广告
加载中

百度智能云赵治宇:AI正成为消费零售业增长新引擎

亿邦动力 2025/09/03 14:27
亿邦动力 2025/09/03 14:27

邦小白快读

AI技术正深刻重构消费零售行业的运作模式,为普通用户提供实用的操作技巧。

在商品管理方面,通过分析消费者反馈提炼决策因子,用提示词工程低成本优化文案和商详设计。例如,主图用多模态模型检查合规性,标题和属性自动匹配准确率高达95%以上,提升上架效率。

门店智能化场景中,AI视觉工具支持轻量级部署,如“数杯子”应用自动追踪翻台率或检查合规行为,无需云端调用即可降低成本。

内容创作上,百度视频生成大模型辅助快速产出营销素材,智能体平台如千川支持非技术用户轻松应用AI工具。

AI成为品牌营销和产品创新的核心驱动,助力捕捉消费趋势。

在品牌营销上,通过决策因子技术分析用户行为数据,精准制定营销策略;百度视频生成模型赋能内容创作,提升品牌吸引力。

产品研发环节,大模型参考流行趋势和竞品卖点,快速完成企划,如在快时尚中优化上新周期。

消费趋势方面,货找人模式已成主流,AI推动用户行为深度洞察;案例中,TCL接入百度搜索能力强化品牌体验。

AI为卖家提供增长机遇和风险应对工具,助力破解市场挑战。

在增长市场上,大模型挖掘新增长点,智能体平台如千川降低技术门槛;消费需求变化如货找人,AI辅助优化商品上架流程。

机会提示上,百度开放搜索、地图能力支持合作开店选址,数据驱动避免选址失败风险;非标品识别如水果大小检测可减少售后服务成本。

最新商业模式包括语音交互应用,如博世案例实现智慧物流调度,可学习点为端到端一站式服务。

AI优化产品生产和设计,启发工厂数字化升级机遇。

在生产设计上,大模型辅助企划阶段参考流行元素和业务规则,降低产品开发难度;例如快时尚中快速匹配设计元素提升效率。

商业机会层面,AI推动电商化,如在商品上架中自动化属性匹配至95%准确率;非标品识别节省人力。

推进数字化启示包括百度平台工具简化部署,支持工厂低成本应用技术如多模态模型检验产品合规。

行业趋势向AI集成转变,揭示新技术和解决方案。

在行业趋势上,大模型驱动消费场景变革,客户痛点如数据处理高成本可通过百度全栈产品化解。

新技术方面,视频生成、语音克隆等提供创新方案;解决方案包括决策因子技术提炼知识资产,RAG方法优化数据应用。

客户痛点上,门店管理如“一见”产品结合端云模型实现精细合规检查;案例中跨境电商和大模型应用展示落地价值。

商业需求推动平台开放AI工具,平台最新做法提升运营效率。

在平台需求上,百度开放搜索、地图接口支持招商合作;如化妆品选址数据提供客观决策支持。

平台做法方面,智能体平台允许用户轻松使用工具,运营管理如门店AI本地部署降低复杂调用;风向规避强调AI提升效率减少风险。

运营管理实例包括咖啡店铺“数杯子”应用,实现自动追踪优化翻台率。

AI引发产业新动向和商业模式变革,提供政策与模式启示。

在产业新动向上,生成式AI重塑人货场逻辑,新问题如存量竞争促使探索增长策略;商业模式开放平台整合生态。

政策法规启示源于AI降低门槛促进公平,案例中数据驱动选址可建议市场规范;代表企业模式如百度端到端方案提供实践参考。

商业创新上,大模型融合搜索地图能力展示未来智能零售图景,研究者可关注决策因子技术优化消费者洞察。

{{loading ? '正在重新生成' : '重新生成'}}

返回默认

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

【亿邦原创】在数智化浪潮席卷全球的背景下,人工智能正以前所未有的深度与广度重构消费零售行业的底层逻辑与运行范式。2025百度云智大会AI+大消费专场上,百度智能云电商与消费零售解决方案专家赵治宇以《数智引领:大模型驱动下的消费场景变革》为题,系统阐述了生成式AI如何从“人、货、场”三大维度推动行业实现智能化跃迁。

赵治宇指出,随着新零售基础设施日趋成熟、供应链高度整合,消费模式已从“人找货”全面转向“货找人”,而AI技术尤其是大模型的应用,正成为企业突破存量竞争、挖掘新增长点的核心引擎。

百度智能云凭借全栈AI产品体系——从算力支撑、模型构建、工具链开发到场景化应用——为零售企业提供端到端的数字化转型方案。赵治宇强调,AI不再是悬浮于业务之上的技术概念,而是深度融入商品运营、消费者洞察、营销创意、门店管理等关键环节的实践工具。通过构建“决策因子”、实现多模态理解、赋能内容生成与智能运维,大模型正在降低技术使用门槛,提升业务响应效率,重塑消费体验与企业运营模式。

赵治宇不仅展示了百度在文心大模型、百舸平台、千川智能体等核心技术上的积累,更通过跨境电商、快时尚企划、非标品识别、智能选址、语音交互等丰富案例,印证了AI在真实场景中的落地价值。

