Bonus Episode: How Is Artificial Intelligence Transforming Retail Organizations?
25:10 Share

*全新！限时，请参与我们简短的听众调查。我们重视您的反馈！*在本奖励剧集中，我们前往华盛顿特区的世行办公室，主持人Sam和Shervin与世行和乔治城大学麦克唐纳商学院的组织者Jonathan Timmis和Timothy DeStefano一起参加了2023年12月为期一天的会议，“人工智能如何改变公司？”。在我们从此次活动中获得的三个奖励剧集中的第一个剧集中，我们探讨了在Shervin主持的讨论中，AI如何在零售业中使用，讨论的参与者包括沃尔玛的Prakhar Mehrotra（您可能还记得他在《我和AI》的第一集中出现过！）和Tapestry的Fabio Luzzi。本剧集提供了小组讨论的简短收听版本；如需完整会议视频，请访问会议网站。嘉宾简介Prakhar Mehrotra是沃尔玛应用人工智能公司副总裁。Fabio Luzzi是Tapesty的数据和分析主管。Shervin Khodabandeh是《我和AI》的联合主持人，也是波士顿咨询集团的高级合伙人。《我和AI》是由麻省理工学院斯隆管理评论和波士顿咨询集团合作推出的播客，由Sam Ransbotham和Shervin Khodabandeh主持。我们的工程师是David Lishansky，协调制作人是Allison Ryder和Sophie Rüdinger。通过加入我们的LinkedIn小组“AI for Leaders”（mitsmr.com/AIforLeaders）或关注LinkedIn上的《我和AI》，与我们保持联系。我们鼓励您对我们的节目进行评分和评论。您的评论可能会用于《我和AI》的资料中。</context> <raw_text>0 今天，我们播放的是由我们的朋友Modern CTO Podcast制作的一集节目，他们最近很友好地邀请我作为嘉宾参加。我们讨论了生成式AI的兴起，技术成功的意义，以及领导者在指导技术实施工作时需要考虑的一些因素。您可以在Apple Podcast、Spotify或您收听播客的任何地方找到Modern CTO Podcast。

大家好，我是Allison。我们的节目将在3月19日之前进入冬季休假，但这意味着我们有机会与大家分享一些有趣的奖励剧集。第一个剧集（您今天将听到）发生在2023年12月乔治城大学举行的世界银行活动上。Sam和Shervin参加了此次活动，并主持和参加了小组讨论，讨论人工智能如何改变组织。

在本第一集中，您将听到Shervin主持的小组访谈的简短版本，访谈的嘉宾包括Tapestry（运营Coach、Kate Spade和其他时尚品牌的品牌）的首席数据和分析官Fabio Luzzi，以及您可能还记得在《我和AI》第一集中出现的Prakhar Mahotra。Prakhar Mahotra是沃尔玛应用人工智能副总裁。收听这两位零售业领导者讲述他们的行业如何被人工智能所塑造。让我们开始吧。

我是Shervin Kodabande，波士顿咨询集团的高级合伙人。我很高兴主持这个关于零售业AI的小组讨论。很高兴能与Tapestry的Fabio Luzzi先生和沃尔玛的Prakhar Mahrotra先生一起参加。也许我先问问你，Fabio，做一个简短的介绍，Prakhar，你也一样，然后我们开始小组讨论。

谢谢，谢谢。很高兴来到这里。我叫Fabio Luzzi。我的背景是统计学、经济学和计算机科学。所以我一直在不同行业以不同的形式从事数据和分析工作。我从IBM开始，从事技术和咨询工作，然后转到美国运通，在那里我长期从事商务旅行、风险管理和商业洞察方面的分析和高级分析工作。

之后，我在派拉蒙从事娱乐业工作，最近在Tapestry工作。所以是零售和时尚行业。我会告诉你们更多关于这个行业的信息。但是，我认为提到我的经历很有趣，因为它让你们了解数据分析如何真正应用于不同的行业。是的。嗨，我是Prakhar。我已经在沃尔玛工作了

