预测分析：未来始终占得先机

要点速览

对零售商而言，这意味着：

预测性分析可以显著提高退货管理的效率。

食品配送服务Sprig在美国的一轮融资中刚刚筹集了4500万美元。这肯定不是因为其概念如此卓越新颖。Sprig像类似的竞争对手一样，将其菜肴从自家厨房直接送到旧金山饥饿的客户手中，耗时20分钟。未来可能会更快，因为配送车辆会在订单下达前就带着菜单上路。这将由预测性分析提供帮助。“我们利用数据科学来预测订单何时会到来。”

你可以这样想象一下你家附近的中餐馆：基于其数据，老板知道或推测出，每周四晚上6点半左右，几乎总是有311号、48号、432号和16号订单被下达。因此，载有保温良好的食物的配送车在这个时间点就已经在该区域活动，可以立即满足订单。不再有“需要等待45分钟”的情况。结果是：客户满意，配送车辆的利用率更高。这节省了资金。

机器学习和“预期发货”

Sprig的概念也让人强烈联想到一份来自Amazon的专利文件。在那里，这家在线巨头解释了它对未来配送的设想。“凭直觉”，卡车作为移动仓库在社区周围行驶，以便在产品刚被订购时就交付给客户。预测数据确保相应产品已经储备好。这种“预期发货”方式至少在快速消费品领域消除了实体零售的所有区位优势。

如果有利可图，Amazon确实愿意分享其“手艺能力”中的前瞻性部分。例如，Amazon希望通过云服务机器学习通过Amazon Web Services向其他客户提供“预测分析”服务。该API旨在让具备较少IT先验知识的用户也能轻松使用，从而从自有数据中推导出预测结果，并以极快的速度呈现这些结果。

微软在其云服务Azure的框架下也提供类似的机器学习工具。

在流程链的另一端，预测分析同样具有意义。因此，履约服务商越来越多地利用退货预测数据来识别退货驱动因素。此类数据有助于加快退货处理速度并将其重新投入销售——甚至帮助避免退货。这也意味着真金白银的价值。

BearingPoint推出了一款名为HyperCube的解决方案。这款数据分析软件收集所有可能导致退货的内部和外部因素，基于数学算法对其进行分析，将变量置于因果关系之中，并应能“吐出”建议和“解释性”描述。

例如，在Otto生态系统中，通过使用其参股公司Blue Yonder开发的软件，退货管理也得到了优化。借助Blue Yonder，Otto还能更准确地预测其客户的购买行为，从而更好地控制采购。该解决方案还用于销售优化。Blue Yonder的“水晶球”据说已帮助Otto实现了数千万欧元级别的节省。

"过去商业智能关注的是历史汇总数据（‘我们在肯塔基州卖出了多少双红鞋？’），而现在它需要预测性洞察（‘我们将在肯塔基州卖出多少双红鞋？’）"，他表示。"一个重要的影响是，机器学习本身不会是一项活动……它将成为每个应用程序的属性。不会出现独立的功能，比如‘嘿，让我们用那个工具来预测。'" Peter Levine, Andreessen Horowitz

因此，着眼于库存管理，对用于更好控制的预测分析解决方案的兴趣也在增长。

英国食品服务提供商EAT正在实施Blue Yonder的软件即服务(SaaS)解决方案Forward Demand，以确保其位于英国的114家门店在任何时候都有足够数量的热食、冷食新鲜菜肴以及饮料供应给所有客户。Forward Demand考虑天气、节假日和季节性场合等因素，以预测未来一天、一周或一个月的销量。

关键词：营销。在这里，各种解决方案也承诺能更精准地窥探未来。Adobe Marketing Cloud只是众多供应商试图借助数据分析和模式识别，在预订之前预测数字营销活动乃至社交媒体成功的一个例子。但SAP和IBM也为各种不同应用场景提供了工具。

距离“预期性购物”已不远。基于我们偏好以及预测的购物行为构建的个人商店着陆页已成为现实。

长远目标：在我们意识到自己饥饿之前，家门口的中式食品店就能送来“七种美味”。