正在阅读:

人工智能还会卖菜,零售界的Uber如何颠覆你的菜篮子

扫一扫下载界面新闻APP

人工智能还会卖菜,零售界的Uber如何颠覆你的菜篮子

Instacart是自身不做采购仓储的在线零售商,Instacart与美国著名的零售商合作,把这些零售商的商品搬到线上销售,其中包括Whole Foods、Costco、Marsh等知名连锁零售商。消费者可以通过电脑或者手机App下单, 然后由Instacart签约的代购者(Shopper)去指定的商店采购,在1小时内配送到消费者家中。

美国零售电商Instacart创办于2012年,仅仅用了两年多的时间做到估值20亿美元,如今,Instacart的创始团队又借助数据科学( Data Science)和机器学习(Machine Learning)帮助企业优化运营,实现正现金流并逐步走向盈利。

从简单的搬运工变得更高效,Instacart或许可以为国内的同行们提供一些参考。

模式:不仅仅是零售商的搬运工

Instacart是自身不做采购仓储的在线零售商,Instacart与美国著名的零售商合作,把这些零售商的商品搬到线上销售,其中包括Whole Foods、Costco、Marsh等知名连锁零售商。消费者可以通过电脑或者手机App下单, 然后由Instacart签约的代购者(Shopper)去指定的商店采购,在1小时内配送到消费者家中。

下图是消费者用手机App购物的流程:

Instacart的代购者(Shopper)很像Uber的司机,他们可以是全职也可以利用闲散时间兼职。下图是一个代购者 用App接单并完成订单的流程:

单元经济盈利:打破烧钱魔咒

对于这种创新的商业模式,能否盈利是最根本的问题。而早在2016年,Instacart就已经实现单元经济效益(Unit Economics)盈利。

所谓单元经济效益(UnitEconomics),是指在商业模型中, 能够体现收入与成本关系的某个最小运作单元。在Instacart,这就是来自客户的每一笔订单,如下图所示,在这每一笔订单中,能够带来的收益有四类:送货费、小费、产品合作方、零售合作方,而每一笔的成本来自:交易费(信用卡和保险)、购物时间和送货时间。如果能压缩购物时间和送货时间,那么,Instacart就能在单元经济效益上盈利。

在 Instacart的单元经济效益模型中,只要平均完成订单时间在最大时间的70%就可以盈利,如今他们已经实现了这个目标,Instacart在2016年中实现了正现金流,并预计2017年会实现财务盈利。

精准预测的重要性

要实现盈利以及企业的良好运营,精准地预测客户需求,并且满足客户需求显得尤为重要。

Instacart每天要应对来自消费者数以万计的订单,这些订单都需要在客户指定的时间完成配送,如何把这些订单分配给同样数以千计的代购者,每个代购者接哪些订单,走什么线路去指定的零售店,在每个零售店又如何快速寻找到指定的产品,采购完后,走什么线路去配送给每个消费者……这些都需要精准的预测和规划。

(图示:Instacart为代购者优化后的超市采购线路图)

Instacart必须要为自己的预测准确率负责,如果预测准确率低,那么结果就是客户的订单延误,这不仅仅会造成履单成本的提高,也会让客户不满意并造成客户流失。

机器学习帮助提升

为了应对这些挑战,Instacart选择了利用数据科学(Data Science)和机器学习(Machine Learning)。

第一步,是建立大数据平台。在Instacart,每天要处理和应对的是来自多方面的海量数据,比如,仅仅代购者每天的GPS定位信息就有1GB左右。Instacart要把这些数据分类部署,然后用RabbitMQ来处理各个数据库之间的通讯,用PostgreSQL做生产数据库,用Amazon Redshift做离线数据分析。

Instacart会建立多种预测模型来对客户需求、超市购物时间、配送时间等进行预测。每个模型都会用历史大数据进行回顾测试,去不断的优化算法。模型每天做重复的训练来提高预测的准确率。

当遇到恶劣天气或突发事件时,会有偏离模型的警告,Instacart有一个监测市场变化的团队,他们会在这个时候用自己的接口对预测进行调整。Instacart的数据科学团队正在努力实现调整部分工作的自动化。

