

使用人物角色

人物角色是帮助你理解用户的工具。它们可以帮助你识别需求、目标和动机，从而为产品设计提供信息。人物角色是一个虚构的个体代表，代表了目标用户群体的某些方面。其核心理念是创建一个活文档，描述目标用户的特征、动机和期望。

这使你能够在构建产品之前测试有关产品或服务如何被真实用户使用的假设。人物角色非常有用，因为它们可以让你专注于重要的内容，而不是假设用户的行为。它还可以帮助你避免在面对新用户时不断犯相同的错误，通过关注这些新用户是谁，而不是根据过去的趋势或目标市场中其他群体的行为来猜测他们可能的行为。

你可以在许多不同的方式中使用人物角色作为拼图的一部分，包括识别设计过程中的痛点、早期了解客户需求和想法、为团队创建内部愿景板，甚至在构建某个东西之前通过潜在客户测试新想法，而不是仅仅因为它看起来很酷。

基于数据创建人物角色

现在你已经有了一份符合特定特征和动机的人员列表，但仅凭这些信息是不够的——你也需要数据！ 如果可能的话，尝试找到定量的方法来理解这些人是谁，以及是什么驱动他们。通过这样做，这些信息可以被融入到你的人物角色中，也能纳入到你后续的分析过程中。

例如，避免仅仅根据定性观察创造虚拟人物，而是创建一个分析报告，以数字化的方式展示这些观察结果。这样，电商公司的人可以利用这些信息来估算在黑色星期五周末运营在线商店时，应该预期的销售量——单靠定性洞察是无法提供这种信息的。

识别每个用户角色的痛点

现在我们已经确定了用户角色，第一步是找出他们当前无法得到的、需要的或无法轻松获得的东西——这些就是他们的痛点。

痛点是客户在使用某个产品或服务时遇到的问题。首先要识别出客户在你的产品上遇到的困难，然后找到为他们提供解决方案的方法。

在最基本的层面上，这个过程应该从问自己开始，我的客户缺少什么？ 这是很重要的，因为它迫使你思考你希望在产品中加入哪些功能，以及如何让这些功能变得更加容易获得。

一旦你识别了这些痛点，下一步就是确定哪些痛点足够重要，需要你投入资源来为客户解决。记住，如果不能解决一个重要的痛点，用户会选择去别的地方寻找他们需要的东西，所以你必须选择正确的痛点。

需要记住，并非每个痛点都需要通过开发新产品或服务来解决。有时市场上已经存在解决方案，有时可以在现有的技术或设计限制下采取措施。

为了找出需要解决的问题，我们通常会观察行业中现有的趋势和模式，以及在我们之前成功解决这些问题的类似公司的数据。我们还会问自己以下问题：

我们现在的客户是否觉得缺少某些东西？
现有市场上是否已有其他解决方式？
我们领域内其他公司做得如何？
我们有独特的东西吗？但是我们能借鉴他们的成功经验吗？
我们在查看类似产品/服务时，是否在行业之间发现了任何模式？

这些问题的答案有助于你了解应该解决哪些痛点，这是产品创新的关键组成部分。

既然我们已经知道如何收集、分析和使用消费电子数据，接下来让我们探讨将这些数据转化为洞察的下一阶段：使用 Commerce.AI。

使用 Commerce.AI 为消费电子品牌提供服务

作为全球最大的产品数据引擎，Commerce.AI 为消费电子品牌提供了丰富的创新机会。让我们探索如何使用 Commerce.AI 更好地理解产品定位、分析消费电子市场、改善研究计划、生成产品创意等。

理解产品定位

理解产品定位对于了解任何产品的市场潜力至关重要。以下图表展示了如何使用 Commerce.AI 的定位图，通过比较产品的情感评分（纵轴）和评论数量（横轴），来了解不同产品在市场中的位置。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_6.1_B17967.jpg

图 6.1 – 一个产品定位图模型，比较了情感和评论数量

以相机为例，一款入门级的傻瓜相机可能在图表上的位置低于一款高端数码单反相机，后者具备更好的功能，如更快的镜头、更大的传感器和更先进的图像处理能力。

通过从多个维度比较这些产品的客户价值，你可以迅速获得每个产品在市场中相对价值的洞察。如果只看一个维度（例如，情感），你可能会错过重要的见解。例如，如果某款相机的情感评分非常高，但只有 10 条评论，那么这个情感评分可能经不起推敲，在现实中可能会失效。

使用消费电子 AI 报告分析市场

消费电子市场非常庞大。根据 Statista 的研究（www.statista.com/markets/418/topic/485/consumer-electronics/#overview），预计到 2022 年，销售额将超过 1.2 万亿美元。除了智能手机和笔记本电脑，还有无数其他设备可以归入这一领域，从平板电脑到虚拟现实耳机，再到家居自动化设备。根据你对这个术语的定义，如果你愿意稍微扩展定义，甚至可以包括如健身追踪器或智能手表等可穿戴设备。

由于在这些小工具上花费了大量金钱，品牌商希望了解消费者购买的产品以及为什么选择这些产品而非其他产品，这并不令人惊讶。市场研究公司对消费者行为和偏好进行了广泛的研究，以了解未来趋势如何发展，以及品牌如何通过其产品和服务满足人们的需求。

问题在于，这个庞大的市场对于产品团队来说是把双刃剑：虽然有巨大的财务机会，但面对如此海量的数据，理清头绪却变得困难。手动分析数百万个产品的产品情感和评论几乎是不可能的。

使用 Commerce.AI 的 AI 生成市场报告，这些数据会被自动分析，以前所未有的速度提供洞察力。以前需要几个月的时间由研究团队完成的工作，现在只需几次点击就能完成。

以下截图展示了关于数码单反相机的 AI 生成市场报告，其中包括相关亚马逊类别中的产品数量、增长最快的品牌、畅销产品、品牌数量，以及一个总结市场机会规模的机会计量表：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_6.2_B17967.jpg

图 6.2 – 关于数码单反相机的 AI 生成市场报告片段

品牌需要了解消费者如何使用他们的产品；这为潜在的产品改进或新增功能提供了宝贵的洞察，确保在竞争对手之前就能做出改进。市场研究还可以帮助公司通过提前了解趋势，保持领先于主流消费者行为，从而维持竞争优势。

Commerce.AI 如何帮助消费电子品牌研究？

品牌获得消费者行为洞察的一种方式是通过专门为市场研究目的设计的分析软件。

由于 Commerce.AI 运营着全球最大的产品数据引擎，分析了超过万亿个数据点，因此呈现给品牌的数据会根据他们的需求精心策划。否则，信息超载将成为常态，而产品 AI 正是旨在通过聚焦洞察来突破这一现状。以下图示展示了 Commerce.AI 中的消费电子仪表盘如何像一个空白画布，根据品牌的需求填充相关数据：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_6.3_B17967.jpg

图 6.3 – 空白 Commerce.AI 仪表盘的模拟图

消费电子品牌研究需要分析大量数据。Commerce.AI 正是在这方面提供帮助——我们提供强大的分析软件，专门为商业领域的公司设计。

我们的平台从零开始构建；我们了解在管理产品线时你需要随时掌握哪些类型的数据。现在，我们进一步提升我们的专业能力，加入了深度学习功能，帮助你获得关于你产品和服务线内消费者行为的可操作洞察。

生成消费电子产品创意

除了分析市场和研究趋势外，我们甚至可以使用人工智能从零开始生成消费电子产品创意。产品构思是创新的关键组成部分，因为如果不能提出新颖且令人兴奋的创意，最终可能导致企业失败。毕竟，今天最成功的公司，从苹果到特斯拉，都是那些跳出框框、打破现状的公司。

让我们来探索一个 Commerce.AI 中的例子，看看大型语言模型如何生成产品创意。这些模型用于预测文本中最可能出现的词语，类似于传统的自然语言处理（NLP）技术用于文本分析的方式，只不过规模更大。

由于Transformer等架构的改进，大型语言模型最近变得更加广泛可用，这些模型现在处理大量的文本数据，包括来自全球各地的产品描述和评论。

大型语言模型特别适用于生成产品创意，因为它们是通过学习自然语言而非单一的词汇或短语。因此，它们不仅会考虑像计算机或平板这样的广泛概念，还会考虑更具体的概念，比如iPad或iPhone。

