至顶网CIO与应用频道 05月04日 编译:大家都知道现在消费者的要求越来越高。与过去不同,时下商业方面不缺信息或选择。今天的消费者认为在线购物是理所当然的事,他们要求便利、个性化和上乘的体验。事实上,根据Deloitte的资料,消费者在线购物的首要原因是方便。由于诸如亚马逊一类的在线商店为其客户提供了各种方便,有些人说实体零售已经完蛋了。
例如,我们不再去Blockbuster之类的店租视频了。连便利店也被更多的方便选择所颠覆。诸如Filld一类的公司直接将汽油送到我们的车里,我们完全不用去加油站了。更妙的是,消费者到最后可以给车插入电源插座“加油”。
那么是不是意味着便利零售已经死掉了?笔者不这么认为。各种包括便利零售商在内的实体零售商面前仍然有着巨大的商机。他们可以利用数字技术将自己转换成非常强有力的消费者选择。数字化转型与以往的技术进步不同,数字化转型超出了效率的范围,还常常可以创造出新的业务和运营模式,新的业务和运营模式可以确保客户处于零售商所有业务的数字化中心。其中的一些新模型有可能包括无摩擦结账(Frictionless checkout)、个性化以及更多的情感关注而不仅仅是交易,要的是忠诚度。
据一家领先销售点制造商NCR的资料,73%的消费者认为购物时结账很件痛苦的事。事实上,如果队太长了,20%的消费者会弃购物车而去。为了解决这个问题,许多零售商都在尝试更好的结账流程。例如,德克萨斯州的杂货连锁店HEB正在试用一款移动应用程序,消费者可以利用该应用程序在物品架上取商品时就扫描一下。消费者完成购物时就可以通过一个特殊的自助服务终端扫描他们手机上的二维码,然后就可以离开。颇具讽刺意味但也不足为奇的是,亚马逊也在亚马逊Go商店尝试更加无摩擦的东西。亚马逊Go商店没有收银员、没有排队,甚至连结账处也不存在。消费者只需在入口处扫一下他们的手机,走进去拿几件想要的东西然后离开。他们离开时就已经付款搞定了。
消费者除了希望得到简单方便的购物体验外还希望获得符合自己品味和需求的个性化体验。埃森哲和零售行业领导者协会(RILA)进行的一项研究表明,63%的消费者对个性化推荐感兴趣,他们中的大多数人都愿意分享自己的数据作为一种交换。如果零售商可以将个人推荐与无摩擦结账结合起来,那么实体店购物体验就可以与在线购物体验一样甚至比线购物体验更好。不妨想象一下,开车去加油站,拿起加油喷嘴,装满油箱,自动充好电,完了以后还收到一条有关商店内里你最喜欢的商品的交易信息。
根据上文中Deloitte的研究,具零售业会员资格的人占美国具全部会员资格人的42%以上,许多零售商都在努力利用这些会员资格。事实上,一名普通消费者通常是六个以上的忠诚计划的会员,但65%的消费者在这些计划的一半以上的计划里并无太多动作。这有可能是因为大多数计划的重点都放在商业的交易性质上,例如交易、优惠券和折扣。其实他们应该将重点放在建立品牌情感联系上,要提供出色的体验、便利和个性化。除了要奖励消费者购物,还要了解他们的偏好以及过去的搜索和购物历史,达到改善他们的体验的目的。
虽然以上的示例说明了数字化转型的几个方面,但还存在无数其他的方式可以满足现代消费者的需求。数字化转型的关键不在于仅仅使用技术,而在于真正改变公司对业务的看法。
7-Eleven似乎是一家很了解这一点的公司,7-Eleven也是我们的一家客户。7-Eleven首席数字官Gurmeet Singh指出,“我们需要做的是像软件公司、API公司、大数据公司一样,要真正成为技术优先的公司。”他给出的一个例子,优步完全重新定义了传统的出租车服务,因为优步是一家数字技术优先的公司。
如果便利零售商也采用相同的方法,毫无疑问,他们就可以满足最新一代消费者的需求,最新一代消费者需要方便、个性化和上乘的体验。
好文章,需要你的鼓励
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。