商品销售优化：预测、感知和调整需求

零售优化的挑战和机遇

库存可用性和促销活动持续影响客户的决策。随着新的客户旅程和购物体验层出不穷，执行能力才是王道。消费者不会容忍缺货的情况 — 63% 的消费者表示他们会尝试其他品牌，而不是等待补货。如果零售商对库存有更准确预测和洞察，他们就能够迅速做出调整，满足客户需求和购物偏好，无论他们是在店内购物、在线购买并在店内取货、路边取货，还是使用其他渠道。

消费者的购物方式因购买的东西而不同。例如，消费者在选购礼物和季节性物品时有不同的优先考虑：有时，他们关注价格；有时，价格对他们来说不是问题。零售商现在可以了解购物者在本地化层面对每件商品的反应，使他们能够将促销、季节性和天气的影响纳入预测。

此外，零售商可以根据实时需求锁定客户，从而提高个性化水平。客户更有可能接受针对他们的行为、购物方式和订阅而提供的服务，这进一步提高了服务接受率，并最终增加收入。反之，推送没有针对性的交叉销售或追加销售产品会造成客户疲劳，以及忽视或禁用通知。

利用高级分析和机器学习简化零售计划

无论客户何时何地购买，如果零售商能够在正确的地点提供正确的库存，迅速满足客户需求，就能够克服挑战并利用上述商机。

零售商可以使用高级分析和机器学习来识别与给定客户相关的产品和服务。然后，零售商可以在适当的时间通过适当的渠道将这些产品和服务推送给客户。

让我们深入了解 Oracle Data Platform 如何帮助零售商提高预测准确性、简化计划并优化库存。

此图片显示了如何将面向零售业的 Oracle Data Platform 用于支持商品销售优化，并帮助零售商预测、感知和调整需求。该平台包括以下五个支柱：

• 数据源、探索
• 摄取、转换
• 持久保存、整理、创建
• 分析、学习、预测
• 评估、行动

“数据源、探索”支柱包括四类数据。

业务记录数据包括销售事务处理、客户数据、产品数据、退货事务处理、供应商、库存、POS 系统数据、收入和利润数据。

应用数据来自 ERP、SCM、CX 和 WMS、Fusion SaaS、NetSuite、E-Business Suite、PeopleSoft、JD Edwards、SAP、Salesforce 和 Workday 应用。

