近期，由国内领先的科技产业资本研究平台第一新声举办的“2024年中国CIO数字策略大会”在上海隆重举行。
天润融通消费零售行业顾问颜欣欣先生受邀参与此次大会，并发表了《大模型实践分享:基于客户感知的消费者洞察》主题演讲。
近年来，零售行业面临数字化转型、技术迭代、经济波动和客户需求变化等挑战。尽管如此，许多企业依然展现出强大的适应力和创新智慧。当下，随着AI等尖端技术的发展，零售业迎来了生产力提升和客户中心化的新阶段。企业需要思考如何通过一流的服务和差异化策略，基于客户数据，留住客户。
在国内顶尖企业CIO齐聚的年度盛会上，天润融通阐述了大模型时代，零售消费企业的数智化制胜策略。
01 AI时代，如何在存量市场差异化胜出？
1、存量时代：回归商业本质，以用户价值为核心
在“流量红利”逐渐消逝、成本不断上升的背景下，市场已经完全变为“存量竞争”。消费零售业的数字化转型方向也发生了变化——企业不仅需要拓展营销渠道和触点，更需要推进上下游精细化运营，以实现降本增效。
在经济环境不确定性的压力下，消费者也更倾向于追求高质低价的产品，这促使企业必须回归商品运营的本质，始终以为用户提供价值为中心。
2、大模型和生成式AI正成为零售增长新动力
为了更深入地了解 AI 在零售业的现状，英伟达开展了一项调查，收集了全球 400 多名专业人士的反馈。
调查显示，69%的受访者认为AI 对其年收入增长做出了贡献。72% 的人认为 AI 降低了运营成本。首席级高管报告的结果更为强劲，其中 57% 的高管表示AI 推动了年收入增长，运营成本降低15% 以上。
生成式 AI 作为 AI 的子类，更是备受零售企业关注。根据麦肯锡相关报告，生成式 AI 机会每年会对零售和 CPG 行业产生 4000 - 6600 亿美元的潜在影响。
02 基于大模型建立“双重客服”，重构零售新景象
1、内外兼顾的双重客服体系，沉淀客户之声
在传统观念中，客服被普遍认为是面向C端消费者的一项服务。然而，消费零售领域后端庞大的上下游产业链，包括经销商、门店等环节的运营效率一样直接关系到用户体验。例如，物流配送的及时性以及线下门店的服务质量等都是影响消费者满意度的重要因素。
为了提升整体客户服务，零售企业需要针对整个客户服务链路进行更为细化的场景分割。对外，企业要洞察客户需求，在细分市场提供个性化产品及服务，将多个小场景汇成大机会。对内，要将业务流程打通，利用数字化工具提高决策效率，通过数据分析挖掘增长点。
2、基于大模型建立数智化服务能力
零售企业在客户感知方面长期以来都面临诸多难点：
- 数据获取挑战
全面而真实地获取分散各地的联系数据较为困难。尽管企业可以通过各种渠道获取数据，但操作中仍存在诸多障碍。
- 内部协同效率和客户满意度低
过去，企业解决用户问题（包括B端用户）只能依赖人工点对点对话，内部缺乏统一的联络平台来实现信息交互。此外，企业协同处理问题时，往往采用单独流程，导致效率低下，难以满足客户满意度。
- 数据处理难题
传统大数据分析主要依赖于易于处理的结构化数据，如消费者的购买记录。而对于分散且不易结构化的非结构化数据，如何真实反映消费者意愿并从中提取价值，一直是个难题。
- 数据价值转化
将洞察数据反馈至前端业务部门，形成持续优化的PDCA循环，并能提供指导性建议，是实现数据价值转化的关键。但很多企业在数据收集、分析和应用方面都不具备全面优化能力，无法将数据成果转化为实际业务价值。
大模型诞生后，所有业务都可以用AI重构：
- 洞察能力的提升
在大模型的支持下，企业能够对客户投诉进行有效分级，快速识别常见问题，洞察客户的真实意图和情绪。通过为客户打上精准标签，并对负面反馈进行深入分析，企业甚至能够预见潜在的商业机会。这让企业在降低人力成本的基础上，能更准确地捕捉和理解“客户心声”。
- 解决能力的优化
通过智能助手，企业能够自动派单和回访，知识沉淀也变得更加自动化和智能化，从而反哺到AI自助服务和人工服务，形成完整闭环，并实现了“所有业务用AI重构”。
- 感知能力的增强
大模型不仅能够高效地处理电话、邮件等传统客户触点，还能灵活地管理和触达社交媒体、移动应用等新兴平台，构建起全面的客户接触感知网络。这使得企业能够更全面洞察客户的行为模式和偏好，从而提供更个性化和精准的客户服务。
03 行业案例分析
结合零售行业数字化转型趋势，及大模型在数据洞察能力的演进，天润融通目前已经在诸多零售企业业务场景中有落地实践，赋能企业实现有效增长。
案例1：上交所上市零售品牌
作为综合性农业产业化的领军企业，该公司业务涵盖奶牛养殖、乳制品与烘焙食品生产，以及连锁门店经营。拥有2000多家门店，采取加盟与直营并行的运营模式。
企业希望提高客户服务和门店运营效率，同时满足B端加盟商和C端消费者的需求。B端加盟商需解决系统、POS机及配货问题，C端消费者关注投诉、咨询和会员服务。此外，企业亦寻求提升员工超10000人的内部服务流程效率，特别是日常办公和报销等基础事务的协作效率和员工满意度。
为实现这些目标，企业首先采用了全媒体入口，提供在线电话和B端业务系统入口，方便与总部联络。其次，通过工单系统实现线上线下轻量化流转和精细化管理，业务系统与工单系统关联，使用户基于订单发起的问题在工单流中清晰呈现。
第三，利用大模型构建面向客户服务和咨询的知识库，基于历史会话记录和企业文档抽取知识便可轻松构建知识图谱。第四，通过RPA等技术抓取第三方平台评价，进行会话分析，再生成工单流转到责任部门，为产品改进提供数据支撑。
最终，企业转人工率下降了46.1%，客户满意度提升了27.3%，工单处理时长减少了31.2%。
案例2：全球100强啤酒品牌
该企业在亚太地区拥有超过2万名员工，由于人员机构臃肿，面临内部运营效率不高的问题。
尽管企业内部部署了众多IT系统和文档，但由于IT支持团队人力有限，难以满足庞大员工群体的系统使用和咨询需求，造成服务响应缓慢。此外，管理上的不连贯也导致用户投诉处理延迟，经销商和门店难以获得及时的咨询支持。
企业希望引入大型语言模型的知识管理功能，整合内部制度文档、产品资料及历史数据，以丰富机器人的语料库，生成贴近客户真实对话的内容，从而提高自动化服务的效率。
此外，大模型还被应用于客户服务部门，服务对象涵盖C端消费者、经销商及区域销售人员。面对非直营门店，企业通过大模型有效捕捉一线客户的真实反馈，弥补了直接接触客户的不足。
在未扩充团队规模的前提下，企业成功支撑了所有内部系统，显著提升了用户体验。通过大模型分析用户反馈，企业能够更高效地优化服务流程，实现了服务效率的全面提升。
04 结语
从增强客户体验到优化运营流程和库存管理，大模型和人工智能正成为零售和消费企业在存量市场竞争中保持竞争力的强大工具。持续创新与技术融合已成为必然趋势，推动企业不断进步。
构建一个以客户为中心的智能零售生态，不仅能够提升客户体验，还能优化运营效率，实现个性化服务与精准营销，从而在激烈的市场竞争中保持领先地位。
热门跟贴