五年半了。在沃尔玛之前，我在Uber工作。是Uber早期的数据科学家之一，在那里从事动态定价工作。在Uber之前，我在Twitter工作。然后我实际上在加州理工学院获得了航空航天工程博士学位。所以，我是一个成为数据科学家的航空航天工程师。所以任何人都可以成为数据科学家。如果一个航空航天工程师都能做到的话。AI就像……

我们现在正处于一场革命之中。这就像20世纪40年代飞机正在研发的时候一样。我认为现在AI也面临同样的情况。人们感到恐慌，人们正在想办法像20世纪40年代建造飞机一样，当时正值世界大战，现在AI也是如此。这是同样的情况。所以很高兴来到这里，与大家分享我的想法。

谢谢你的介绍。你说的是加州理工学院的航空航天工程专业吗？我认识你四年了，我完全不知道。我也去过加州理工学院，所以我们能见面真是太好了。

让我补充一下你关于转型力量的论述，我会问你们同样的问题。Fabio，你先回答，你认为AI最大的价值池在哪里，它如何改变零售业？在我回答这个问题之前，也许我可以简要介绍一下我所在的行业。

你们许多人可能不熟悉Tapestry，但我相信你们都熟悉我们拥有的品牌。我们是一家时尚品牌公司。我们拥有Coach、Kate Spade和Stuart Weitzman。三个时尚品牌，都位于纽约。我们从事时尚的设计和制造业务。

漂亮的产品。正如你所能想象的，这是一个非常复杂的行业，也是一个数据丰富的行业。就我公司而言，我们主要是直接面向消费者，所以我们捕获并拥有大量交易级数据。所以这是一家数据丰富的公司，也是一家非常复杂的企业。

你们可以想象，价值链非常长。从你开始计划和设计产品到产品在货架上或网上销售给客户，大约需要一年时间。所以交货时间很长，期间会发生很多事情。

所以这是一个非常复杂的步骤，贯穿整个价值链，从计划到商品策划（你开始构建商品组合）到采购（你开始投资商品组合），然后是供应链、物流、营销，所有这些步骤都是相互关联的。有很多反馈循环。所以这是一个非常复杂的业务，但它数据丰富。所以这是一个很好的候选者

真正利用数据、AI和机器学习。所以我们希望发展，但要以健康的方式，保持健康的利润率。我们在应用AI的两个宏观领域，并且正在研究AI来实现这一点。一个是增强客户体验，你可以通过不同的方式做到这一点，我们可以深入探讨。增强客户体验，然后增强运营绩效。

在其中任何一个方面举个例子，让大家都能理解。是的，增强运营流程。我们在整个价值链中做了很多事情，其中很多事情都很费时费力，而且数字很多。所以一个例子是分配，对吧？所以将产品从配送中心分配到商店，我们称之为季节性定位。所以产品已经生产出来了。

准备出售了。它位于某个配送中心。我们是一家多配送中心公司，我们在世界各地拥有许多配送中心。什么时间、多少特定产品要发送到哪个商店？我应该向曼哈顿的商店或俄亥俄州的商店发送多少这样的包？随便你。

那里的KPI，目标是最大限度地减少销售损失，最大限度地减少缺货。所以我们不想在商店或网上缺货。

在可能向客户销售产品的时候。所以在这种情况下，我们使用复杂的预测模型。其中一些模型使用不同神经网络形式的AI来预测产品级、商店级客户需求。

或在线，这有助于我们优化从配送中心到商店的分配。通过不同级别的实验可以衡量其影响。但是，是的，通过这样做，我们实现了两个目标，对吧？一个是自动化。正如我所说，这是一个非常费力费时的工作，通常无法由人工完成，因为有很多，你知道，你需要随时查看成千上万的产品。

所以我们帮助自动化大部分分配，然后结果得到了改进，对吧？所以我们减少了缺货。所以，你知道，收入增加了。这就是我们使用它的一个例子。太棒了，太棒了。所以你向听众介绍了零售业的概况。我认为这是一个很好的例子，你必须预测需求，你必须对弹性有很好的了解，然后……

