自疫情爆发以来,全球供应链都在苦苦挣扎,但对于大多数企业来说,供应链运营一直以来是产业关注的焦点,对其进行分析也逐渐成为应对供需重大波动的一项关键性缓解举措。
食品和饮料公司百事可乐在疫情初期就看到了供应链发生异常的信号,随着全球范围实施人口流动封锁,消费者们开始囤积各种食物。
百事可乐公司电商工程负责人Jason Fertel表示,在疫情初期,例如燕麦片等生活必需品很快售空下架。
为了缓解这一问题,百事可乐公司采用数据分析和机器学习来预测缺货并提醒零售商重新订购,并且利用这些洞察来帮助百事可乐公司优化市场营销活动。
Fertel表示,百事可乐通过使用智能技术和开发的一些产品,就可以在商品产品缺货的时候,快速响应并自动关闭营销广告。
平台帮助百事可乐公司预测商品缺货
百事可乐公司的产品组合包括Frito-Lay、Gatorade、百事可乐、Quaker、Tropicana和SodaStream。在疫情之前的几年,Fertel和他在百事可乐公司电商工程团队就已经开始致力于为管理搜索营销操作提供工作流自动化。如今,他们开发了一款名为Sales Intelligence Platform的销售智能平台,可以为百事可乐公司的销售人员提供洞察力,更有效地销售公司的商品。该平台将零售商数据与百事可乐的供应链数据相结合,用于预测商品何时会缺货,并提示用户进行购买以补充商品。
“这个平台让我们的现场团队能够直接采取行动,从而有助于增加销售额,缺货情况也有显着减少,”Fertel说。
百事可乐公司的Sales Intelligence Platform平台是一个跨渠道、跨职能的洞察、工作流和自动化应用,旨在简化数字销售和运营。该平台建立在Elixir编程语言之上,该语言可构建可扩展的、可维护的Web应用。数据工程团队在Snowflake Data Cloud中收集来自零售商共享的数据和内部供应链数据,根据数据特征处理成PostgreSQL或Apache Druid数据库,然后构建在Phoenix Web框架上的应用可通过第三方API提供这些数据。
该应用的初始版本于2020年秋季发布,主要用于营销自动化,专为百事可乐公司内部电子商务销售团队设计,仅此一项就帮助团队实现流程自动化并增加了采购订单。
Fertel的团队随后在2021年开始向门店的现场团队提供实时的缺货信息,这也让人们看到了将数据分析与现场销售和供应链运营相结合的可能性。
虽然目前与现场销售团队的合作仍处于相对早期的阶段,但Fertel表示,已经看到了很积极的成果,“在现场销售方面,我们开始看到运营方式发生了巨大变化,我们和门店经理一起推动那些以前从未尝试过的东西。”
早期采用者和关注价值是成功的关键
Fertel 认为,找到那些非常愿意测试平台功能的早期采用者项目取得成功的关键。此外,他表示百事可乐公司的成功来自于始终专注于特定的业务问题。
“我们想做很多事情,但我们很早就专注于解决缺货问题。我们的业务覆盖到大量不同的垂直行业和销售情报,但我们最初高度关注缺货问题,这帮助我们的团队取得了成功。”
Fertel表示,专注并与最终用户密切互动,使得他的团队可以很好地了解现场销售团队及他们的需求、什么可行、什么不可行,然后交付实际的价值。
Fertel还指出,刚开始要牢记最小可行产品(MVP)这一概念是至关重要的,至少在开始的时候就关注价值,而不是完全的自动化。
“你必须接受没有功能完整的版本出来,早期我们在机器学习方面所做的一些工具就是这样,我们先上传一个包含了各种模型的文本文件,然后再不断修改,对吗?这就是起步,如果奏效了,就对它进行迭代,不断进行优化。没有什么必须是完美的。我认为这一点很重要:你最好是能够提供出价值,即使只是有人每天上传一个文件,而不是等到你拥有了完全自动化的东西再推出。”Fertel 说道。
好文章,需要你的鼓励
Akamai坚持“简而未减、网络先行、拥抱开源”的独特定位。凭借“鱼与熊掌兼得”的特色,过去几年,Akamai在电商、流媒体、广告科技、SaaS、金融科技等行业客户中获得了广泛认可。
复旦大学研究团队开发的AnyI2V系统实现了从任意条件图像到视频的生成突破。该系统无需训练即可处理多种输入模态(包括3D网格、点云等),支持用户自定义运动轨迹控制,并通过创新的特征注入和语义掩模技术实现了高质量视频生成,为视频创作领域带来了革命性的便利工具。
谷歌宣布为Chrome iOS版推出新功能,用户可在工作和个人谷歌账户间轻松切换,无需反复登录登出。该功能支持托管账户浏览,实现严格的数据分离,工作账户的标签页、历史记录和密码等本地数据与个人浏览完全隔离。随着企业不再提供公司手机,员工常需在个人设备上访问公司资源,此更新有助企业允许员工使用自选设备。
斯坦福大学研究团队开发了KL-tracing方法,能让视频生成AI模型在无需专门训练的情况下进行精确物体追踪。该方法通过在视频帧中添加微小追踪标记,利用模型的物理理解能力预测物体运动轨迹。在真实场景测试中,相比传统方法性能提升16.6%,展现了大型生成模型在计算机视觉任务中的潜力。