以下截图展示了实际操作过程。首先，你需要输入DSLR Cameras。然后，你可以选择一个客户愿望清单，该清单从产品评论中提取。这份客户愿望清单将用于启发生成的创意。如果未选择愿望清单，则评论数据将用于全面生成创意。另一个需要注意的地方是创造力，这是一种为大型语言模型设置的随机性参数。较高的创造力或较高的随机性会生成更多的创新想法，但可能会较少实际、现实。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_6.4_B17967.jpg

](https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_6.4_B17967.jpg)

图 6.4 – 比较情感和评论数量的产品定位图示意图

通过这种方法，我们已经能够轻松生成成千上万的独特产品。在下面的截图中，我们为新的 DSLR 产品创意生成了想法，例如可以通过手机控制的 DSLR、响应语音命令的 DSLR，以及通过 AI 准确处理复杂色彩的 DSLR。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_6.5_B17967.jpg

](https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_6.5_B17967.jpg)

图 6.5 – AI 生成的 DSLR 产品创意片段

虽然人工智能无法替代人类的创造力，但它可以帮助增强我们的创造力。在实践中，所有的产品团队都经历过创意瓶颈的感觉，在这种状态下很难想出新点子。通过使用人工智能，消费电子产品团队可以激发创意思维，也许能帮助找到下一个重大创意。

从 Shopify 提取洞察

Shopify 是一个主要面向中小型企业（SMBs）的平台，用于支持他们的在线商店，包括库存管理、运输、支付处理、内容创作和分析等营销工具。自 2004 年推出以来，Shopify 已成长为全球最大的独立多渠道零售商。

Commerce.AI 可以通过直接向 Shopify 客户发送语音调查，从你的 Shopify 店铺中提取见解。语音调查比文字调查更能吸引参与者并提高完成率，因为许多人觉得自由地说话比坐下来写下自己的想法更容易。

你从这些调查中获得的数据可以用来指导产品开发决策。例如，数据可能会显示某些产品或服务的方面对你的客户尤其重要。这些信息能帮助你做出明智的决策，关于你应该提供哪些产品和服务，以满足最终用户的需求。

作为消费者，我们每个人在网上购物时都有自己的偏好。有些人喜欢在购买前阅读产品描述，而另一些人则更喜欢查看图片和视频内容。作为一个电子商务品牌，你应该考虑目标客户以及他们在浏览网站时最看重的内容；这将帮助电子商务品牌设计店铺以及如何格式化产品描述和图片。

此外，一些人更喜欢通过语音而非文字与消费电子产品互动；这是因为他们觉得自然地说话比担心打字错误或拼写错误更容易。

Shopify 上有超过一百万的商家，因此你可以通过在客户群体中进行语音调查，更好地了解市场——而且这一切无需额外的开发或员工时间投入。

在 Slack 上共享见解

创新成功在很大程度上依赖于成功的沟通。有效地向内部团队和利益相关者传达新产品概念及其带来的好处，对于创新成功至关重要。

产品创新不是一个人的工作，也不是在单一团队或组织内孤立发生的。它需要跨多个部门和利益相关者的协作。好消息是，通过 Commerce.AI 的 Slack 集成，产品团队可以轻松地与远程团队成员互动，使创新过程更加高效。

目标是了解客户需求是否没有得到满足，识别出颠覆性机会，早期在流程中与潜在用户测试新想法，定义并执行市场入驻战略，并在验证了市场需求和产品或服务的需求后进行规模化。

要有效地做到这一切——特别是在产品创新方面——你需要一种轻松跨部门沟通的方法，同时仍然能够控制谁在任何时候能访问特定信息。这就是像 Commerce.AI 这样的工具派上用场的地方；它们使得跨部门沟通成为可能，帮助团队更高效地协作。

你应该优先考虑在何时共享哪些信息，关键是确保每个参与者都能在正确的时间获得正确的信息。这使得每个参与组织内创新活动的团队成员——从构建产品的工程师，到创造用户体验的设计师，再到决策哪些想法值得进一步推进的领导层——都能充分参与推动创新向前发展。

总结

本章中，我们学习了消费电子品牌面临的主要挑战，以及如何通过分析产品数据和使用 Commerce.AI 的数据引擎来克服这些挑战。这些挑战包括消费电子领域的更高复杂性和竞争。通过分析大量的消费者和产品数据，消费电子品牌能够发现应对这些挑战的洞察。

基于 AI 的创新在过去几年里已经颠覆了许多行业。最终，领先的消费电子品牌正在采用 AI，以保持在创新前沿。

在下一章，我们将探讨如何在餐饮行业应用 AI 创新，餐饮行业与消费电子不同，通常滞后于技术趋势，但同样通过利用数据和 AI 将大大受益。

第七章：第七章：应用 AI 进行创新——餐饮行业深入分析

餐饮行业素以艰难著称。它是一个竞争激烈、利润微薄的领域，这些挑战在 COVID-19 疫情期间变得更加严重，餐馆面临的规定比以往任何时候都更加严格。

在美国，开设一家租赁餐厅的平均成本为 27.5 万美元，只有约 20%的新餐厅能在五年后生存下来。这意味着有很多失败，但也有很多机会，尤其是对于那些愿意冒险并尝试新事物的人。

在本章中，我们将讨论人工智能（AI）如何帮助克服这些挑战。我们将探讨 AI 如何用于改善运营、增加收入，同时降低成本、提高利润。我们还将讨论 AI 如何为餐饮行业的顾客创造更具吸引力的体验。

在本章中，我们将讨论以下几个主要话题：

了解餐饮行业的挑战
餐饮行业的产品数据分析
使用Commerce.AI为餐饮业提供服务

了解餐饮行业的挑战

餐饮行业是零售行业中最为陈旧和停滞不前的行业之一，对变革缺乏兴趣。试想一下：历史上，餐厅一直难以与其他娱乐形式，如电视、电影，甚至只是与朋友社交进行竞争。为什么你要外出就餐，而不是待在家里，点Seamless或Just Eat外卖，顺便看 Netflix 呢？

传统的实体零售正面临巨大挑战，难以自我重塑，因为消费者的消费习惯正在向线上转移。与此同时，餐饮行业自其诞生以来基本没有发生太大变化——一旦商业模式在社会中根深蒂固，就很难进行创新。

但时代在变。近年来，数据已经实现了民主化——任何拥有互联网连接和计算机的人都可以访问这些数据——这使得公司能够比以往更好地做出基于证据的决策，而非依赖直觉或猜测。

为了更好地理解为什么以及如何在餐饮行业中使用数据和 AI，让我们探索一下目前该行业面临的一些主要挑战。

盈利能力

第一个主要挑战是产生足够的收入以实现收支平衡。虽然最终目标是变得（或保持）高度盈利，但这一切始于达到收支平衡点。虽然盈利能力是所有企业普遍面临的挑战，但这一点在餐饮行业尤为明显，因为该行业的利润率非常低。

据估计，餐厅的平均利润率大约为 3%到 5%，许多餐厅都在为盈亏平衡而挣扎。这使得一些人称餐饮行业为低利润行业。那么，做到盈亏平衡需要什么？更重要的是，如何增加收入以实现盈利？

我们将这一话题分解为四个关键领域：客户获取成本（CAC）、菜单创新、定价策略和营销策略。以下小节将详细介绍每一个领域。

客户获取成本

这个关注点首先涉及到所有与获取新客户相关的成本——简称为客户获取成本（CAC）。这些成本包括广告费用（线上和线下），以及您可能提供的任何折扣或激励措施，以吸引现有客户反复光临。

换句话说，如果您仅仅依赖口碑推荐来获取新客户，那么您将需要在营销上做出大量投入，以便让人们了解您的位置和产品。

此外，除了考虑客户获取成本外，还需要关注竞争对手的相关成本；如果附近的其他商家提供大量折扣，那么您可能需要匹配或超过这些优惠。

您还应该了解任何可能帮助抵消餐厅成本的地方或州级激励措施。例如，如果您正在开设一个新店，那么可能会有补助金和税收减免可以帮助降低您的 CAC。

然而，这一切只是一个起点，利用来自整个餐饮行业的数据可以帮助您完善营销和客户获取策略。换句话说，行业范围内的 CAC 数据可以用于改进您自己的 CAC，从而提升盈利能力。

