探索新零售时代背后的技术变革

随着线下场景布局的不断发展，以及线上技术的持续推进，一个真正属于新零售的时代已经来临。

走完了广州、成都、北京、深圳等四大城市后，个推技术沙龙TechDay于上海完美收官。来自京东到家、个推、亿咖通、Pinlan的技术大咖们，在上海站的现场，为大家解析并展示了新零售时代下的新技术。

《大数据时代，用户画像实践与应用》

叶政君 个推大数据分析师

用户画像，即用户信息的标签化，本质上来说，用户画像是数据的标签化。常见的用户画像体系有三种：结构化体系、非结构化体系和半结构化体系。非结构化体系没有明显的层级，较为独立。半结构化层次有一定的层级概念，但是没有过于严格的依赖关系。在电商行业中，较多的企业会选择半结构化的用户画像体系进行应用。以一个简单的三级结构化标签为例，一级标签有基本属性和兴趣偏好，并且由此可以延伸至二级标签和三级标签，具体到哪些属性、兴趣。

在画像建设方面，开发者们可以参考一些通用的做法，如标签体系设计、基础数据收集和多数据源数据融合、实现用户统一标识、构建用户画像特征层、画像标签规则+算法建模、对所有用户进行算法打标签和画像质量监控等。

个推用户画像构建的整体流程，可以分为三个部分，第一，基础数据处理。基础数据包括设备信息、线上APP偏好数据和线下场景数据。第二，画像中间数据处理。处理结果包括线上APP偏好特征和线下场景特征等。第三，画像信息表。表中应有四种信息：设备基础属性、用户基础画像、用户兴趣画像和用户其它画像。同时，用户画像的构建需要技术和业务人员的共同参与，避免形式化的用户画像。

在进行用户画像构建的过程中，个推主要运用到的技术有数据存储、实时计算、机器学习和深度学习。

而用户画像的应用则包括：精准营销、用户分析、数据挖掘、服务产品、行业报告以及用户研究。

针对新零售时代下，APP的运营者对于用户画像的需求，个推依托多年推送服务的积累和强大的大数据能力，推出了用户画像产品“个像”，为APP开发者提供丰富的用户画像数据以及实时的场景识别能力。

同时，个推独有的冷、热、温数据标签，也可以有效分析用户的线上线下行为，挖掘用户特征，助力APP运营者筛选目标人群。同时，个推还可以为APP提供定制化标签，满足APP运营者在用户数字化管理方面的需求。

在实践中，定制化标签的整合也有一定的难度，个推会结合双方的数据，对其进行建模分析，输出定制化标签。总的来说，个推不仅有通用的标签维度，也有定制化标签的输出能力。

举两个用户画像在个推业务中的典型应用：第一，精准推荐，APP的运营者可以通过个像提供的性别、年龄层次、兴趣爱好等标签，分别展示不同的内容给用户，以达到精准化运营，千人千面。

第二，用户聚类，处理客户提供的用户数据，补全用户画像，最终进行用户聚类分析。

《即时物流场景下的机器学习实践》

庄学坤 达达-京东到家 物流算法团队Leader

即时物流作为新零售的“水电煤”，在新零售模式中处于基础核心环节，解决的是商品的配送效率问题。达达-京东到家作为国内即时物流的领先平台，在这方面进行了大量的技术探索与积累。与传统物流模式相比，即时物流场景下的配送具有更高的复杂度，具体表现为以下四点：1. 订单类型多样化；2. 时效性要求更高；3. 配送骑士的运力难以掌控；4.送达目的地复杂多样。而即时物流形式中存在的问题和挑战，也可以总结为四个部分：高度动态的物流订单、配送成本的动态性、订单派发需要兼顾公平与效率、骑士自由抢单的管理。

现如今，新的算法模型层出不穷，算法可以选择的自由度较高。但是在实践中，数据决定了机器学习的上限，而算法只是尽可能逼近这个上限。一个成功而实用的算法体系，必须非常重视特征工程。开发者研发一套优秀算法体系的前提，是获取到优质的、具有精确特征的数据。达达结合自身的配送场景，积累了海量而精确的配送场景特征集合。

没有最好的算法，只有某种场景下最合适的算法。在获取到特征数据之后，即时物流场景所应用的机器学习体系可以分为四层：基础数据层、特征工程层、算法模型层、业务应用层。开发团队还需要根据业务的应用场景，对不同的算法模型进行技术选型，比如线性模型擅长处理高维微观特征，非线性模型则擅长处理较低维的宏观特征，而在路径规划与调度当中，传统的运筹学模型动态规划等可能更加合适。

最后，更加通用的AI可以由两部分组成，第一部分是深度学习(DeepLearning)，解决端对端的学习问题；第二部分称之为强化学习(Reinforcement Learning)，允许更加通用的学习架构。如果这两个部分结合到一起，就可以变为一个非常通用的学习算法。达达智能供需调控系统的设计中，借鉴了AlphaGo的思路，充分发挥了这种模式的优势，使得调控效率的效果和自动化程度同时获得了大幅提升。

