消費者品牌和零售商通常很難充分理解不斷變化的客戶需求。這就是為什么您通常在自己喜歡的時裝商店中找到XL尺寸而沒有M尺寸的原因。這就是為什么您必須花費數小時尋找在Instagram上看到的樣式卻仍然找不到的原因。這就是為什么僅在美國，時尚零售商的庫存滯銷成本估計就高達500億美元。這就是美國2014年產生1600萬噸紡織廢料的部分原因。

這并不是因為行業中沒有任何意圖或努力;相反，很難大規模地了解消費者。鑒于消費者的喜好多樣且不斷變化，使用年齡，性別和收入的廣泛定義來表征消費者是無效的，并且零售商現在需要關注更精細的細分市場，甚至包括單個人群。越來越多的消費者在驅動趨勢，而不是由商家來定義趨勢，這與市場上更多的試驗和破壞并駕齊驅。

為了在這樣一個動態的環境中創建和銷售“下一件大事”，設計師，購買者和銷售商必須運用自己的創造力，而且還必須以前所未有的粒度考慮消費者的喜好如何變化以及不同的設計，銷售和營銷選擇將如何執行。這就是AI和自動化進來的地方。

例如，考慮一個時裝零售買家。她負責在任何給定季節選擇商品的財務成功，但是她無法預測目標季節之前12個月的任何設計效果，也無法確定在季節內應用的最佳促銷措施。這是因為她幾乎看不到隨著時間的推移，整個商店的消費者喜好如何變化以及競爭產品在市場上的表現如何。

想象一下一個由AI驅動的系統，該系統可以分析數百萬在線客戶評論的自然語言文字以及市場上所有產品的圖像，以總結特定位置的客戶情緒與產品功能之間的關鍵關系。例如，堪薩斯城和布法羅的客戶對色塊套頭衫的反應如何，以及哪些屬性是她的色塊套頭衫與競爭色塊套頭衫相比客戶情緒低落的可能原因。有關她的有價商品和新計劃產品的此類信息將幫助她極大地改善其分類，定價和減價以及營銷計劃。

計算了三個不同品牌在外觀上相似的花卉上衣的市場情緒。儀表板顯示了該國不同地區的消費者對此類產品的偏愛，并在不同的商店推薦了庫存干預措施。

同樣，考慮酸奶品牌的銷售經理。借助可以分析全國各地跨品牌食品銷售以對公司生產的菠菜朝鮮薊味酸奶的需求進行高質量預測的系統，銷售經理可以與零售商協商產品介紹和貨架圖。由于缺乏這種能力，今天大多數此類談判都失敗了。

實際上，IBM最近對1900多個零售和消費產品領導者的研究表明，智能自動化在零售和消費產品行業的采用預計將在3年內從如今的40%激增至80%以上。

我們位于印度的IBM Research團隊與IBM MetroPulse團隊合作，將這種先進的，由AI驅動的功能帶入MetroPulse，MetroPulse是一個行業平臺，將大量的市場，外部和客戶數據集整合在一起。新功能使用AI和自動化功能，將這些結構化和非結構化數據集圍繞語義，視覺和位置上下文進行融合，并發現有關隱藏在此融合數據中的客戶偏好的細粒度見解。這些見解將幫助消費者品牌和零售商在產品設計，庫存計劃，需求預測和產品分類方面做出更明智的選擇，以適應動態的消費者偏好。

該平臺分為三層，每一層都具有深厚的行業內容：

數據層，包括

市場數據包含最新信息，特定位置的消費者偏好信號，產品格局和品牌/零售商行為。我們策劃的一些數據集示例包括在線客戶評論和評論，銷售點數據和產品圖片。對這些大數據集的分析可以為公司提供有關城市或社區級別的消費者喜好在品牌，零售商，文化和地區之間如何變化的線索。

超本地第三方數據不斷更新，外部因素會影響鄰域級別的信號，這些因素會影響消費者的行為，例如人口統計，天氣預報和歷史記錄，本地事件和訪客。

私有企業數據，包含有關零售商自己的商店，產品，商品，促銷和銷售歷史的信息。這些數據經過高度安全性和隱私保證。

整合多個數據集對于正確地實現需求感知和預測至關重要，正如《2018年供應鏈管理：在客戶服務中》，零售系統研究，2018年12月所述，其中60%至70%的受訪者認為“很多價值”從考慮情緒，貿易區域數據和過去促銷等新數據到需求預測。

知識層，包括

零售行業特定的數字詞匯表–知識圖，以實體，屬性和關系的形式捕獲行業信息。該層允許AI系統以標準且有意義的方式解釋和分析數據層中的數據，最終為最終用戶生成見解。例如，考慮捕獲各種時尚術語及其之間關系的時尚分類法（例如，“ peplum”是“ top”的類型），或者捕獲各種食品類型，成分，風味和類型層次的雜貨店本體。

行業情報層，包括

各種AI算法和模型可以識別和理解隱藏在數據中的信號，并通過儀表板和API以有意義和標準化的方式將其轉化為見解和建議。這些見解和建議可幫助業務領導者，產品設計師，銷售商和其他企業用戶了解和優化其目標消費者群的行為和偏好。面向購物者的個性化和認知幫助解決方案也可以使用這些API，以增強銷售點上的消費者參與度。這些算法利用多模式AI，可解釋的AI和預測中的最新AI技術，并對其進行調整以了解特定于行業的知識和概念。

多模式AI將視覺感知和自然語言處理結合在一起，以從多種數據模式中提取見解。例如，它可以識別圖像中的時尚對象，并將它們與隨附評論中的客戶意見表達聯系起來;或語義相似性模型，該模型理解蘋果汁對消費者而言，蘋果汁與檸檬汁比與蘋果更相似，但在口味和成分方面與蘋果汁接近。

可解釋的AI解釋了為什么模型為給定的輸入生成特定的輸出。隨著AI模型變得越來越復雜，非數據科學家幾乎無法理解他們的行為，這使他們難以依賴模型的預測。導覽技術帶來了可解釋性，并幫助最終用戶理解“為什么”。例如，了解市場上夏季裝扮不同設計方面的情緒，并解釋當地因素（人口統計學，天氣）和銷售因素（價格，庫存，促銷）對美國各州情緒變化的貢獻。