梯度推进模型优化配送预测时间

梯度推进模型GBM(Gradient boosting)是一种机器学习的技术,该技术可以提高现有预测模型的准确率。

比如, 在旧金山地区的Instacart办公室,要在几个小时之内完成数千个客户订单,那么,如何给出一个最优化的方案,用最少的人力和时间去完成这些订单呢?显然需要更精确地去预测每个代购者每条可能路线的时间。此时,GBM模型就非常有用。更精准的预测可以让系统用优化算法得出最优的完成订单方案,这个方案可以比以往更快地完成客户的订单。

自然语言处理(NLP)提升用户体验

自然语言处理NLP(Natural Language Processing)实现人与计算机之间用自然语言进行有效通信的方法。在这里的用处就是分析用户以往的采购行为,然后给用户推荐可信的热卖单品。

Instacart与全美数百家零售商合作,商品汇总起来,数量竟有数百万之巨。这些产品的订单频次分布是长尾分布,那么如何能够给用户推荐那些他们真正需要而不仅仅是热卖的单品呢?Instacart 用NLP技术去归纳总结,然后推荐那些即使不常被购买但是对客户有用的商品。比如某个用户经常购买啤酒、奶粉、尿布和游戏产品,那么系统或许会推荐一本《一个奶爸的自我修养》给他。

也玩深度学习

Instacart也用到了深度学习(Deep Learning)技术,比如产品目录团队使用深度学习来进行图片处理,以及代购者在商场某处,重新安排代购清单和线路。深度学习技术解决了以往机器学习中的很多棘手的问题,这为提升服务带来了新的机遇。

最后,我们来看美国著名科技媒体TechCrunch对Instacart的采访视频,看看他们每天是如何快速处理和完成来自客户数以万计的订单:

(作者:郑伦,联系微信公众号“田野观察AgriReview“,本文首发于《天下网商》转载请注明,商业转载请联系作者本人)

本文为转载内容,授权事宜请联系原著作权人。

评论

暂无评论哦,快来评价一下吧!

下载界面新闻

微信公众号

微博

人工智能还会卖菜,零售界的Uber如何颠覆你的菜篮子

Instacart是自身不做采购仓储的在线零售商,Instacart与美国著名的零售商合作,把这些零售商的商品搬到线上销售,其中包括Whole Foods、Costco、Marsh等知名连锁零售商。消费者可以通过电脑或者手机App下单, 然后由Instacart签约的代购者(Shopper)去指定的商店采购,在1小时内配送到消费者家中。

美国零售电商Instacart创办于2012年,仅仅用了两年多的时间做到估值20亿美元,如今,Instacart的创始团队又借助数据科学( Data Science)和机器学习(Machine Learning)帮助企业优化运营,实现正现金流并逐步走向盈利。

从简单的搬运工变得更高效,Instacart或许可以为国内的同行们提供一些参考。

模式:不仅仅是零售商的搬运工

Instacart是自身不做采购仓储的在线零售商,Instacart与美国著名的零售商合作,把这些零售商的商品搬到线上销售,其中包括Whole Foods、Costco、Marsh等知名连锁零售商。消费者可以通过电脑或者手机App下单, 然后由Instacart签约的代购者(Shopper)去指定的商店采购,在1小时内配送到消费者家中。

下图是消费者用手机App购物的流程:

Instacart的代购者(Shopper)很像Uber的司机,他们可以是全职也可以利用闲散时间兼职。下图是一个代购者 用App接单并完成订单的流程:

单元经济盈利:打破烧钱魔咒

对于这种创新的商业模式,能否盈利是最根本的问题。而早在2016年,Instacart就已经实现单元经济效益(Unit Economics)盈利。

所谓单元经济效益(UnitEconomics),是指在商业模型中, 能够体现收入与成本关系的某个最小运作单元。在Instacart,这就是来自客户的每一笔订单,如下图所示,在这每一笔订单中,能够带来的收益有四类:送货费、小费、产品合作方、零售合作方,而每一笔的成本来自:交易费(信用卡和保险)、购物时间和送货时间。如果能压缩购物时间和送货时间,那么,Instacart就能在单元经济效益上盈利。

