至顶网CIO与应用频道 06月14日 编译:星巴克不仅通过一堆咖啡豆来满足狂热的粉丝,而且他们还拥有大量的数据,并在很多方面利用这些数据来改善客户体验和改善业务。每周全球25000家星巴克约完成9000万次交易,促使这家咖啡巨头走到了使用大数据和人工智能的前沿,有效地帮助推动营销、销售和业务决策。
星巴克的奖励计划和移动应用
当星巴克推出奖励计划和移动应用的时候,他们收集的数据量快速增加,这些数据可以用来了解他们的客户,提取有关购买习惯的信息。星巴克的移动应用拥有超过1700万个用户,奖励计划有1300万活跃用户。光是这些用户就产生了大量有关他们购买咖啡和补充产品的信息,包括天气、节假日和特别促销等数据。以下是星巴克使用数据的一些方式。
个性化体验
奖励计划和移动应用的会员需要授权星巴克收集关于他们咖啡购买习惯的大量信息,从他们喜欢的口味到他们一般购买的时间等各种信息。因此,即使人们去了另一家星巴克买咖啡,POS系统也能够通过客户的智能手机进行识别,并向咖啡师提供他们的喜好。此外,根据订购偏好,移动应用还会建议客户尝试新产品。而这一切都是由星巴克的“数字飞轮”计划推动的,“数字飞轮”是一个基于云的人工智能引擎,能够向那些不知道点什么、但想尝试一些新东西的客户推荐食品和饮料。它给出的推荐会根据当天的天气情况、是节假日还是工作日、所在位置等相关因素发生变化。
有针对性的、个性化的营销
除了帮助星巴克给客户提供尝试新产品的建议之外,这也帮助星巴克推送个性化的优惠和折扣,而不仅仅是生日那天的折扣。此外,还会给那些最近没有去过星巴卡的客户发送定制电子邮件,根据历史购买记录提供诱人的优惠,吸引他们再次光顾星巴克。
虚拟咖啡师
你可以使用“我的星巴克咖啡师”应用,发送语音命令或消息给虚拟咖啡师下单,这其中就使用了人工智能算法。由于每个订单的细微差别很多,所以人工智能引擎能够提供无缝的客户体验是一件相当成功的事情。
新店选址
众所周知,选择好的位置对于零售业来说是成功的关键。星巴克市场规划团队并不是依靠直觉来选择店铺位置的,而是利用了数据智能的力量,采用由Esri开发的绘图和商业智能工具Atlas。在推荐新店位置之前,这款工具会评估大量数据,例如与其他星巴克位置的邻近度、人口统计数据、流量模式等等。如果新店开张,该系统甚至可以预测新店对该地区其他星巴克店的影响。尽管感觉世界每个角落都有一家星巴克(有些距离很近,所以你可能会想到他们相互之间会争抢客户),但数据会告诉他们应该在那里开一间新店。
扩大业务变身杂货店
当星巴克决定扩张业务,给客户提供那些他们可以在杂货店买到、在家享受的产品时,他们借助数据来决定他们应该提供什么产品。星巴克收集了关于顾客如何订购饮料的数据,并将这些信息与其他有关家庭消费的行业报告结合起来,打造了他们的杂货店产品线。从南瓜南铁到不加牛奶或者其他口味的冰咖啡,星巴克以数据驱动的生产扩张方式是一种智慧商业。
菜单更新
一些星巴克店会提供酒精饮料,但星巴克会根据数据显示酒精消费量最高的地区来决定哪些店可以提供“星巴克之夜”,从而成功更新菜单。此外星巴克还会根据当时的情况推出限量发售的菜单项。举个例子,当田纳西州孟菲斯市正在经历一场热浪时,星巴克会在当地启动Frappucino促销活动,吸引人们去抗击热浪。而且,虽然星巴克有87000种饮料组合可供选择,但他们会持续监测哪些饮料最受欢迎而对菜单不断进行修改。
因此,下一次你买咖啡的时候,花点时间欣赏数据和人工智能在幕后指导星巴克改善体验(并让你成为回头客)的所有方式吧!
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。