从宏观和微观层面衡量AI在零售业的投资回报率

探索人工智能的商业案例类型

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

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

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

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

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

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

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

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

说回零售业

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

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

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

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

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

底线

总的来说，如果你太狭隘地看待人工智能用例的投资回报率，那么你有可能会错过很多价值。特别是在零售业中，这将限制了人工智能的各种可能性，最终让风险因素限制了你的优势。

但无论如何，因为AI实际上只是一种高级分析形式，给我们带来成本最低的预测，但分析ROI的规则仍然适用：如何让这些信息改变我的行为?如果它不可行，那就没有价值。