在 Instacart的单元经济效益模型中,只要平均完成订单时间在最大时间的70%就可以盈利,如今他们已经实现了这个目标,Instacart在2016年中实现了正现金流,并预计2017年会实现财务盈利。

精准预测的重要性

要实现盈利以及企业的良好运营,精准地预测客户需求,并且满足客户需求显得尤为重要。

Instacart每天要应对来自消费者数以万计的订单,这些订单都需要在客户指定的时间完成配送,如何把这些订单分配给同样数以千计的代购者,每个代购者接哪些订单,走什么线路去指定的零售店,在每个零售店又如何快速寻找到指定的产品,采购完后,走什么线路去配送给每个消费者……这些都需要精准的预测和规划。

(图示:Instacart为代购者优化后的超市采购线路图)

Instacart必须要为自己的预测准确率负责,如果预测准确率低,那么结果就是客户的订单延误,这不仅仅会造成履单成本的提高,也会让客户不满意并造成客户流失。

机器学习帮助提升

为了应对这些挑战,Instacart选择了利用数据科学(Data Science)和机器学习(Machine Learning)。

第一步,是建立大数据平台。在Instacart,每天要处理和应对的是来自多方面的海量数据,比如,仅仅代购者每天的GPS定位信息就有1GB左右。Instacart要把这些数据分类部署,然后用RabbitMQ来处理各个数据库之间的通讯,用PostgreSQL做生产数据库,用Amazon Redshift做离线数据分析。

Instacart会建立多种预测模型来对客户需求、超市购物时间、配送时间等进行预测。每个模型都会用历史大数据进行回顾测试,去不断的优化算法。模型每天做重复的训练来提高预测的准确率。

当遇到恶劣天气或突发事件时,会有偏离模型的警告,Instacart有一个监测市场变化的团队,他们会在这个时候用自己的接口对预测进行调整。Instacart的数据科学团队正在努力实现调整部分工作的自动化。

梯度推进模型优化配送预测时间

梯度推进模型GBM(Gradient boosting)是一种机器学习的技术,该技术可以提高现有预测模型的准确率。

比如, 在旧金山地区的Instacart办公室,要在几个小时之内完成数千个客户订单,那么,如何给出一个最优化的方案,用最少的人力和时间去完成这些订单呢?显然需要更精确地去预测每个代购者每条可能路线的时间。此时,GBM模型就非常有用。更精准的预测可以让系统用优化算法得出最优的完成订单方案,这个方案可以比以往更快地完成客户的订单。

自然语言处理(NLP)提升用户体验

自然语言处理NLP(Natural Language Processing)实现人与计算机之间用自然语言进行有效通信的方法。在这里的用处就是分析用户以往的采购行为,然后给用户推荐可信的热卖单品。

Instacart与全美数百家零售商合作,商品汇总起来,数量竟有数百万之巨。这些产品的订单频次分布是长尾分布,那么如何能够给用户推荐那些他们真正需要而不仅仅是热卖的单品呢?Instacart 用NLP技术去归纳总结,然后推荐那些即使不常被购买但是对客户有用的商品。比如某个用户经常购买啤酒、奶粉、尿布和游戏产品,那么系统或许会推荐一本《一个奶爸的自我修养》给他。

也玩深度学习

Instacart也用到了深度学习(Deep Learning)技术,比如产品目录团队使用深度学习来进行图片处理,以及代购者在商场某处,重新安排代购清单和线路。深度学习技术解决了以往机器学习中的很多棘手的问题,这为提升服务带来了新的机遇。

最后,我们来看美国著名科技媒体TechCrunch对Instacart的采访视频,看看他们每天是如何快速处理和完成来自客户数以万计的订单:

(作者:郑伦,联系微信公众号“田野观察AgriReview“,本文首发于《天下网商》转载请注明,商业转载请联系作者本人)

本文为转载内容,授权事宜请联系原著作权人。