一个关于多少什么产品在什么时候送到哪个商店的优化问题。Prakhar，同样的问题也问你关于价值池的问题。沃尔玛是一家庞大的公司，拥有200多万名员工。你们无处不在，什么都卖。那么，你认为AI最大的转型机会在哪里？几乎到处都是。我认为AI是我们沃尔玛所做一切事情的基础。你可以从

零售中最基本的问题开始。作为零售商，你的目标是什么商品你想卖，你想卖多少，以及你想在什么时候卖，对吧？为此，你需要预测客户需求。这看起来很简单，但在规模上却非常具有挑战性，这就是AI发挥作用的地方。沃尔玛在AI流行之前就已经使用统计学了。我认为它是该领域最早的开拓者公司之一。到现在，在现代时代，你可以想到

今天顾客和10年前顾客的区别在于，今天的顾客有很多选择。他们控制着市场。我想走进商店买薯片，但我可能想通过网上订购来买蘸酱。

在之前的10年里，你会把它们一起买。所以我确切地知道要把薯片和莎莎酱放在一起。但在当今世界，你可以在手机上下单。所以我必须确保薯片和莎莎酱在NFC、商店的各个地方都有，并且通过最后一公里配送送达你，对吧？所以这种全渠道零售的概念应运而生，尤其是在疫情期间。这就是AI发挥重要作用的地方。

在客户方面，我们使用AI来了解客户如何与沃尔玛互动，对吧？比如对话式AI、聊天机器人，比如你可以访问walmart.com并与我们的聊天机器人交谈，说，看，这是什么？我需要一台具有XYZ规格的iPad。或者，嘿，我要去参加一个生日派对，我需要一些礼物推荐。这就是今天的生成式AI发挥作用的地方。如果你是一名沃尔玛员工，AI可以帮助你

提高生产力，比如它可以告诉你接下来应该做什么，所以它最终是我们沃尔玛所做一切事情的基础，沃尔玛的座右铭是每天低价

所以目标是保持低价。如果你能将这一点与令人惊叹的客户体验、你与客户互动的方式结合起来，那将是一个双赢的局面。这就是沃尔玛如何使用AI。它几乎无处不在。你在Walmart.com、沃尔玛商店上做的任何事情，都有AI在其中。这实际上从你们的评论中可以看出非常引人入胜，零售业已经存在了几十年了。

自从有了文明以来，但现在发生的事情是，一切都变得更加竞争激烈，决策的质量、决策的精确度和决策的及时性都非常重要。你们每个人都举了一些例子。让我换一个

不同的问题，那就是，好吧，所有这些机会都谈到了商品策划和库存优化以及客户服务以及所有这些可以通过更好的数据、更好的算法等得到显著改进的事情。是什么阻碍了这一切？是什么让它变得困难？将一个拥有这项技术、这个机会、这个数据的零售组织带到获得价值的道路上，有哪些挑战？我会问你们两个人这个问题，但Prakhar，你先开始，然后Fabio再补充。是的，我认为阻碍的是首先是数据，对吧？你需要像Catherine所说的那样，数据的稀疏性和数据的碎片化是一个真正的问题，它会影响到

如果你没有正确的数据，我的意思是，全渠道零售并没有存在很长时间。所以如果有人说，我需要在一小时内送达这个商品，我们没有数据，所以你需要对此进行最佳猜测。所以这可能是第一个挑战。第二个挑战是如何将AI集成到你的现有流程中？比如你如何将其融入到人们的日常工作中，对吧？所以这就是为什么在沃尔玛，我们非常清楚，我们是人主导、技术赋能的。

这种清晰度，当你面对200万人说，看，我们是人主导、技术赋能的，这有助于AI的采用。如果我是一名员工，我可以轻松地接受AI。在客户方面，我认为每个人都在等待AI，所以这不是问题。内部流程，你怎么看待它？我认为……

在某种程度上，我们也处于某种AI炒作中，对吧？关于AI的承诺比谈论的要多得多。但当涉及到实施时，就像作为一名数据科学家，你会遇到一些现实世界的挑战，但高管们却期望得到不同的东西。所以我认为，作为一名数据科学领导者，最具挑战性的工作之一是如何设定这种期望？