菜单创新与产品开发

影响餐厅盈利能力的下一个主要因素实际上是改变您所提供的食品。如果您目前晚上仍然提供相同的菜肴，并指望销售额增长，那么很可能事情并未按计划进行。

因此，确保您的菜单每个月都保持新鲜和有趣是至关重要的；提供超出基本美国餐点的选择有助于确保人们持续反复光临。

菜单创新是为现有或新客户开发新颖且激动人心的食品和饮料的过程。这是餐饮行业中的一项重要工具，能够帮助餐厅通过提供与竞争对手不同的选择，从而在竞争激烈的市场中保持相关性——从而使餐厅在人群中脱颖而出。

为了理解如何改进餐厅菜单，我们需要退后一步，看看顾客体验这个概念是如何渗透到我们生活中的。现在，许多人都在社交媒体平台上度过他们的生活，如Facebook和Instagram。他们也在分享关于餐厅菜肴和菜单的想法，利用这些数据可以为菜单设计提供宝贵的见解，正如我们将在本章后面探讨的那样。

定价策略

提高盈利能力的第三个关注点涉及到你商业的定价结构——更具体地说，是你收取的产品或服务费用背后的原因。如果你目前对你的产品定价过低，那么很可能导致收入损失和整体利润的下降。

简单来说，如果人们不愿意为你提供的产品支付足够的费用，那么他们很可能不会再回来购买——无论之前的购买有多好。你可以通过提高一些高需求商品的价格来增加利润，同时降低其他需求较低商品的价格。这将有助于确保销售量和平均票价之间的平衡随着时间推移保持有利。

还需要考虑竞争对手（或你自己过去可能提供的）任何促销或折扣，以及与这些变化相关的税务影响。根据当前的税法或政府激励措施，可能会有进一步增加盈利的机会。然而，最重要的是在大规模分析定价和需求数据的基础上，计算出最优定价策略。

营销策略与社交媒体

高效利用社交媒体是当今营销工作中越来越重要的一部分——特别是在餐饮行业本身。Facebook 已经成为接触潜在顾客的强大平台，全球用户超过 20 亿。

自然流量是指在没有付费广告的情况下，企业本可以获得的流量。实际上，付费广告能够通过引导口碑推荐，间接驱动自然流量。使用Facebook 广告可以通过自然方式将顾客带到你的餐厅，从而最终增加客流量——特别是考虑到近三分之一的到店顾客是通过朋友或家人的口碑推荐而来。

通过利用 Facebook 广告以及其他付费社交媒体活动（例如在Twitter或Instagram上的广告），可以触及广泛的受众，并随着时间推移显著增加销售额。但请记住，仅仅花钱在付费社交媒体活动上并不一定能带来收入的增加，因为还有许多其他因素需要考虑。

顾客偏好的变化

理解和预测消费者行为或许是维持竞争优势的最重要方面，尤其是在当今充满活力的餐饮市场中。

酒店业在过去几年经历了许多变化，尽管增强现实等创新带来了新的兴奋和餐饮吸引力，我们相信消费者寻求的远不止一个新噱头。为了为品牌创造长期价值，它们需要理解顾客对体验的期望——以及这些期望如何变化。

餐厅顾客的偏好发生了巨大变化。就在几年前，焦点还集中在餐品的味道、菜单的种类、等待时间和餐厅氛围等方面。如今，严格的健康和卫生措施已经成为顾客关注的重点，如果标准有所松懈，许多顾客都会抱怨。

这些不断变化的顾客偏好也影响着盈利和预测。例如，总体上就餐销售额的下降，以及账单金额的减少已经成为一种新的现实。因此，餐厅除了根据顾客的新偏好来满足他们的需求外，还需要寻找新的方式来增加收入。例如，餐厅可以考虑更改菜单，甚至实施技术手段来帮助遵守社交距离协议（例如，无接触支付选项和二维码菜单）。

偏好取决于情境。顾客看到的是什么？他们和谁一起？他们有多饿？他们在哪里就餐？他们在就餐时还做什么（例如，去附近的商店购物）？这些情境因素在决定一次体验是否值得记住以及顾客是否愿意与他人分享中起着重要作用（因此社交媒体上的互动指标变得至关重要）。

这里的关键要点是，每位顾客根据个人情况有不同的需求，这意味着没有两种体验是完全相同的。在当今竞争激烈的环境中脱颖而出需要创造力和创新：你需要一些竞争对手没有的东西——海量的产品和服务数据。

创建有利可图的菜单（和定价）

餐饮行业经历了许多变故。在新冠疫情之前，行业呈现出不错的增长，但 2020 年行业急剧下滑，许多小型餐厅因此倒闭。各国政府的应对措施起到了转折作用，推动了消费者可支配收入的增加以及疫情后人们更频繁外出就餐的愿望。因此，许多新餐厅在全国范围内开设，并且在技术、设计和食品质量方面出现了创新的爆炸式增长。

为了在这个动荡的环境中获得成功，餐厅必须适应并发展，以保持对当今消费者的相关性。

菜单工程

菜单设计对于餐厅的成功至关重要。一个设计良好的菜单将增加顾客忠诚度，塑造品牌形象，并推动整体收入增长。不幸的是，许多餐厅在菜单设计上面临困难。原因有很多，但其中一个最常见的问题是菜单中往往包含过时的信息。

依赖传统技术的餐厅——无论是纸质菜单、平板设备还是移动应用——都无法跟上今天餐饮行业变化的步伐。为了在竞争日益激烈的市场中有效竞争，餐厅需要新的方式来与顾客沟通，并围绕他们的饮食创造引人入胜的体验。

餐厅不仅需要设计菜单，还需要将菜单工程化，使其既受到消费者喜爱，又能保持高盈利性。菜单工程是打造盈利餐厅菜单最复杂、最具挑战性的策略之一。为了做到这一点，餐厅必须在产品开发和市场营销方面都进行创新。

产品开发的创新至关重要，因为这是跟上变化的消费者需求的唯一途径，同时还要提供多样性并确保顾客满意。随着消费者对健康的关注度提高，他们在饮食中寻求更多天然成分——如果你在菜单中加入这些成分，他们愿意为这些产品支付溢价。这意味着你需要投资开发有潜力成为畅销产品的新菜品。

维护在线评价和社交媒体营销

在线评价和社交媒体已经成为消费者在选择就餐地点时决策过程中不可或缺的一部分。然而，随着在线评价平台和社交媒体渠道的增长，餐厅发现维护在线存在感变得越来越困难。在线评价和社交媒体帖子不再仅仅是为了向消费者提供商家信息；它们已经成为消费者根据自身需求与品牌互动的方式。

在线评论和社交媒体帖子可以成为强有力的工具，帮助餐厅从竞争对手中脱颖而出——但如果处理不当，也可能适得其反。例如，负面评价或不良媒体报道可能损害品牌声誉，导致顾客未来避开该公司。

在线评价平台的出现使得人们比以往任何时候都更容易表达他们对商家的看法，但维持在线存在并非易事——尤其是在竞争激烈、外出就餐选择众多的情况下。

现在我们了解了一些餐厅面临的主要挑战，包括盈利能力、保持在线评价和社交媒体营销，接下来让我们探讨餐厅如何通过分析产品数据来克服这些挑战。

餐厅产品数据分析

餐饮行业是一个高度碎片化的市场，消费者可选择的产品和服务种类繁多。因此，餐厅经营者可能很难理解他们需要的数据，以推动业务中的有意义创新。

本节介绍了几种不同的数据使用方式，作为餐饮行业创新的工具，包括预测菜品成功、预测竞争对手表现、新的客户画像发现等。

预测菜品可能的表现

利用数据推动餐饮创新的一个重要方式是预测菜品在市场中的表现。通过分析餐饮行业整体中菜品的表现，餐厅经营者可以识别哪些菜品可能会受到消费者的青睐。这些信息可以用来为菜单、定价和营销活动做出商业决策。

传统上，餐厅依赖经验做出商业决策。然而，随着数据的增多，餐厅经营者可以利用数据科学洞察顾客可能如何响应菜品。例如，餐厅可能使用 Commerce.AI 自动监控社交媒体上对其菜品的情绪，并相应调整菜单。

在过去几年，我们看到数据科学和人工智能在各种行业中的投资增加。然而，在餐饮行业，这些工具的应用发展相对较慢。其主要原因是很难预测个别消费者如何实时响应新的趋势或创新，并且餐厅收集大量消费者数据的成本高昂且低效。

