消费者品牌和零售商通常很难充分理解不断变化的客户需求。这就是为什么您通常在自己喜欢的时装商店中找到XL尺寸而没有M尺寸的原因。这就是为什么您必须花费数小时寻找在Instagram上看到的样式却仍然找不到的原因。这就是为什么仅在美国，时尚零售商的库存滞销成本估计就高达500亿美元。这就是美国2014年产生1600万吨纺织废料的部分原因。
这并不是因为行业中没有任何意图或努力;相反，很难大规模地了解消费者。鉴于消费者的喜好多样且不断变化，使用年龄，性别和收入的广泛定义来表征消费者是无效的，并且零售商现在需要关注更精细的细分市场，甚至包括单个人群。越来越多的消费者在驱动趋势，而不是由商家来定义趋势，这与市场上更多的试验和破坏并驾齐驱。
为了在这样一个动态的环境中创建和销售“下一件大事”，设计师，购买者和销售商必须运用自己的创造力，而且还必须以前所未有的粒度考虑消费者的喜好如何变化以及不同的设计，销售和营销选择将如何执行。这就是AI和自动化进来的地方。
例如，考虑一个时装零售买家。她负责在任何给定季节选择商品的财务成功，但是她无法预测目标季节之前12个月的任何设计效果，也无法确定在季节内应用的最佳促销措施。这是因为她几乎看不到随着时间的推移，整个商店的消费者喜好如何变化以及竞争产品在市场上的表现如何。
想象一下一个由AI驱动的系统，该系统可以分析数百万在线客户评论的自然语言文字以及市场上所有产品的图像，以总结特定位置的客户情绪与产品功能之间的关键关系。例如，堪萨斯城和布法罗的客户对色块套头衫的反应如何，以及哪些属性是她的色块套头衫与竞争色块套头衫相比客户情绪低落的可能原因。有关她的有价商品和新计划产品的此类信息将帮助她极大地改善其分类，定价和减价以及营销计划。
计算了三个不同品牌在外观上相似的花卉上衣的市场情绪。仪表板显示了该国不同地区的消费者对此类产品的偏爱，并在不同的商店推荐了库存干预措施。
同样，考虑酸奶品牌的销售经理。借助可以分析全国各地跨品牌食品销售以对公司生产的菠菜朝鲜蓟味酸奶的需求进行高质量预测的系统，销售经理可以与零售商协商产品介绍和货架图。由于缺乏这种能力，今天大多数此类谈判都失败了。
实际上，IBM最近对1900多个零售和消费产品领导者的研究表明，智能自动化在零售和消费产品行业的采用预计将在3年内从如今的40%激增至80%以上。
我们位于印度的IBM Research团队与IBM MetroPulse团队合作，将这种先进的，由AI驱动的功能带入MetroPulse，MetroPulse是一个行业平台，将大量的市场，外部和客户数据集整合在一起。新功能使用AI和自动化功能，将这些结构化和非结构化数据集围绕语义，视觉和位置上下文进行融合，并发现有关隐藏在此融合数据中的客户偏好的细粒度见解。这些见解将帮助消费者品牌和零售商在产品设计，库存计划，需求预测和产品分类方面做出更明智的选择，以适应动态的消费者偏好。
该平台分为三层，每一层都具有深厚的行业内容：
数据层，包括
市场数据包含最新信息，特定位置的消费者偏好信号，产品格局和品牌/零售商行为。我们策划的一些数据集示例包括在线客户评论和评论，销售点数据和产品图片。对这些大数据集的分析可以为公司提供有关城市或社区级别的消费者喜好在品牌，零售商，文化和地区之间如何变化的线索。
超本地第三方数据不断更新，外部因素会影响邻域级别的信号，这些因素会影响消费者的行为，例如人口统计，天气预报和历史记录，本地事件和访客。
私有企业数据，包含有关零售商自己的商店，产品，商品，促销和销售历史的信息。这些数据经过高度安全性和隐私保证。
整合多个数据集对于正确地实现需求感知和预测至关重要，正如《2018年供应链管理：在客户服务中》，零售系统研究，2018年12月所述，其中60%至70%的受访者认为“很多价值”从考虑情绪，贸易区域数据和过去促销等新数据到需求预测。
知识层，包括
零售行业特定的数字词汇表–知识图，以实体，属性和关系的形式捕获行业信息。该层允许AI系统以标准且有意义的方式解释和分析数据层中的数据，最终为最终用户生成见解。例如，考虑捕获各种时尚术语及其之间关系的时尚分类法(例如，“ peplum”是“ top”的类型)，或者捕获各种食品类型，成分，风味和类型层次的杂货店本体。
行业情报层，包括
各种AI算法和模型可以识别和理解隐藏在数据中的信号，并通过仪表板和API以有意义和标准化的方式将其转化为见解和建议。这些见解和建议可帮助业务领导者，产品设计师，销售商和其他企业用户了解和优化其目标消费者群的行为和偏好。面向购物者的个性化和认知帮助解决方案也可以使用这些API，以增强销售点上的消费者参与度。这些算法利用多模式AI，可解释的AI和预测中的最新AI技术，并对其进行调整以了解特定于行业的知识和概念。
多模式AI将视觉感知和自然语言处理结合在一起，以从多种数据模式中提取见解。例如，它可以识别图像中的时尚对象，并将它们与随附评论中的客户意见表达联系起来;或语义相似性模型，该模型理解苹果汁对消费者而言，苹果汁与柠檬汁比与苹果更相似，但在口味和成分方面与苹果汁接近。
可解释的AI解释了为什么模型为给定的输入生成特定的输出。随着AI模型变得越来越复杂，非数据科学家几乎无法理解他们的行为，这使他们难以依赖模型的预测。导览技术带来了可解释性，并帮助最终用户理解“为什么”。例如，了解市场上夏季装扮不同设计方面的情绪，并解释当地因素(人口统计学，天气)和销售因素(价格，库存，促销)对美国各州情绪变化的贡献。