签支票的人期望很高，而你知道你无法达到。这并不是因为你不知道你在做什么，而是因为数据不存在，或者某些东西坏了。我认为这是我最大的收获。所以我从中学到的东西是，在数据和缝合方面存在技术挑战，以及你必须对当今客户偏好的复杂性做出的一些推断，以及变化……

管理方面，即人们的判断、经理、商品策划人员和商人以及拥有

也许是多年或几十年的经验知识和偏好或做事方式的定价专家正在意识到AI正在帮助他们做出更好的决策，但他们必须改变现状。所以，Fabio，同样的问题也问你。你认为最大的挑战是什么？也许举个例子说明你在Tapestry是如何克服这些挑战的？

好问题。我认为这归结为三件事。这就像许多其他框架一样：人、流程和技术。所以是人，显然，因为这是关于改变工作方式。这是一个传统行业，人们长期以来一直以某种方式做事。转型并不容易。所以非常重要

与他们一起工作。所以是设计主导的思维，所以从开始到结束将采用者、潜在采用者、用户嵌入到开发周期中。所以你知道，从构思到设计到部署到测试，与技术的采用者、用户一起工作，

这最终将有助于采用。这就是人，对吧？流程也是类似的，对吧？所以人和流程通常是一起走的。我还认为，另一件需要提到的事情是，这取决于用例。利用AI和机器学习进行转型的某些用例比其他用例更容易，对吧？有时

你只需要识别流程中需要预测的点。我们现在知道AI是我们的预测机器，

你只需要替换流程中的那个点，你就可以用机器进行预测来替换进行预测的人。这些用例往往更容易，因为你并没有真正改变工作方式，你实际上是在通过给他们提供一个工具来更好地完成工作来帮助流程中的人。所以，你知道，有些用例更容易，但另一方面，有些用例更难，因为你

然后你更多地谈论系统转型，这需要公司不同部门的协调和协作。Goldfarb（他在这里的其中一个活动中做过演讲）举了一个很好的例子。

他发表了一个精彩的演讲，他举了美洲杯帆船赛的例子，对吧？即使我们不使用帆船作为转型的一种形式，在赛车方面也取得了很多创新。当他们意识到这不仅仅是关于设计船只，而是关于设计水手驾驶船只的方式时，他们真的加快了转型速度。需要发生这种协调才能改变系统，而不仅仅是预测。

所以，你知道，有些用例更复杂，因为这个原因。所以要始终与流程中的合适人员一起工作。最后但并非最不重要的是技术。我们知道沃尔玛在这个领域非常先进，但对于那些更传统、非技术公司来说，其中一个挑战是他们需要理解AI、分析、机器学习最终是一个技术问题。

你不能只关注用例。你需要构建可以帮助你扩展的技术框架。所以，是的。太棒了，太棒了。你知道，人主导、技术赋能，我从这一点中得到……

AI不是在取代人类，而是在赋能和增强。也许为了补充Fabio所说的内容，Prakhar，也许你可以举个例子说明AI是如何使组织中的个人或群体变得更有力量的，以及这是否有效地促进了变革。

是的，我认为一个很好的例子可以考虑的是商品策划的经典工作。如果你是个商人，这项工作就是获得商品并协商尽可能低的价位，然后决定这些商品，你将如何将这些商品放置在我们拥有的4700多家商店中。现在对于一个人来说，要了解

4700多家商店周围的社区是非常困难的，然后还要乘以大约300件商品，这些商品是我负责的，哪个玩具放在哪里，比如哪个哪个哪个服装放在哪里，所以对于人类来说几乎是不可能的，所以零售的经典方式是将商店进行集群，他们说，好吧，我将有10个集群，我将只发送这些商品，这个流程有效，这就是为什么

基本上是取平均值。取平均值。这就是为什么如果你回到五年前，去任何大型零售商那里，商店看起来到处都一样，对吧？比如相同的商品。但我认为沃尔玛率先提出了个性化商店的概念。所以不是个性化，比如我能够……

因为我们了解客户的人口统计数据和社区商店、邻里商店，我们可以精确地确定，看，圣何塞的这家商店，有更多……某种类型的人口，比如更多印度裔人居住在那里。所以也许我应该在那里放上巴斯马蒂米饭，对吧？比如……