然而，随着技术的迅速发展，我们现在有能力克服这两个挑战。因此，越来越多的餐厅开始在运营中利用数据科学和人工智能。

预测竞争对手的表现

另一种数据使用方式是查看竞争对手类似产品或服务的历史销售信息。然后可以分析这些信息，确定新食品或饮料产品或更广泛的新产品和服务的最有前景的市场细分。

例如，如果餐厅的竞争对手最近推出了一款看起来卖得很好的新甜点，餐厅也可能会考虑推出类似的甜点。这种方法使餐饮业主能够从竞争对手那里学习，并利用他们认为在行业中尚未开发的机会。

竞争情报是任何企业的重要工具，但对于食品和饮料行业的企业尤其重要。这个领域的竞争格局不断变化，新的竞争者进入市场，现有竞争者则调整产品以保持竞争力。

为了跟上这些变化，餐饮业主需要对竞争对手的动向有深入了解，这样才能在市场中做出明智的决策，确定最佳的市场定位。

基于以往购买记录预测顾客需求

此外，数据还可以用来帮助根据顾客的以往购买记录做出有根据的预测。例如，通过查看人们在何处购买不同类型的葡萄酒或啤酒，可以确定哪些类型的葡萄酒或啤酒在某些市场/地区/行业中最有可能流行（例如，在美国红酒通常比白酒卖得好）。

将这些信息与其他消费者数据（如年龄段和购买模式）结合使用，可以帮助餐厅制定更有针对性的营销活动，直接吸引那些曾经倾向于某些类型产品或品牌的顾客。

从以往购买记录中收集的数据也能提供关于顾客群体在每个市场细分中的动机的洞察（例如，千禧一代更偏好啤酒而非葡萄酒）。通过理解不同顾客群体根据购买决策的不同情境（例如，是为自己购买还是作为礼品的一部分）做出的不同反应，就能创造出更加定制化的促销方案。

新的档案发现

餐饮行业中的许多产品和服务相对较新。例如，许多消费者从未吃过甜酸奶碗，或者他们从未尝试过烤制而非油炸的高蛋白食品。

为了创造有意义的创新，餐饮业主需要能够从多个维度（如食品种类、体验类型和价格区间）理解顾客的行为和偏好，从而找到改进和增长的机会。

数据可以揭示有关光顾餐厅的消费者资料的新见解。例如，数据分析可能发现，嗜甜的顾客比偏好咸味的顾客平均消费更多。这一洞察可供餐厅经营者理解其菜单中哪些菜品或产品表现良好及原因，从而可能促使新的产品开发或服务创新。

最终，数据可以成为餐饮创新的强大工具。从预测食品项目的成功和竞争者表现，到发现新的顾客画像，数据能够提供有意义的竞争优势。接下来，让我们具体看看餐厅如何利用 Commerce.AI 来推动创新。

将 Commerce.AI 应用于餐厅

在前面的章节中，我们已经讨论了如何在各类面向产品的行业中使用 Commerce.AI，包括奢侈品牌在第四章中，创新应用 AI – 奢侈品深度分析，无线网络品牌在第五章中，创新应用 AI – 无线网络深度分析，以及消费电子品牌在第六章中，创新应用 AI – 消费电子深度分析。

正如我们所看到的，Commerce.AI 也可以用于服务行业，包括餐饮业。这是因为服务行业的数据非常丰富，顾客会留下大量的隐性和显性反馈。

事实上，产生的数据量非常庞大，主要以客户反馈的形式出现，以至于人工整理和分析这些数据中的有意义信息几乎不可能。这时，人工智能便发挥了作用，它能够自动发现客户评价中的趋势，并预测未来的情况。

让我们看看 Commerce.AI 在餐饮行业中的五种主要应用方式：

分析餐厅顾客数据
移动调查
根据营销活动评估顾客的情感反应
与顾客保持联系
餐厅趋势分析

最后，我们将通过一个案例研究来了解一家法国比萨连锁店如何使用 Commerce.AI 进行餐饮创新。

分析餐厅顾客数据

作为餐饮技术领域的领先者之一，该平台已经处理了超过 1 万亿个数据点（来自数万个产品和服务），我们亲眼见证了公司如何利用我们的平台获得餐厅业务的洞察。这一经验帮助我们总结出一些最佳实践，指导餐厅在进行商业分析项目时，如何有效利用我们的服务。

分析餐厅客户数据也没什么不同，大多数餐厅都可以从深入分析数据中受益，以更好地了解客户。这对理解你的食品和饮料消费者如何创造可以在业务中利用的价值也很有帮助——无论是管理运营、开发新产品、改善营销活动，还是以上所有内容。但在我们深入探讨如何实现之前，先来看一下大多数餐饮企业在进行业务分析时面临的一些挑战。

当你想到餐厅业务中的数据分析时，你可能会从公司整体的报告开始——例如按单元或班次计算收入——或者从产品改进开始，比如找到每个菜单项目的最佳库存水平（包括位置）。这两者都是分析师或经理时间的绝佳利用方式，因为它们是具有可操作性的洞察，能够立即影响决策。

除非目标是找到现有数据集中元素之间的更多关联，否则这些报告不会为重新定位产品或改变消费行为提供太多洞察。

这是因为它们使用现有的模式，而没有以任何方式挑战这些模式；因此，除了相关性/因果关系之外，很少能找到其他东西，且通过分析将事情放入更有意义的背景中（例如结合所有班次信息）并没有带来任何收获。感觉就像是将更多无关的细节丢进了一个已经复杂的堆积中，没有人理解，但每个人都必须处理。

Commerce.AI 通过结合内部现有数据与大量外部市场数据，并快速总结出简明扼要的洞察，解决了这些问题。

移动调查

基于移动设备的调查已成为了解消费者行为与餐厅产品和服务之间关系的重要工具。

移动调查是了解顾客如何使用你的餐厅，以及他们喜欢和不喜欢餐厅哪些方面的好方法。它们还可以用来了解顾客对你食品质量的感受，是否对他们的体验感到满意，以及是否需要做出任何改变。

在餐饮行业，顾客至上，借助移动调查，你可以深入了解顾客的需求。

在 Commerce.AI 中，移动调查可以快速且轻松地完成。它们是实时了解消费者的绝佳方式，同时也可以用来定期进行健康检查，评估你的食品或服务质量。

这些调查的数据还可以用来为更传统的营销形式提供信息，比如印刷广告、社交媒体帖子和有机搜索引擎优化（SEO）。你甚至可以为特定受众创建定制的调查，通过电子邮件发送，并在顾客光临餐厅时展示给他们。

衡量顾客对营销活动的情绪反馈

营销人员花费大量时间和精力开发并执行各种方案，以增加品牌与客户的互动。他们经常问自己一个问题：这些努力是否值得？

我们可以通过衡量互动、销售提升以及其他指标来判断投资是否值得，但有许多因素会影响客户行为，这使得准确预测活动表现变得具有挑战性。而一个在理解某个活动如何进行中可能非常有帮助的数据来源是情绪分析。

情绪分析利用机器学习算法来识别文本内容是正面、负面还是中性。由于社交媒体帖子通常比传统营销活动更长，它们为我们提供了更多关于客户喜欢或不喜欢我们产品和服务的内容的信息。

这让我们能够快速了解活动的整体情绪，并在投入更多资金之前做出必要的调整。

Commerce.AI 提供强大的情绪分析工具，因为它与流行的第三方服务如Google Analytics和Facebook Insights集成，这两者都是衡量客户与在线业务互动时广泛使用的工具。这些集成功能让你可以使用与营销分析程序相同的数据源来分析客户情绪，这意味着你可以从第一天开始就做出更智能的决策来构建你的业务，而不是在事后根据现有客户的反馈进行调整。

与客户保持联系

社交媒体已成为与客户保持联系的重要渠道。公司通过 Twitter、Facebook、Instagram 等平台与他们的粉丝实时互动，从而了解消费者最关心的内容。这些知识帮助品牌在产品和服务上做出更聪明的决策，增加销售，通过个性化优惠提高客户忠诚度，并在所有渠道上增加互动。

监控关于某个品牌或竞争对手的社交媒体对话是与客户保持联系的好方法。这意味着你可以在其他人之前了解到任何新出现的问题，并在出现问题或需要解决时迅速做出反应。这也是一个在潜在新客户对你的品牌或产品类别表现出兴趣时获得提醒的好方式。