第三方数据包括 Oracle Data Cloud 和社交数据中的数据。

技术输入数据包括日志、网页点击、事件流和信标。

“摄取、转换”支柱包括四个功能。

批量摄取使用 OCI Data Integration、Oracle Data Integrator 和数据库工具。

批量传输使用 OCI FastConnect、OCI Data Transfer、MFT 和 OCI CLI。

更改数据捕获使用 OCI GoldenGate。

流摄取使用 Kafka Connect。

所有四种功能都单向连接到“持久保存、整理、创建”支柱中的服务数据存储和云端存储。

此外，流摄取连接至“分析、学习、预测”支柱中的流处理。

“持久保存、整理、创建”支柱包括五个功能。

服务数据存储使用 Autonomous Data Warehouse 和 Exadata Cloud Service。

托管 Hadoop 使用 Oracle Big Data Service。

云端存储使用 OCI Object Storage。

批处理使用 OCI Data Flow。

监管使用 OCI Data Catalog。

这些功能在支柱内互联。云端存储不仅单向连接至服务数据存储和托管 Hadoop，还双向连接至批处理。

托管 Hadoop 以单向方式连接到服务数据存储。

有两个功能连接到“分析、学习、预测”支柱：服务数据存储连接到分析和可视化功能；数据产品、API 功能，云端存储功能连接到机器学习功能。

“分析、学习和预测”支柱包括四个功能。

分析和可视化使用 Oracle Analytics Cloud、GraphStudio 和 ISV。

数据产品、API 使用 OCI API Gateway 和 OCI Functions。

机器学习使用 OCI Data Science、Oracle ML 和 Oracle ML Notebooks。

流处理使用 GoldenGate Stream Analytics 和来自第三方的流分析。

“评估、行动”支柱包括三个使用者：人员和合作伙伴、应用以及模型。

人员和合作伙伴包括历史销售分析、客户细分、促销影响分析、定价影响分析。

应用包括经济指数、购买行为、实时需求预测、库存预测。

模型包括社交媒体情感分析、协作预测和需求计划。

“摄取、转换”、“持久保存、整理、创建”及“分析、学习、预测”这三大核心支柱由基础设施、网络、安全和 IAM 提供支持。

目前有三种主要方法可以将数据注入架构，帮助零售商预测、感知和调整需求。

• 首先，我们需要了解我们的整体库存状况。为此，我们使用 Oracle GoldenGate 来启用更改数据捕获，从运营数据库中摄取所有产品或部分产品线近乎实时的仓库库存数据。
• 现在，我们可以添加与零售需求相关的数据集，例如销售点信息。除了销售信息外，这些数据还为我们提供了多种见解，例如销售时间和地点或有关退款和交换的信息。这些数据集通常包含大量本地数据，在大多数情况下，批量摄取通常是较有效的。对于销售点数据，我们将使用 Oracle Data Integrator，以四小时为周期摄取数据。
• 流摄取将用于通过物联网、机器对机器 (M2M) 通信等摄取从店内信标读取的数据。视频成像也可以用这种方式。此外，在此示例中，我们打算通过分析社交媒体消息、对第一方帖子的响应以及热门消息来分析和快速响应消费者情绪。在将数据存储在云端存储之前，我们可以选择执行一些基本转换/聚合，摄取社交媒体（应用）消息/事件。我们可以使用其他流分析来识别相关的消费者事件和行为，并可将已识别的模式（手动）反馈至 OCI Data Science，以检查原始数据。

数据持久性和处理建立在三个（可选四个）组件之上。

• 已摄取的原始数据存储在云端存储中。我们将使用 OCI Data Flow 来批处理当前持久保存的流数据，例如推文 (JSON)、位置、信标和应用的传感器数据、地理映射数据和产品参考数据。这些处理过的数据集被返回到云端存储，以进行后续持久化、管理和分析，并最终以优化的形式加载到服务数据存储中，或者根据架构偏好，通过作为托管 Hadoop 集群的 Oracle Big Data Service 来做到这一点。
• 我们现在已经创建了已处理的数据集，这些数据集已准备好以优化的关系形式持久保存，以在服务数据存储中进行管理和查询性能。这样，我们可以识别并返回热门的产品和消费者主题标签，这些主题标签可以使用来自企业系统的位置、库存和产品数据进行扩充。

分析部分建立在两种技术之上。

• 分析和可视化服务提供描述性分析（用直方图和图表描述当前趋势）、预测分析（预测未来事件、确定趋势以及确定不确定结果的可能性）和规范分析（提出合适的行动，从而做出理想决策），回答诸如此类的问题：
  • 这一时期的实际销售额与目前的计划相比如何？
  • 现有库存的零售价值是多少，与去年同期间相比如何？
  • 部门中的畅销商品是什么？
  • 上次促销的效果如何？
• 除了使用高级分析之外，我们还开发、训练并部署了机器学习模型。这些模型可以通过 API 访问，部署在服务数据存储中，或者嵌入在 OCI GoldenGate 流分析管道中。
• 经过整理、测试和高质量的数据和模型可以采用治理规则和策略，并将其作为数据网格架构中的“数据产品” (API) 公开，以便在整个零售组织中分发。

通过零售数据平台提高盈利能力

预测和相应的定价和促销效果，再加上基础成本和库存可用性，奠定了有效定价和促销决策的基础。您不仅通过降低库存水平来提高盈利能力和分类灵活性，还可以充分发挥数据价值以预测客户需求，以及应用从机器学习、人工智能和决策科学学科中提取的分析来实现以下目标：

• 通过提高库存率，增加收入并扩大忠诚客户群。
• 通过提高库存率，将品牌忠诚度提高多达 77%。由自动化智能驱动的预测可以大规模推动补货和分配流程。通过预测和相应的统计预测间隔，在合适的时间将正确的产品放在正确的地点，帮助零售商计划前瞻性需求和统计安全库存，同时尽可能降低整体库存成本，这一切都有助于推动供应链实现成功。
• 通过时效性销售和促销将高达 50% 的购物者转化为买家。使用基于情景假设、预测分析以及优化的前瞻性规范分析来推动这些决策。