它会卖出去，对吧？所以如果你对需求非常了解，你可以为此建立一个供应链，对吧？这几乎是不可能的。这不是突破性的创新，因为你今天拥有更多的计算能力，而且你也有强大的算法可以做到这一点，你可以快速从错误中吸取教训。所以你拥有让这一切运转起来的生态系统。所以这是一个非常好的例子。所以你组织商店的方式不是围绕着

一些平均值，将1万家商店分成10个集群，而是每家商店都是独一无二的，因为人口统计数据是独一无二的，你以这种方式管理商品策划和分配，这也解释了为什么当我从一个地方到另一个地方时，我找不到任何东西，因为我不属于那个地方。我预测过高或预测过低。

但总有一天你会想出如何做到这一点。我想换个话题，谈谈生成式AI。从我一年多前生成式AI引起轰动以来在业界所看到的情况来看，当然，大型语言模型已经存在了四五年了。但自从每个人都开始更多地接触它以来，许多……

公司要么正在重新考虑，要么正在加倍投资他们的AI战略。所以我会问你们两个人这个问题，关于你们对生成式AI作为一种转型力量的看法，以及它与更具预测性的传统AI的关系。我先问你，Fabio。与更传统的AI方法相比，生成式AI的一个区别是

它可以掌握在非专家手中，对吧？所以任何人都可以使用LLM模型（以对话的形式）并根据输出做出决策。这是一把双刃剑，对吧？所以它带来了巨大的力量，但也带来了风险。正因为如此……就像给普通司机一辆赛车一样。是的，给一个五岁的孩子……

考虑到这一点，我认为非常重要的是不要忘记等式末尾的人，并确保你考虑到可能存在偏差、可能存在错误，以及我们验证这些模型的方式与我们验证更传统的机器学习算法的方式非常不同。好的，很好。Prakhar？是的，我认为……

生成式AI就像，我认为这是AI的量子飞跃，因为作为一名数据科学家，我理解什么是泛化。但我认为大型语言模型证明的是，看，是的，我可以大规模地让一个模型执行多个任务。而且非常优雅，另一个人甚至不会意识到这一点。

这太强大了，就像从技术的角度来看，它将泛化带到了人们的视野中。它也展示了关于人性的某些东西，即人类实际上非常宽容。在今年之前，幻觉并不是一件事情。现在人们对JTPT、Palm 2或Bard都很宽容，对吧？比如，好吧，我给出了错误的答案，好吧，没问题。Twitter和所有社交媒体的动态都充满了各种可能出错的事情。

所以这非常强大。我认为它将AI的采用速度提高了数光年。它几乎是如此具有感染力，以至于它给预测性AI带来了巨大的压力，使其无法发挥作用。但预测性AI现在已经达到了饱和点。大多数模型都很依赖数据，它们需要数据的标签。

我认为另一方面，生成式AI是自监督的，所以我不需要它。我可以训练模型，缩放定律仍在发挥作用，对吧？我的意思是，还没有证明，看，它在哪里结束？有更多的参数。如果我要在GPT-4中添加更多参数，比如十亿个参数，我会得到一个更先进的模型吗？就像，所以现在没有停止的迹象。这造成了这种疯狂的不对称性

如果你不了解所有这些，你是一个商业用户，你就像一切都是AI，你也不了解两者之间的区别，这对你是疯狂的，因为现在你就像，好吧，如果ChatGPT可以回答，写点东西给我，为什么它不能预测一些东西给我呢？Fabio和Prakhar，非常感谢你们的见解。

感谢收听《我和AI》。我们相信，就像你们一样，关于AI实施的对话不会在这个播客中开始和结束。这就是为什么我们在LinkedIn上专门为像你们这样的听众创建了一个小组。它被称为AI for Leaders。如果你加入我们，你可以与节目创建者和主持人聊天，提出你自己的问题，分享你的见解，

并获得来自麻省理工学院SMR和BCG关于AI实施的有价值的资源，你可以通过访问mitsmr.com/AIforLeaders来访问它。我们将在节目说明中添加该链接，我们希望在那里见到你。