你可能听过“社交媒体投资回报率（ROI）”这个词。这是指衡量社交媒体活动的效益，无论是通过点赞、评论、分享，还是其他在公司社交平台上的互动。作为客户互动的平台，社交媒体使品牌能够倾听客户的声音，并从他们的反馈中学习。

如果你有一个客户服务团队，始终通过社交渠道如 Facebook Live 或 YouTube Chats 回答顾客问题，那么你应该能够追踪有多少人观看直播并与内容互动。当顾客在你的网站或博客文章上留下评论时，可以采用类似的方式进行追踪。通过跟踪评论数据，你可以看到谁在与你的品牌互动，以及他们在谈论你的公司和产品时说了些什么。

这里的关键 takeaway 是，公司可以利用实时数据分析工具，如 Commerce.AI，保持与客户在多个渠道上的连接，从而了解哪些类型的内容最能引起他们的共鸣，以及原因。这使得公司能够创建有针对性的内容营销活动，保持受众的参与度，并最终为业务带来更多收入。

在餐饮行业中发现和预测趋势

作为创新战略的一部分，你应该不断寻找为业务增加价值的新方式。餐饮行业提供了许多创新和增长的机会——但你需要找到这些机会，以便你的团队能够执行它们。

创新团队可以利用 Commerce.AI 来识别餐饮行业的潜在趋势和能够为客户增加价值的创新。

任何好的分析的目标，不仅是发现有趣的趋势，还要基于这些趋势做出预测，推测接下来会发生什么。例如，如果最近周日早午餐的预订数量有所增加，那么这可能是一个合适的时机，让你们餐厅连锁的创新团队发布一款专门面向这些高价值预订的新菜单项。

如果你能在顾客自己意识到之前预测他们的需求，那么你就拥有了竞争优势。这就是为什么创新团队需要依赖数据的原因。他们需要了解客户的需求，以便能够打造和推广符合这些需求的产品或服务。

为了让创新团队创造出能够吸引顾客的产品和服务，他们需要深入了解人们外出就餐时的行为。这需要他们关注餐饮行业的趋势，过去十年里这一行业经历了前所未有的变化。

一个案例研究——一家大型法国比萨连锁如何使用 Commerce.AI

一家领先的法国比萨连锁使用 Commerce.AI 对大量客户反馈进行分析，并评估门店服务和产品质量。这家法国比萨连锁分析了来自 385 家门店的超过 100,000 条客户评论，评估了以下指标：

总体评价情感
店铺排行榜——最佳和最差店铺
主要属性
比较各店铺的属性

让我们深入探讨这些领域。

总体评价情感

餐厅评论在消费者选择用餐地点时，是在线过程中的一个重要环节。实际上，消费者在决定去哪儿吃之前，会花费大量时间研究餐厅。

但这也意味着，商家需要获得关于顾客如何与其内容互动的可靠数据。而在在线评论的世界里，这一点尤其重要，因为普通消费者在做出决定前，通常会查看多个评论，以决定下一步选择哪个餐厅或体验。

好消息是？现在已经有了一个公开的标准，用于衡量各种评论平台上的情绪——它被称为使用 Commerce.AI。传统上，商家在利用客户反馈时，只有两个选择：忽视负面情绪，或迅速而个人化地回应（通常是使用机器人）。

这导致了评论平台上大量的冲突——负面情绪与商家老板的个人回复相伴随，商家感到有必要为自己辩护，抵制不公平的指责。从本质上来说，商家们是在“以火攻火”，而不是利用客户反馈中的数据洞察来改进他们的产品和服务。

通过 Commerce.AI，品牌可以快速且轻松地衡量整体评论情绪。这家法国披萨连锁店能够立即获得整体评论情绪的洞察，随时了解顾客的感受。

商店排行榜

大型餐厅连锁通常拥有数百家门店和数百万顾客，这使得很难在个体层面追踪每家门店的表现。通过应用情绪分析和人工智能技术，对来自社交媒体平台（如 Twitter）的数据进行分析，披萨连锁创新团队能够通过衡量顾客对服务和食品质量的满意度，识别出表现最好的门店，如图 7.1所示：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_7.1_B17967.jpg

图 7.1 – Commerce.AI 中按情绪排名最佳的商店排行榜

同样，这些数据和人工智能分析能够指示出表现最差的门店，如图 7.2所示，从而帮助他们迅速解决需要改进的地方。目标是从领先的门店中学习，并将这些经验应用到其他门店，同时提升表现不佳的门店，改善品牌形象和顾客满意度。毕竟，每一家门店在整个品牌中都扮演着重要角色。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_7.2_B17967.jpg

图 7.2 – Commerce.AI 中按情绪排名最差的商店排行榜

通过这种方法，团队能够识别出哪些门店表现不佳或具有增长机会。然后，他们可以在这些门店进行投资，提供如新的销售点（POS）系统和员工培训等资源，从而帮助提升这些门店的业绩。

使用这种数据驱动的方法还可以让连锁店为自己设定目标。例如，他们可能决定到 2025 年将门店冠军的数量翻倍；如果他们达成这个目标，显然他们在提升门店网络和增加客户忠诚度方面取得了显著进展。

主要属性

理解特定位置的具体属性以及如何改进它们是许多公司追求的“圣杯”。如果使用得当，数据可以成为在竞争中获得优势的强大工具。

使用人工智能来衡量门店属性，如价格、产品质量或客户服务，可以让零售商和餐饮业在竞争中获得优势。

然而，这需要从多个渠道收集大量数据。披萨连锁使用 Commerce.AI 分析其数百个门店和成千上万条客户评价的数据，衡量并分析每个门店的具体属性，突出改进领域，采用从基层创新的方式，如图 7.3所示：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_7.3_B17967.jpg

](https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_7.3_B17967.jpg)

图 7.3 – 在 Commerce.AI 中分析门店属性

在这个案例分析中，大部分属性为法语，因为我们正在分析来自法国的数据。我们可以看到，积极的属性提到如价格、数量和送餐员的专业性等，而负面属性则提到订单延迟和缺失物品等问题。

按属性比较门店

披萨连锁分析的 385 个门店每个都有独特的属性档案，属性如价格、质量、专业性和清洁度等的情绪各不相同。通过使用 Commerce.AI 数据引擎，我们能够比较各门店之间的这些属性，以便为任何给定的门店找到具体的改进领域，如图 7.4所示：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_7.4_B17967.jpg

](https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_7.4_B17967.jpg)

图 7.4 – 比较多个门店的多个属性

比如，我们可以看到Store 31754对法语单词retard（延迟）有特别强烈的讨论，这表明需要采取措施使该门店的流程更加高效。

凭借数据和人工智能的强大力量，披萨连锁能够获得无与伦比的见解，了解他们门店以及竞争对手门店的情绪，并发现满足消费者需求和欲望的机会。

从高层次来看，这些洞察可以汇总为数据驱动的报告，为创新团队提供快速的数据概览，帮助他们理解消费者的内心。在图 7.5中，举个例子，我们可以看到一个披萨连锁店的数据仪表板的模型图，数据将由所选品牌和门店填充。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_7.5_B17967.jpg

图 7.5 – Commerce.AI 的高层消费者洞察仪表板模型图

我们可以看到来自数千条评论的数据简要汇总，比如员工还可以，但配送非常棒，突显了改进团队和营销其出色配送流程的机会。

总之，Commerce.AI 是一个多功能的工具，餐厅可以利用它分析客户数据、部署调查、衡量客户情绪、分析趋势等等。通过实施这些 AI 应用案例，餐厅能够领先于那些仍然依赖传统分析方法（甚至更糟的是，根本没有进行分析）的竞争对手。

总结

在本章中，我们探讨了数据如何成为餐饮创新团队的关键工具。利用数据来指导餐厅战略是成功应对这个不断变化的行业的重要组成部分。适时获取正确的数据，能够帮助你节省大量的试错时间，做出更聪明的决策，甚至有助于确定要销售的食物和饮品或提供的服务。

人工智能不仅仅是自动化重复任务；它还提供了人类无法单独想出的洞察。这些工具非常适合餐厅老板面临的独特挑战，从管理多个地点的库存，到理解消费者在 Instagram 等社交媒体平台上的行为。

