重点新闻(0922~1005)
#订单履行 #物件辨识 #司机送货
不用再翻翻找找！Amazon打造物流士用AI车厢内拣货助手，投影出圈圈叉叉标出当下送货点所需商品
将商品放进货车车厢时，货运司机往往需要同时考量空间最大化利用和送货顺序等复杂的因素，到每个送货点，还需要翻找车厢内商品，阅读商品描述、条码、标签、收货资讯，才能搜集齐该站点所需商品。这个翻找和拣货过程每个站点都会花上几分钟，一天下来消耗可观时间成本。
，利用许多自家开发的AI与生成式AI技术，来大规模生成素材，支援不同购物通路的个人化体验。
第一个关键做法是Wallaby，一系列利用Walmart数十年数据训练而成的零售领域LLM。这些LLM是他们在自家不同通路生成个人化体验素材的技术基础，也会与其他LLM并用。
第二项做法是打造一个生成式AI客服机器人，能根据顾客身分来存取顾客订单、退换货请求等资讯，以进一步理解顾客需求，来应答或采取行动。
第三是打造一个「内容决策平台」（Content Decision Platform）。在顾客造访电商等线上通路时，先用预测型AI等技术来分析顾客行为，再用生成式AI产出对应内容──而非只是利用AI重新排列组合不同版面元素。目前Walmart电商网站已经有部分内容采用此做法。他们预计明年年底于美国市场全面应用此技术，在每一个顾客造访电商时，生成专属首页。
第四个做法是打造AR平台Retina，利用RPA、AI与生成式AI技术，来生成成千上万个3D素材，用于AR购物体验。目前Retina支援Walmart大大小小共10个AR购物体验，以及沉浸式电商API（Immersive Commerce API）。后者是一个供外部开发者用来打造沉浸式电商的服务，目前开发者已经能透过Unity来存取此API。Walmart未来还计划利用此平台来打造头戴式装置的AR购物体验，以及将现行AR购物体验拓展到其他国家市场。
#LBS行销 #游戏化行销 #门市内行销 #智慧购物车
利用顾客数据及门市内地理位置数据，Instacart为智慧购物车打造门市内游戏化行销体验
零售行销科技厂商Instacart结合顾客数据与门市内走道等级的地理位置和商品数据，为旗下智慧购物车Caper Cart视觉建议功能会根据顾客输入的搜寻词呈现相关商品图片，顾客可以点选最接近心目中商品的照片进行搜寻。影像加文字搜寻是，顾客上传商品图片来以图寻找商品时，可以搭配描述文字来进一步描述搜寻结果。相似商品推荐功能，则是呈现显示视觉上与一件商品相似的产品。搜寻结果中的影片，顾名思义是直接在搜寻结果页面呈现商品影片。圈选搜寻则可圈出图片中的特定单品，来快速以图搜寻商品。
#视觉化搜寻 #以图搜图
Google推出3种商品视觉搜寻功能
此功能支援超过100类商品，相关知识是由LLM搜集商品目录中的特征、使用情境、功能、品牌和术语，再根据顾客搜寻内容生成。
#RMN #日本全家 #OMO行销
日本全家怎么做RMN
近日一场活动中，日本全家便利商店行销长足立光介绍自家RMN布局。日本全家RMN FamilyMart Media的主要行销通路包括门市萤幕FamilyMartVision和支付工具 FamiPay。
主要行销形式是，利用第一方数据，来投放影音数位广告。他们也会制作行销内容，投放到社群媒体等外部通路，例如推特、Line、脸书等。日本全家数据来源包含自家线上App及线下会员消费数据，以及电信商Docomo、连锁卖场唐吉诃德等合作厂商数据，手握超过3,500万笔广告ID。追踪RMN行销成效做法是，交叉分析消费行为、App使用情况、AI 摄影机数据、问卷调查等数据。
相较台湾全家，日本全家做法更像是传统程式化数位广告加上门市内展示广告，利用数据来大规模推送格式较标准化的广告。台湾全家则更类似整合行销，为不同行销案件设计不同通路和行销手法，广告格式也更多元，除了静态和动态影像，还有App上多种互动式行销模组、个人化商场、票券等。
#LLMOps #推荐系统 #Line购物
Line购物如何打造导购推荐系统
收录千万商品的导购型电商Line购物如何利用机器学习，甚至生成式AI，来找出0.001%高度吸引顾客的商品？他们打造了一套以机器学习驱动的核心推荐系统Brickmaster，用检索、排名、再排名3阶段，逐步挑选出商品给顾客。
Brickmaster背后利用哪些数据、如何设计ML机制、如何打造可信任框架让非技术主管也能对推荐成效一目了然？本刊封面故事