Gartner公司预测,2022年全球IT支出将进一步增长5.5%,总值超过4.5万亿美元。然而,供应链危机与持续不断的通货膨胀正在加剧流动性风险,有可能迅速削减、推迟甚至破坏掉这笔既定技术预算。
因此,财务与咨询服务公司Kreston Reeves近期发布警告称,“供应链压力已经给众多企业造成沉重打击,而且后续影响有可能持续至2022年。未来6到12个月内有可能出现现金流危机,主要表现为利润率收缩而导致企业劳动资金短缺。”
作为回应,企业高管团队必须迅速设计出有创造力的新型解决方案,借以推动收入增长、缓解成本压力并留住宝贵现金。
在这方面,星巴克可谓是身经百战了。这家咖啡业巨头在2021财年第四季度交出的良好业绩,已经证明其客户忠诚度数字战略确实能够为即时支出需求、未来资本支出与创纪录的股息提供充足的现金流支持
跃向新高度
星巴克高度关注客户忠诚度指标,借此衡量运营成功并预测未来业绩。令人印象深刻的是,星巴克在2021财年第四季度财报电话会议上表示,有近2500万顾客每季度至少光顾一次门店,这部分比例占美国国内所有星巴克门店交易量的一半以上。
除了卓越的客户服务之外,星巴克公司CEO Kevin Johnson还将好成绩归功于技术投资,解释称“我们将继续建立并运用自身技术优势所赋予的移动与数字能力,加快活跃星巴克奖励会员制度的进一步增长。2021财年,代表最忠诚、参与度最高的顾客群体的90天活跃星巴克奖励会员增加了约30%,总计已达2480万之巨。”
他还强调,“值得一提的是,第四季度有51%的自营门店交易量来自这部分高忠诚度顾客群体。我们将继续培养并深化星巴克与会员间的直接个性化数字联系,增强Stars for Everyone计划的实际效果。”
其次,星巴克希望在客户储值卡预付款方面突破历史纪录。Johnson预测,“新冠疫情期间的销售渠道已经有所转移,我们将着力通过现有数字及店外分销渠道将业务总额推向新的高位。”
目前储值卡预付金总额较2019年同比增长50%以上,而且本身几乎已经涵盖了星巴克2021财年及2022财年资本支出的总和。星巴克CFO Rachel Ruggeri介绍道,“预计星巴克2022财年的资本支出总额在20亿美元左右,高于2021财年的15亿美元,基本恢复到新冠疫情之前的水平。这也反映出我们一直在出台并增加新的技术方案。”
面对严峻的经济背景,似乎很少有企业CFO能够实现如此快速的效益回报与现金流灵活性。那么,星巴克是怎么做到的?
酝酿未来
在公司CTO Gerri Martin-Flickinger的带领下,星巴克希望在预测分析与自动化领域引入额外投资,用以巩固已经非常强大的品牌地位。
在2021财年第二季度的财报电话会议上,Johnson强调称“我们观察到了明确的机会,可以利用自身在技术与预测分析方面的优势、配合门店组合的持续转型,进一步现代化并增强星巴克的市场领导地位,借此提高客户忠诚度。”
随着星巴克的年收入跨过300亿美元大关,公司首席营销官Brady Brewer指出,数字忠诚度将成为维持增长的关键所在。他解释道,“Stars for Everyone让入会与购买变得更轻松,包括提供即用即付选项等。这种降低门槛、接纳更多新客源的思路将与激励措施与个性化服务体验结合起来,为顾客提供更轻松愉快的消费感受。目前,我们已经在吸引和激活新会员方面获得巨大成效。”
Johnson补充道,在将常客群体倍增至近5000万规模的努力当中,机器学习算法将扮演重要角色。“我无法给出确切的时间框架,整个过程可能需要几年时间,但会员数量一定会再翻一番。在此期间,我们已经在尝试用极具创意且更全面的方式分析顾客数据,确保即使是非奖励顾客也能享受到更好的服务与个性化优惠/体验。”
为了满足门店顾客的服务需求,星巴克越来越多地应用自动化技术以实现员工调度、库存管理和设备诊断。Johnson强调称,“我们已经推动了食品及商品的自动化订购,并逐步将方案推广到美国本土的所有门店当中。另外,我们还将继续保持设备投资,包括咖啡过滤器、加热烤箱和冷萃设备等。”
很明显,星巴克的技术投资目标只有一个——提高客户忠诚度。相信任何一家企业都能从这个起点出发,获得理想的投资回报率。
忠诚度奖励
果断的决策与行动已经给星巴克带来重大收益。对于任何一家营利性机构,更频繁的客户购买活动与创纪录的预付款数额都是保持现金流健康的两大核心标志。下一次我们坐在星巴克、端起咖啡享受时光时,不妨就以咖啡巨头的客户忠诚度计划作为素材。技术佐咖啡,聊天更够味。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。