随着消费者通过数字渠道——如 Instagram 或Pinterest——以新的方式与食物互动，餐厅有机会直接通过他们感兴趣或足够吸引他们分享给朋友的优惠或内容接触到他们。

在下一章中，我们将进行一次行业深度分析，探讨消费品企业如何运用数据和人工智能进行创新。像餐饮业一样，消费品企业也面临着激烈的竞争，他们可以通过数据和人工智能克服关键挑战。

第八章：第八章：应用 AI 进行创新——消费品深度解析

消费品行业是全球经济的重要组成部分，仅在美国，它的市值就超过了 6350 亿美元——这一数字随着消费者财富的增加以及对产品和信息的更大获取而不断增长。

自 2008 年全球金融危机以来，消费品行业经历了许多逆风。购物、旅行和休闲这三大行业都面临压力。越来越少的人外出就餐或去商场，而更多的人选择待在家里看电视。

与此同时，电子商务蓬勃发展，甚至由于疫情迅速超越了实体店销售。随着消费者越来越习惯于通过数字平台购物，电子商务的增长势头将继续不减。

因此，未能适应变化的消费品公司面临失去客户的风险，因为消费者正在寻求新的方式快速、轻松地在线购买自己喜爱的产品。

在本章中，我们将探讨消费品公司如何利用数据和人工智能（AI）进行创新，并适应这些变化趋势，从而使其在竞争中保持领先。

在本章中，我们将涵盖以下主题：

了解消费品品牌面临的挑战
分析消费品品牌的产品数据
使用Commerce.AI为消费品品牌提供支持

技术要求

您可以从本书的 GitHub 仓库下载本章的最新代码示例：

github.com/PacktPublishing/AI-Powered-Commerce/tree/main/Chapter08

了解消费品品牌面临的挑战

近年来，消费品行业受到来自不断上涨的投入成本、消费者习惯变化、新技术以及其他不可控因素（例如供应链不确定性）等方面的巨大压力。

行业内的公司必须在日益复杂的监管环境中运营，同时还要应对来自在线竞争者的激烈挑战，包括亚马逊和Flipkart等电子商务平台。在当今零售行业的快速发展中，任何零售商都不能自满或冒着落后的风险。

结果，许多小品牌由于面临多方面的挑战，包括以下几点，纷纷申请破产保护或股价跌至谷底：

竞争性消费品
消费品市场情报
库存管理
创建正确的产品组合
大规模创建消费品内容
消费品评论分析

让我们详细探讨这些挑战，这将有助于理解为何需要使用数据和人工智能以保持资金流动性，最终实现成功。

竞争性消费品

该行业的公司正在相互竞争，以在这个拥挤的市场中争夺市场份额，每年都有数百种新产品发布。这些公司还面临着越来越激烈的竞争环境，更多的玩家进入了消费品领域，消费者对购买的产品变得越来越挑剔和要求更高。

该行业公司面临的主要挑战之一是，它们必须不断创新，以便在竞争对手中脱颖而出，为客户提供更好的体验。创新对于这些公司保持在不断变化的环境中具有相关性至关重要，并确保它们能够持续吸引并留住客户。

创新是一个广泛的术语，对不同的人来说可能意味着不同的事情。对于一些人来说，创新可能仅仅意味着创造一款新产品或服务，而其他人则可能将创新视为流程改进或组织转型。不论使用何种定义，所有成功的消费品公司都在不断寻找改进其产品的方法，以保持领先地位并满足客户需求。

消费品市场情报

市场情报是消费品行业成功产品创新的关键组成部分。了解如何创建和利用洞察力对于创造满足消费者需求的产品至关重要，这也是指导公司未来长期战略决策的重要工具。

那么，什么是市场情报呢？你如何利用它帮助你的组织创造以客户为中心的、具有推动增长潜力的产品呢？市场情报是一个广泛的术语，描述了可以用来了解客户的各种不同信息来源。

它包括来自传统市场研究方法的数据，例如焦点小组和调查，以及更具创意的方法，例如社交媒体监控。任何市场情报计划的一个重要方面是确保它定期更新——否则，你就有可能落后于行业变化和发展步伐。

了解当前和潜在客户对于创造以客户为中心的产品至关重要，这样才能满足他们的需求。虽然消费品公司长期以来一直依赖数据来指导产品开发决策，但许多公司仍然在进行有效市场情报计划时面临挑战。

库存管理

库存管理是当今消费品公司面临的最紧迫问题之一。随着电子商务的发展，消费者可以随时随地订购产品。这导致了在线零售销售的繁荣，但也对传统的实体店构成了挑战，因为它们必须与按需购物选项竞争。

库存管理已成为零售商店的重要竞争因素。公司有效管理库存的能力，决定了它是否能够独立成功、成为收购目标或走向失败。因此，许多公司现在都投入了大量资源，确保他们拥有最佳的库存管理系统。

消费品行业也不例外，管理库存面临着更多的挑战。以下是一些相关因素：

产品过时
快速变化的消费者偏好
短生命周期的产品

让我们简要探讨一下这些因素如何为库存管理带来挑战：

产品过时：这个问题显而易见，但仍值得注意。你现在购买的产品可能在明年就过时——如果有新的创新出现，甚至可能在一个季度内就让你的产品过时。如果产品比预期更早过时，比如因为消费者兴趣的转变，那么你将面临过剩的库存。
快速变化的消费者偏好：如今人们的注意力持续时间很短，偏好即时满足而非延迟满足。因此，客户今天想要的东西，明天可能就不再需要，尤其是当新的创新层出不穷，并从情感层面吸引他们时。
短生命周期的产品：如今，在许多情况下，消费者看到一个产品仅仅几个月后就转向下一个产品——这意味着零售商需要不断更新他们的产品，否则将面临失去销售的风险。这使得库存管理变得更加重要。

创建正确的产品组合

产品组合在消费品行业是一个热门话题。几年前，分析师和投资者热衷于通过收购互补品牌或进入新市场来增加产品组合。而现在，随着新兴消费者消费习惯的变化，产品组合的关注点已经从简单的收购互补品牌转向了创造新品牌。

当公司寻找创造价值的新途径时，他们正在考虑的一种方式是通过产品创新的视角来审视他们的品牌组合。这里的理念是，如果他们能够创造出更加独特的产品，并且在设计或功能等方面与竞争对手的产品区分开来，那么他们可以通过吸引更多的客户来扩展业务。

这种方法也带来了一些实际的好处；通过在多个品牌之间创造更多差异化的产品，企业可以利用其所有品牌的规模和分销能力，通过推动销售增长或提高单次销售的利润，来为股东创造更高的投资回报。这是有道理的，因为你不仅在扩展业务，同时也在创造财务价值。

合理推测，如果一家公司推出更多独特且与竞争对手产品有所区别的产品，那么它将吸引更多客户。这就是为什么我们认为围绕产品创新的思维转变可能会导致对消费品公司投资的增加，随着时间的推移。

大规模创建消费品内容

产品页面是任何品牌接触客户并讲述其故事的重要平台。消费者在这里可以更好地了解品牌的立场以及如何使用产品。

为了推动转化率并增加销售，品牌需要比几年前投入更多的时间和精力来创建吸引人的产品页面。然而，由于时间限制和资源有限，创建高质量内容可能是困难的。

在接下来的部分，分析消费品品牌的产品数据，我们将讨论公司如何利用数据科学工具，如机器学习，来创建有效的产品页面，帮助它们在网上赢得客户——最终在各个领域提高销售量。

消费品评论分析

产品评论是许多公司最受欢迎和广泛的用户生成数据来源之一。大多数消费者的购买决策都受到产品评论的影响。

产品评论也是消费品制造商的重要竞争情报来源——它们可以了解消费者最喜欢哪些产品，以及消费者最看重哪些特性和功能。

企业利用这些信息来指导其产品开发和市场策略。例如，如果一家公司推出一款使用植物性活性成分的新型除臭剂，它们很可能会查看其他品牌除臭剂的现有客户评论，以获取有关消费者如何看待这项新技术的见解。

为了从这些评论中获得可操作的见解，企业传统上依赖手动方法或支付第三方来帮助处理评论过程。然而，现在市场上已有多种工具，旨在自动化分析在线产品评论数据的部分或全部方面。

