在 NRF 2023 展会期间，Google Cloud 展示了四项由人工智能辅助的技术。其中部分为全新发布，部分为版本更新。这些工具旨在帮助零售商改造实体店货架检查流程并优化在线商店，从而为客户提供更流畅、自然的购物体验。
据 Google Cloud 零售与消费者业务副总裁 Carrie Tharp 表示，“过去几年的动荡重塑了零售业格局，企业亟需能提升效率、增强客户吸引力并降低未来风险的工具。尽管存在不确定性，行业仍面临巨大机遇。未来的领导者将是那些利用包括 AI 和机器学习在内的先进技术，解决线上线下销售核心挑战的人”。
Discovery AI 新增功能：按产品类别提供个性化排序
消费者常通过浏览寻找灵感，而非明确知晓所需。零售商希望客户能以现代、快速且直观的方式在网站发现感兴趣的产品。
为此，Google Cloud 在其 Discovery AI零售解决方案中引入了基于 AI 的新导航功能。该功能利用机器学习，在买家选择特定类别（如“女士夹克”或“厨房用具”）后，以 最佳顺序展示电商产品。
随着历史数据积累，AI 将学习各电商页面的 理想产品展示顺序。新导航功能依据准确性、相关性和成交概率标准，自动优化产品及其展示方式，适用于首页、品牌页、搜索页、导航页及结账页等场景。
传统在线商店多依赖畅销榜或人工规则（如按季节手动定义服装推广）排序。新导航功能则采用全新方法：它 自动生成排序，且 从经验中学习，无需人工干预。
该功能有望显著提升单次访问收入，同时节省原本用于手动管理多个在线页面的时间与成本。目前，该工具已 面向全球零售商开放，支持72种语言。
新型货架检查 AI：提升产品管控与可用性
货架缺货是零售业的重大痛点。尼尔森IQ数据显示，2021年美国零售商因缺货损失达820亿美元。尽管企业多年尝试各类货架管控技术，但受限于构建可靠 AI 模型所需的资源（用于检测和区分从果酱到牙刷等不同产品），效果往往不佳。
针对此问题，Google Cloud 推出全新 AI 辅助库存核查工具。该方案 可帮助商家 提高货架产品可得性，清晰掌握货架实际状态，并提供补货决策信息。该工具基于 Google Cloud Vertex AI Vision 环境开发，包含 两个机器学习模型：产品识别器与标签识别器。它能仅凭视觉和文本特征大规模识别各类产品，并将数据转化为实用信息。
零售商无需再投入资源收集和整理数据以训练自有 AI 模型，可直接利用包含数千亿独特实体的 Google 数据库。该 AI 解决了 从多角度、多观察点图像中识别产品 的难题，具有高度灵活性，支持天花板摄像头、员工手机或巡检机器人拍摄的图像。
该技术目前处于全球预览阶段，预计未来几个月内 向行业正式开放。值得注意的是，零售商的所有图像和数据所有权归其所有，AI 仅用于识别产品及价格标签。
AI 辅助个性化：打造契合客户的购物体验
Google Cloud 委托研究显示，75%的消费者偏好提供个性化互动的品牌，86%的消费者期望品牌了解其兴趣与偏好。
为助力零售商打造流畅直观的在线体验，Google Cloud 推出新的 AI 辅助个性化功能。该功能在客户搜索和浏览时，为其个性化展示搜索结果，增强了现有的 Retail Search 解决方案及新版 AI 导航功能。
该功能基于 AI 识别客户行为中的兴趣模式（如点击位置、加购商品、购买记录等），进而确定买家偏好，并在搜索排名中 优先展示匹配产品。个性化结果完全 基于客户在零售商网站上的活动，与 Google 账户无关。系统通过零售商网站账户或同源 Cookie 识别客户身份。
与其他 Google Cloud 解决方案一致，客户拥有并控制自身数据，零售商始终掌握客户偏好信息。该技术现已在全球范围内全面开放。
AI 驱动精准推荐：助力零售商增收
产品推荐系统是电商战略的核心。Statista 预测，到 2026 年该行业在线销售额将达 80 亿美元。然而，零售商长期面临如何有效组织推荐面板、提供相关且个性化内容的挑战。Google Cloud 的 Recommendations AI 利用机器学习协助 向客户推荐产品。
此次推出的新功能使推荐更具个性化与动态化。例如，页面级优化功能允许电商网站动态决定为每位客户展示哪些推荐面板，最大限度减少高耗能的 A/B 测试需求，同时有望提升用户忠诚度与转化率。
此外，新增的收入优化功能采用机器学习提供可能增加单次访问收入的推荐。该模型由 DeepMind 合作开发，综合产品类别、价格、点击及转化数据，平衡客户长期满意度与收入目标。重复购买模型则利用购买历史提供个性化复购推荐。
受控实验显示，相比标准推荐系统，采用 Recommendations AI 的商家在转化率和点击率上均实现两位数增长。上述页面级优化、收入优化及重复购买模型现已 面向全球零售商开放。