《使用智能对话机器人增强新零售服务链》

孔晓泉 吉利集团Ecarx算法专家

与以往的零售方式不同的地方在于，新零售的过程中，没有商超反馈和中间链条，企业需要直达顾客。这会使得一个to C企业，在客服和相关支持等方面，花费更多的成本，并且承担很大的压力。而使用智能对话机器人提供新零售的服务链，则可以减少用户的等待时间，提高用户体验，并且极大地减低公司的客服成本。智能对话机器人应用最多的领域是在线客服，其次是智能问答，如智能医疗等。

从技术角度来说，人机对话的流程是：语音识别（ASR）、基于文本的方式进行自然语言理解（NLU）、通过理解到的意图或实体进行对话管理（DM）、自然语言生成（NLG）和语音合成（TTS）。

企业可以选择Rasa Stack作为构建智能对话机器人的基础，它是一款开源的、基于机器学习的、为开发者和公司设计的机器人，智能性较高。由于对话机器人的软件开发难度很高，自然语言的理解需要很多组件的配合，而Rasa Stack的优势是完全的数据控制、自行扩充、自定义模型和完全的自驱动，并且其背靠德国的Rasa Technologies GmbH，有一定的发展保障。

Rasa NLU能够提取用户的意图和相关的实体，这相当于把用户千奇百怪的、非结构化的、长短不一的数据转化成结构化数据。Rasa NLU的特色是基于 pipeline 的工作模式，扩展能力强，并且支持多种语言，如英语、德语、中文、日文等，RASA NLU还内置多种算法和配置，如MITIE、CRF、Embedding等。

RASA Core则是一个对话管理体系，如下图所示，图中的每一个箭头都代表数据的流动。

Rasa Core的特性是数据驱动、扩展能力强、支持多种Policy协同工作、内置多种算法和配置，并且支持Interactive learning.

实际上，强化学习不仅是一种框架，它还提供了算法和配置，但是具体的做法和参数调节，还需要在实践场景下进行确定。另外，交互式学习能够很快地测试到，用户所得到的回复是否正确，并在错误的情况下，进行相应的更改。

《AI赋能营销数字转化转型》

李泽洲 Pinlan联合创始人兼CTO

当前，线下营销正在从以零售商为中心，转化成以购物者为中心的形式。而在这其中，机器视觉的落地，也对整个零售行业的转变起到了很大的推动作用。

计算机视觉是一个跨学科的领域，涉及到如何使计算机从数字图像或视频中，获得高层次的理解。硬件和算法的进步均催生了大量计算机视觉的应用落地。

在深度学习进入到计算机视觉的领域之前，计算机视觉技术主要被应用于图像处理、特征检测和匹配以及运动估计。

随着深度学习网络的发展，传统的神经网络很难被单纯地应用到计算机视觉领域。图像的纬度很大，而人的观察方式是对图像当中的某个局部信息，进行认真的观察之后，才会逐渐地观察到全局信息。

机器学习的流程是数据采集、数据预处理、模型训练、模型测试和模型服务。其中，零售行业的零售商更关心的是，SKU在超市中铺货时，是如何摆放的。

线下零售商有两种方式可以进行数据采集。方式一是利用手持终端（SFA）采集数据； 方式二是在超市中架设摄像头，进行固定场景的拍摄。方式二相较于方式一，有一定的优势存在，如可选择高像素摄像头，图像质量高；固定场景下的拍摄，变化较小；数据可用性高；模型可以确保细粒度商品的识别。

在数据预处理阶段，也有两种方式可以对已采集的图像数据信息进行处理，方式一是提高图像质量，如调整亮度、对比度，对图像进行去模糊、超分辨率重建等。

方式二是训练图像增强，在AI的实现过程中，在训练CNN网络之前，对数据进行增强是一个非常重要的环节。一般情况下，现实场景中所能收集到的数据量不是很大，这对于深度学习来说是一个致命的问题，这时便可以利用图像增强或者图像数据的扩充，增加数据量，如图像裁剪、图像对比度变化、图像亮度变化和图像微旋转。

在商品检测模型训练的阶段，目前前沿的算法框架包括 Faster-RCNN、RetinaNet和YOLO等。

通用商品检测模型能够支持海量的多种包装类别实际场景数据，可以针对大小目标和不同包装类别，进行大类拆分，并且能够优化模型结构，增强场景适应性。同时，通用商品检测模型可以实现移动端压缩，支持移动端检测。

而细粒度商品识别模型训练则需要先收集海量SKU数据，建立商品数据库，之后结合注意力机制，训练细粒度识别模型，然后在真实场景验证模型效果。在实践中，Pinlan的细粒度商品识别模型，已经能够使自然场景商品识别准确率提升至97%.

建立检测模型和识别模型之后，开发者可以将两者进行结合，进行线下零售的智能陈列分析，如陈列位置检查、数量检查、陈列规范检查和陈列推荐。

以数据驱动的新零售时代已经来临，面临零售场所和消费观念的转变，传统零售需要整合和重组，充分地利用电子商务、大数据云平台、移动互联网和人工智能等技术，让线上线下一体化成为可能。