传统上，自动化的情感分析侧重于识别产品评论中的负面语言（例如，使用委婉语代替无聊这个词）。这种方法生成一个意见评分，表示评论者对某个产品的看法是积极的还是消极的。

这种方法的问题在于，它忽略了评论者语言中的许多微妙差异，这可能导致在不同的行业或评论平台上应用时产生偏差的结果。

此外，评论者使用的某些术语是否作为赞美或批评并不总是很清楚（例如，这真是太棒了）。因此，需要更为细致的处理方式！减少自动化情感分析中的偏差需要多样化的训练数据集，这些数据集应涵盖来自多个行业和评论平台的示例——但是，我们在哪里可以找到如此多样化的数据集呢？机器学习是答案，接下来我们将探讨如何使用它。

既然我们了解了一些消费品品牌面临的主要挑战，让我们来探索如何分析产品数据，以克服这些挑战并抢占先机。

分析消费品品牌的产品数据

在当今消费品创新中存在的一个“大象问题”就是数据——今天有大量的客户数据可供使用。那么，为什么不是所有消费品公司都在利用这些数据来开发更好的产品呢？原来，由于涉及的复杂性以及公司内部资源的匮乏，许多公司不知道从哪里开始进行产品创新。

以下是消费品品牌可以利用产品数据的几种主要方式：

消费品内容生成
分析消费品评论
交货期分析
需求预测
维护充足的现金流
分析折扣的影响
识别季节性趋势
社交媒体分析

我们将在接下来的部分中深入探讨这些方法。

消费品内容生成

创建清晰简洁的产品文案是成功产品的关键。毕竟，消费者有数百万种产品可供选择，但只有有限的时间和注意力。如此庞大的产品数量是双刃剑——这意味着产品团队必须花时间在多个市场编写文案，并根据新特性和产品迭代不断进行更新。

所有这些都占用了产品创新的时间，但好消息是，这些可以通过人工智能实现自动化。特别是，我们可以创建一个由自然语言处理（NLP）算法驱动的产品文案生成器，使用 GPT-J 模型。

GPT-J是一个大型语言模型，或是一个机器学习模型，经过大量文本数据的训练，由Eleuther AI团队发布。我们将如下演示：

首先，安装 GPT-J 并导入所需的库：
```
!pip install gptj 
from GPTJ.Basic_api import SimpleCompletion 
```
由于这些大型语言模型采用预训练方式，模型已经在大量文本数据上进行了训练，我们只需要少量数据来微调模型以适应特定任务。
接下来，我们通过提供prompt来定义这个任务，其中包括从产品名称和特性生成的产品描述示例：
```
prompt variable, we can guide the model to act as a product copy generator.
```
此外，我们还需要传递一些参数，主要包括temperature（或随机性）、max_length（或模型的最大输出长度）和product（或用户输入的内容，例如SlimWallet）：
```
temperature = 0.4 
top_probability = 1.0 
max_length = 5 
product = "SlimWallet" 
```
最后，我们现在可以将 prompt 变量和参数传递给模型以生成推荐。我们还会获取生成文本的第一行，以防模型过度生成：
```
query = SimpleCompletion(prompt, length=max_length,  t=temperature, top=top_probability) 
Query = query.simple_completion() 
lines = Query.splitlines() 
results = [] 
```
通过这样做，给模型提供一个包含三大特性的钱包输入，将生成类似于 SlimWallet 是最时尚的、薄和 耐用的你见过的最好的钱包 的产品文案。

还有其他方式可以尝试相同的概念，甚至不使用任何代码，例如对于 SlimWallet 项目，AI21 Studio 推荐 SlimWallet 以比传统皮革钱包薄 5 倍的形态容纳 15 张卡片。

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_8.1_B17967.jpg

图 8.1 – 用于产品描述生成的 AI21 Studio 画布

与 GPT-J 一样，我们需要提供一些设置，这些设置在 AI21 Studio 中通过配置面板完成，如下所示：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_8.2_B17967.jpg

图 8.2 – AI21 Studio 配置面板

这些设置（如 图 8.2 所示）几乎是相同的，包含最大完成长度、温度和停止序列。

分析消费品评论

亚马逊的产品评价多达数亿条 (nijianmo.github.io/amazon/index.html)，这使得任何产品团队都不可能手动阅读和分析评论以大规模提取见解。

幸运的是，我们可以再次使用大型语言模型，并自动从评论中提取见解。让我们看看如何从产品评价中提取用户期望的特性。正如我们在 消费品内容生成 部分所探讨的，我们可以为预训练语言模型提供一个提示，引导它们朝着特定的使用案例发展。

在 图 8.3 中，我们向 AI21 Studio 提供了一个提示，提取 需要改进的领域 来自产品评价：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_8.3_B17967.jpg

图 8.3 – 用于产品评价分析的 AI21 Studio 画布

现在，我们可以向模型提供任何产品评价，它将提取出需要改进的领域，比如 电池续航。然后，我们可以快速浏览数百或数千条产品评价，并统计每个项目的出现频率，以此来确定优先级。例如，也许 50 条评论要求更好的电池续航，而只有 15 条评论要求防水，这将帮助产品团队在下一轮产品迭代中优先考虑电池续航。

这个过程可以扩展到任何数量的产品和评论，实现大规模的即时见解。

就像我们通过编程生成产品描述一样，我们可以使用这个新的prompt变量（见图 8.3）通过编程从产品评论中提取改进的领域。一个例子可以在本章的 GitHub 仓库中找到，具体内容请参见技术要求部分。

交货期分析

了解产品的生产或制造所需时间，可以揭示其质量和生产过程。过长的交货期可能表明规划、生产能力或材料短缺存在问题，而较短的交货期则可能表明供应链更高效，且制造商的规划更好。

举个例子，如果你发现电池生产需要 3 天，而你的竞争对手需要 2 周，那么你就拥有了竞争优势，因为他们没有充分利用他们的生产能力。

需求预测

对于生产消费品的公司（如食品和服装），保持足够的库存是非常重要的，这样当消费者前来寻找时，他们总能找到准备好的产品。

然而，这需要相对于任何时刻的需求来说，拥有大量的库存，这意味着能够准确预测需求是至关重要的，以便在控制成本的同时，仍能保持足够的库存。

人工智能是一种强大的预测工具，因为它可以通过大量的历史数据进行训练，并自动找出影响需求的模式。

维持足够的现金流

在销售量较低的时期，保持足够的现金流有助于确保企业内有足够的流动资金，避免需要外部融资。如果企业负债过多，当收入因客户消费模式的变化（例如，消费者购买鞋子的数量少于预期）而突然下降时，可能会带来问题。

另一方面，在销售较慢的时期，现金流过少可能意味着需要推迟投资或购买，这些都是未来增长所必需的，直到经济条件好转；如果这些投资能提前开始，可能就会错失市场机会。

就像人工智能可以用于准确的需求预测一样，基于历史现金流数据，消费品品牌可以预测现金流并据此做出调整。更好的库存管理也发挥着作用，因为库存过剩和缺货都会对现金流产生负面影响。

分析折扣的影响

在许多消费品行业中，消费者通常可以通过零售商提供的促销活动获得全年深度折扣。折扣还可以用来吸引新客户，这些客户在成为该零售商的常客之前，可能并不清楚这些优惠。

折扣直接影响销售类似产品的公司的毛利率和净利率，因为它们有效地降低了价格。因此，虽然折扣通过增加销量在短期内有助于提升销售，但公司不应依赖于折扣进行长期规划，因为折扣最终往往会失效。

借助人工智能，消费品品牌可以预测任何特定产品或产品系列的折扣对现在和未来的影响。

识别季节性趋势

季节性波动在大多数行业以及这些行业中的特定领域中都非常常见。在某些情况下，这些波动源自于对假期或其他事件（如可能吸引大量人群的体育赛事）的文化偏好。

将当前的销售数据与往年数据进行比较，可以帮助公司了解哪些时期表现最好。这些信息可以用来帮助确定未来几个月的预期是否有可能达到或超越以往的预期。

社交媒体分析

社交媒体平台为企业提供了多种与目标受众互动的方式——其中包括企业通过员工或远程工作但仍与粉丝在线互动的承包商发布帖子来分发产品信息（例如，通过Twitter发布关于新产品添加到产品目录的帖子）。