最后赵治宇强调,百度正在以开放姿态,将搜索、地图、文库等“压箱底”能力全面接入行业生态,致力于与零售伙伴共同迎向生成式AI所驱动的智能未来。

温馨提示:本文为速记初审稿,在不影响原意的基础上,由亿邦动力编辑整理。

以下为演讲实录:

各位来自零售消费行业的伙伴们、开发者们,大家上午好。今年我们来聊聊大模型给零售消费行业带来的机会与变革。

新零售是一个持续了十几年的过程,目前新零售基建基本成熟,全球供应链高度整合,使得消费者的选择面极其广大,商品品类非常丰富,消费的方式不再是人找货,而是货找人。

在新零售的浪潮中,生成式AI如何帮助品牌抓住这次机遇?今天我们的主题叫“吃喝游购娱”,我们也想给大家去分享百度大模型在过去两年中,真正落地了的最佳实践案例。

1、生成式AI重塑人货场

提到新零售就免不了三个名词:“人、货、场”。人和货很好理解,就是消费者和商品,在移动互联网时代,场更多是一个虚拟在线的概念。百度认为,在AI时代,场是一个介质场,是一个链接商品和消费者的媒介,AI让这个场变得更大了。

在这次生成式AI浪潮中,咱们如何抓住这次机会?我们可以看到,企业面临业务转型痛点和技术升级痛点。

在业务转型方面,因为零售和消费行业是一个持续厮杀的行业,过去B2C、B2B、C2C、O2O等各类市场都进入存量竞争,新增长点的挖掘成为行业共识。在技术升级方面,企业自建大模型投入巨大,生成是AI对数据处理提出更高要求。我们如何让技术变革真正变成更好的商品、更好的服务和体验?这是包括百度在内的大模型厂商,真正需要思考的事情。

2、消费行业产品矩阵

百度智能云在零售和消费行业有全栈式产品体系。大家看右边,我们在算力层、模型层、工具链层、产品层以及应用场景上,都有丰富的产品矩阵。

左边是我们针对零售行业梳理出的业务需求,我们要真正站在消费零售的行业角度,在商品域、消费者域、营销域、线下门店管理领域等场景,提出一一对应的解决方案。

整体看来,我们是站在落地实施的角度去思考应用场景,比如我们的文心大模型,能力名列前茅。我们的百舸智能计算异构计算平台,是一个基于各家GPU点亮的万卡集群。所以我们致力于站在伙伴身后,让行业中的所有角色真正拥抱人工智能,拥抱起来大模型,无论你会不会开发都能够用起来。

从工具链的角度,我们在商品运营、消费者洞察、交易履约、营销活动,以及底下我们一系列的千川大模型产品,都有相关的最佳的解决方案,一会我们会给大家重点介绍一下我们的最佳实践。

相信在过去的一段时间内,大家都用过智能体,如果这些智能体没有真正贴合业务,那智能体的通用性就会比较差。百度在过去的两年中,无论在商品领域,在消费者洞察还是在交易营销域都有着丰富沉淀,这类通用智能体都已经上架到了我们千川智能体平台,欢迎大家去使用。

从业务数据入手,零售消费行业关注的是消费者数据、交易数据,交易订单有多少,哪些商品卖得好,怎样提高库存的流转率,怎样让消费者持续购买,怎样提高粘性的同时持续提供更好服务?这些数据对于我们来说,就是数据资产。有了大模型之后,我们可以看到左边,无论是商品主数据、会员主数据还是交易主数据,这些数据如果用传统的神经网络、传统算法去分析,要招很多算法工程师,成本较高。有了大模型之后,我们用模型去提炼高价值知识资产,通过向量库、RAG、知识库,把这些业务数据变成自己的知识资产。

至于如何利用这些知识资产?

首先要链接商品和消费者。我相信无论是电商还是零售,我们都能够拿到消费者反馈,这些反馈有可能是positive的,也有可能是negative的,但都是有价值的。试想一下,如果用人做这个分析,就要招很多客服人员或运营人员,每天都去看哪些品类卖得好,哪些类目下库存周转率不够高。但大模型有提炼总结理解能力,如果用大模型去阅读和分析这些商品属性和消费者行为,就能构建出对于商品的决策因素,我们叫决策因子。我们实践下来发现,这个过程的成本非常低,只要用提示词工程就可以,不会涉及到任何微调。

大家看右下角,当一个用对于某些商品的反馈非常积极时,或者商品的卖点和属性结合得非常好的时候,我们再去写一个文案,效果会很好。有很多客户问我,导购系统怎么样能回答用户问题回答得更好。我就问他,你是不是真正能让商品说话?

