自1947年成立以来,H&M 已经成为了快时尚的代名词。事实上,平均而言,H&M 只需要花两周的时间就能将新款式推向市场。
然而,尽管 H&M 曾经在全球每个商场和购物区占据至高无上的地位,可是近年来,它却和许多其他的零售商店一样,一直在苦苦挣扎。首先,竞争已经席卷而来。现在,有几十个快时尚的品牌都能够以非常快的速度——如果我们不说这个速度是荒唐的话——生产廉价服装。
其次,消费者的购物习惯发生了变化。随着消费者转向数字营销场所,实体零售商必须针对数字时代重塑自我。
然而,对于像 H&M 这样的低利润零售商来说,数字化转型尤其具有挑战性。运输费用、退货物流以及建设新的数字技术基础设施的成本可能都会高昂到令人难以置信。这就引出了一个问题,像 H&M 这样的公司,该公司的商业模式是建立在将运营成本降至最低的基础之上的,那么它如何才能成功地进行数字化转型?又或者说,存在着这种可能吗?让我们来了解一下吧。
H&M走向数字化
早在 2018 年,H&M 就推出了一个全新的、经过改进的在线购物平台和移动应用程序。与耐克、沃尔玛和路易威登(LVMH)类似,H&M 的新数字购物渠道旨在与实体店相辅相成,提供一种一体化的全渠道购物体验。因此,新网站包括通过 PayPal 付款、扫描和查找、点击取货、购物者产品评论、商店免费退货、实时聊天、可以帮助获得风格灵感的#HMxME 社交画廊和视觉搜索等功能。
此外,H&M 还投资于数字化幕后运营,以降低成本并最大限度地提高运营敏捷性。例如,在欧洲,H&M 已将其仓库完全自动化,使其能够实现当日交货。通过使用 RFID 标签,H&M 可以实时跟踪并管理其库存。
通过对RFID 标签生成的数据以及来自其他数据源的数据应用人工智能技术,H&M 还能够更加准确地预测供应和需求。这些机器学习算法不仅可以帮助公司从财务角度优化供应链,还可以降低其对环境的影响。
H&M 高级分析和人工智能全球负责人 Arti Zeighami 在 2020 年美国零售联合会的大会展(2020 National Retail Federation's Big Show)上分享说:“这主要是你要如何确保让正确的产品在正确的时间出现在正确的地点上,并将其运送到仓库中。” Arti Zeighami表示:“利用数据分析让我们能够做到这一点。你会看到效果是非常显著的。”
平均而言,购物者们会退回在线购买商品的15%到40%——相比于店内购买5%到10%的退货率,这一数字显然要高得多。为了解决这个问题,H&M 正在开发数字孪生技术,不仅能够让客户在购买之前就“试穿衣服”,还能够实现零浪费设计。
平均而言,实际上,只有大约53%的面料制成了我们所购买的衣服。而剩下的就变成废料了。然而,借助3D时装设计技术和数字孪生,设计师们可以创造出零浪费模式,彻底消除织物的浪费。
数字化转型是成功还是失败?
当新冠肺炎疫情袭来的时候,H&M 被迫关闭了 80% 的门店。如果这家公司没有建立自己的数字化基础设施,那它肯定会破产。
正如 H&M 集团首席执行官Helena Helmersson在最近的财务简报中所解释的那样,“近年来,数字化转型方面的举措和投资对于危机管理尤为重要,这项工作正在全力进行。客户希望在他们选择的地点和时间,以他们选择的方式和我们“遇见”——在商店、在我们的网站,在数字市场和社交媒体上。他们已经清楚地向我们展示了他们喜欢渠道互动和相互强化的便利和令人激动的体验。我们正在继续采取各种举措,推动数字化增长,整合渠道并优化商店组合。速度和灵活性在未来将变得更加重要,尤其是在供应链中,以确保为客户提供最佳产品并提高所有渠道的可用性。”
展望未来,H&M 一再强调其打算使用数字技术来推进其可持续发展目标,并使其过渡到循环商业模式。数字化转型与环境可持续性之间的这种关系是我们最近在IAN经常听到的话题。你所在的组织也听到了类似的说法或者也在讨论这样的事情吗?如果是这样,请让我们知道吧。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。