员工和粉丝之间的这种互动为品牌提供了与目标受众互动的另一个机会，即使品牌没有亲自出席——社交媒体平台让那些有效利用它们的公司变得更加容易。

此外，消费者不断在社交媒体上谈论产品和品牌。借助人工智能，品牌可以更有效地进行社交聆听，并能够实时、大规模地分析来自社交媒体的消费者情绪和愿望清单。

现在我们已经理解了如何在不同的环境中分析产品数据，让我们更深入地探讨如何为消费品品牌使用 Commerce.AI。

使用 Commerce.AI 为消费品品牌

如今我们所知道的，消费品品牌面临的挑战比以往更加严峻，而解决这些挑战的方法就在于数据。然而，单纯依赖数据还不够，消费品品牌需要找到将数据转化为可执行见解的方法。

让我们探索一下 Commerce.AI 如何通过从数据中获得价值来为消费品品牌提供帮助的五种主要方式：

测量产品属性和趋势
预测收入机会
分析用户画像和客户细分
分析客户旅程
生成消费品产品创意

让我们在接下来的章节中探讨每一个细节。

测量产品属性和趋势

产品创新是推动消费品业务增长的最佳方式。然而，许多经理在理解他们的产品与众不同且更具优势的地方上遇到困难，这可能导致错失机会。

造成这种情况的原因是复杂的，但其中包括测量复杂性、可供分析的有限数据集、缺乏理解模式所需的领域专业知识，以及缺乏可以跨多个产品线应用的可靠指标。这些挑战使得公司很难有效开发新产品和服务。

让我们集中关注 Commerce.AI 的一个特定维度——与产品属性相关的情感分析——通过消费品创新的视角。我们研究中的一个有趣发现是，诸如口味或品牌期望等属性在塑造消费品品牌的购买行为中扮演着重要角色。

例如，消费者购买Prada的原因之一是，他们期望看到更高的价格标签和有趣的设计美学，而不是在百货商店的折扣架上购买包包时所期望的标准山寨体验。

同样，Starbucks之所以如此成功的原因不仅仅在于其专注于高端咖啡，还在于其客户期望它通过烘焙技术创造出有趣的新口味，而不是一再翻新旧有的经典口味。相同的逻辑也适用于技术公司与商品供应商的对比——这里发生着一些有趣的事情，值得进一步研究。

当你去除所有噪音后，产品数据中出现了两种有意义的信号：

关于消费品公司（CPG）与其竞争对手之间的潜在质量和感知价值创造的信号
关于客户支付特定价格的可能性的信号

换句话说，购买意图在产品属性和导致更高价格点的属性之间相互传播，例如服务水平或技术特性。简而言之，AI 在这个背景下通过增强传统市场监控能力，提供了真正的潜力。

图 8.4 通过模拟图展示了 Commerce.AI 如何衡量产品属性和趋势，并填充相关品牌和产品数据：

![图 8.4 – 一个用于衡量产品属性和趋势的 Commerce.AI 模拟图]

](https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_8.4_B17967.jpg)

图 8.4 – 一个用于衡量产品属性和趋势的 Commerce.AI 模拟图

虽然了解产品属性和趋势非常重要，但收入无疑是需要考虑的关键指标。让我们更仔细地看一下衡量收入机会的方法。

预测收入机会

产品创新的艺术与科学一直是关于找到新的方法来满足客户的需求与欲望，同时实现收入增长。颠覆性创新往往通过从疲软或被打乱的现有企业手中夺取市场份额而获得成功。这种颠覆要求具备根据收入机会识别机会的能力。

这有助于发现新的增长驱动因素，揭示那些回顾时看不出的商业模式，帮助你在不确定的领域优先投资，并在竞争者进入未测试的领域时提供早期警告（如果你不及时反应并提供更优的产品，可能会面临行业颠覆的风险）。

借助人工智能这一赋能技术，现在无论大小组织都能轻松获得这种竞争优势；不需要雇佣昂贵的顾问或在研发实验室上投入大量资金；也无需事先具备手动挖掘大量数据的经验；同时还能获得未来路径的即时可视化，并获取有价值的见解，帮助你发现他人犯错的地方（或做对的地方）。

图 8.5 展示了 Commerce.AI 的原型，用于衡量收入机会，其中包括一个置信度评分，用于指示预测的准确性：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_8.5_B17967.jpg

图 8.5 – Commerce.AI 用于衡量收入机会的原型

一旦收入机会被理解，就该更好地理解该市场中的用户画像和客户细分了。

分析用户画像和客户细分

细分是产品与市场契合度的一个关键方面，是创业者和产品经理无法忽视的因素。

话虽如此，知道何时进行用户（或潜在用户）细分，并围绕他们构建功能是很棘手的。关键在于找到合适的平衡，这需要了解你的用户画像以及客户细分。

那么，在进行客户细分之前，你需要了解什么？围绕用户画像构建功能的最佳方法是什么？又能避免哪些陷阱？继续阅读，了解如何让这个看似复杂的过程变得更简单。

本质上，用户画像是一个简单的共情练习。你只需要理解到底是谁在使用你的产品，他们希望通过产品达成什么目标。通过这样做，你将能够构建与现有用户需求契合的功能——或者至少是构建功能的概念，而不是去寻找可能尚未存在的新用户。

图 8.6 展示了 Commerce.AI 的原型，用于衡量用户画像和细分，它填充了相关的消费者数据：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_8.6_B17967.jpg

图 8.6 – Commerce.AI 用于分析用户画像和细分的原型

理解用户角色和细分市场是深入了解市场的关键部分，但我们还需要通过分析客户旅程将其提升到一个新的层次。

分析客户旅程

客户旅程是客户从第一次了解你的产品到成为活跃用户的全过程。了解这一旅程以及如何影响它，对于推动创新、增加用户参与度并减少流失至关重要。

传统的分析方法侧重于衡量关键指标的变化，如收入、用户参与度或客户获取成本（CAC）。虽然这些是有用的跟踪指标，但它们往往无法讲述完整的故事。尤其是，CAC 未能考虑到拥有活跃用户（即那些每天保持活跃的用户）的长期价值。

这就是我们需要通过新方式来看待客户行为的原因。利用 AI 可以帮助我们识别模式并进行推断，这些推断对于任何人类分析师来说都太复杂或成本过高。然后，我们可以利用这些洞察来指导我们的战略，并改善我们的产品设计和开发流程。

图 8.7展示了 Commerce.AI 用于衡量客户旅程的模型：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_8.7_B17967.jpg

图 8.7 – 一个 Commerce.AI 的客户旅程分析模型

一旦我们对市场及其潜在客户有了深入的理解，接下来就该提出产品创意了。

生成消费品产品创意

在第六章，应用 AI 推动创新——消费电子产品深入分析中，我们使用大型语言模型与 Commerce.AI 一起生成消费电子产品创意。在这里，我们可以使用相同的技术来生成消费品产品创意，从而帮助产品团队加快头脑风暴的过程。

通过这种方法，我们已经能够轻松地生成数千个独特的产品创意。例如，在图 8.8中，我们可以看到围绕健康零食生成的三个产品创意：

https://github.com/OpenDocCN/freelearn-dl-pt7-zh/raw/master/docs/ai-pwrd-cmm/img/Figure_8.8_B17967.jpg

图 8.8 – 基于 AI 生成的健康零食产品创意

正如我们所见，Commerce.AI 可以用来衡量产品属性和趋势、预测收入机会、分析客户数据以及生成产品创意。这是一个强大的工具，可以加快产品开发周期，这对于领先竞争对手并抢占市场先机至关重要。

总结

在本章中，我们了解了消费品品牌面临的关键挑战，并通过分析产品数据和使用 Commerce.AI 数据引擎克服这些挑战的方法。

数据可以用来克服消费品领域中的重大挑战，这也是许多领先品牌和产品团队在 AI 领域进行投资以获取竞争优势的原因。

特别是，我们已经学会了如何利用 AI 执行一些任务，比如消费品内容生成、分析消费品评论和需求预测。我们还研究了消费品产品团队如何使用 Commerce.AI 来衡量产品属性和趋势、预测收入机会、分析用户画像等。通过这些方式，消费品品牌可以更好地进行创新，并推出成功的产品。

在下一章中，我们将详细探讨如何使用 Commerce.AI 的 Product AI 来进行产品概念和开发、产品发布以及产品管理。这些见解对于任何产品公司都非常有用。