商品是不会说话的,那怎样用大模型让商品说话?这就是机遇我们提炼的决策因子。因为我们的所有提炼都是来源于消费者反馈,我们知道消费者真正care什么,真正关注什么,这样我们做的文案和回复就非常精准。大模型写文案不是一个难的事情,但想要写好文案,真正贴近消费者,确实是一个技术活。

在我们商品上架过程中,流涉及到纷繁复杂的标题、主图、卖点、价格、库存、商详等等,这个流程我们要把它做得精细化,流程就会很缓慢,因为我们要有不同人去审核。我记得有一个头部电商的总监和我说,从搜索推荐到商详页,只要用户点到商详页,你的搜索和推荐这一步已经做到位了。但是用户去不去点击购买,加不加购,很大程度上取决于商详设计得怎么样。所以大家可以看到,有的商详设计得很复杂,有的商详设计得非常简洁。

再举个例子。比如,在商品上架和发布的过程中,主图可以用多模态模型去检查是否合规。标题有一个规范化的格式,包含品牌、卖点、特色、利益点等等,是非常结构化的,非常适合大模型去做。商品属性也可以用大模型去填写。之前,商品属性需要商家提供商品信息一个一个匹配,是一个技术活。如果让大模型根据业务规则去匹配属性,人去做检查,准确率能够达到95% 以上。

在产品研发阶段,大模型也能提供帮助。比如,在跨境电商快时尚领域,产品在企划阶段,需要设计师参考现在的流行趋势、竞品卖点做快速上新,但他精力有限,他可以告诉多模态模型,我现在的元素库是什么样,元素库的定义是什么,业务规则是怎样。我们实践下来,运营同学只要提供业务语言,我们的开发同学去把这些语言变成结构化的prompt提示词,就可以帮助客户真正完成他要做的事情。

另外对于一些非标品,比如说水果的大小,客户和商家眼里的标准不一致,这就需要很多售后服务去保障。如果我们用多模态模型真正看懂这些非标品,比如芒果表皮是坏了,还是是农药残留物?比如这些果子是大果还是中果?这需要很多微调技术,但现在的大模型的泛化能力,经过微调可以完成这些任务,节省不少人力。

这是我们对AI应用的思考,哪怕在这样一个售后的单点场景中,只要把它做深做细,都能解决实际问题。

在智能营销领域内容创作,前段时间百度发布了自己的视频生成大模型,叫绘想,在ToB领域叫蒸汽机,视频生成效果非常好,也欢迎大家去我们的平台体验。

再谈谈线下,线下门店管理是一个精细活,我们follow了自动驾驶这个概念。如何用AI视觉赋能线下门店管理,这是一个好的命题。目前为止,我们对于货架、商品价签、智能理货等场景都有非常丰富的解决方案。

这方面,我们推出了“一见”这个产品,它真正结合了端侧、云侧模型去分析每个门店,包括餐饮、零售、快消品等行业,去真正check门店的各种合规行为,做到精细化管理。比如对餐饮公司来说,如何提高翻台率?如何检查食品有没有按时上桌?消费者有没有什么新需求?这些需求都能用很轻量级的方案解决。我们在每个门店部署一个端侧盒子,在本地做视觉理解,不去调用云端模型。当遇到特别复杂的场景时,在到云端去分析。

在咖啡领域,我们也给头部咖啡公司做一个简单的门店应用,就是“数杯子”。人去做这个事其实比较消耗,大模型可以一直数一直数,这对于精细化管理其实是一个很好的最佳实践。

在家电行业,在哪里开店,如何选址、如何换店铺,如何对周边信息做分析整理,这是一个比较头疼的事情。有一个化妆品零售的客户跟我们说,他店铺旁边都是火锅店,很多人去吃火锅,但是没有人来买他的化妆品,他考虑把这个店搬到另外一个地方去。这时候,百度地图就可以提供他所需要的商圈数据,通过数据分析下去考虑这个店是不是继续开,这比他去找人调研拿市场报告的思路更清晰,数据价值更客观。

我们再看看智能语音方面,我们助力博世在万物互联方面有了进一步发展。因为有了大模型,有了音色克隆,有了ASR、有了TTS,能够实现语音控制,这对于制造业是一个很大改变。比如玩具加了大模型,成了很火的AI陪伴型玩具;教育+大模型,成了很火的教育硬件。物流+大模型,成了智慧物流调度系统,利用百度的智能路由路网去监测调度履约过程中的每个点位是不是正确,是不是最优路线。

百度有很多丰富的压箱底产品,百度搜索、百度地图、百度文库都有很好解决方案。百度搜索现在已经给大家开放了,手机百度上的搜索接口也为我们的开发者和客户开放,也欢迎大家使用。比如TCL就接入了百度的整个搜索能力。

可以看到,百度正在把自己最核心、最压箱底的能力都拿出来给大家开放使用,以一个拥抱的姿态去迎接这次生成式人工智能的浪潮。

我们拥有很多丰富案例,也欢迎各位伙伴与我们有更多碰撞,在生成式AI方面,百度会持续陪伴零售伙伴,提供端到端的一站式便捷服务。谢谢大家。

文章来源:亿邦动力

广告
微信
朋友圈

这么好看,分享一下?

朋友圈 分享

APP内打开

+1
+1
微信好友 朋友圈 新浪微博 QQ空间
关闭
收藏成功
发送
/140 0