消费者和零售商通常很难完全理解不断变化的客户需求。这就是为什么你通常会在你最喜欢的时装店找到XL码而不是M码的原因。这就是为什么你要花几个小时寻找你在Instagram上看到的款式，但仍然找不到。这就是为什么仅在美国，时尚零售商的库存滞销成本估计就高达500亿美元。这也是美国2014年产生1600万吨纺织废料的部分原因。
这不是因为行业内没有意向或努力；相反，很难大规模了解消费者。鉴于消费者的偏好是多样的，而且不断变化，用年龄、性别和收入的宽泛定义来描述消费者是无效的，零售商现在需要关注更详细的细分市场，甚至包括单一的人群。越来越多的消费者在推动趋势，而不是商家定义趋势，这与市场上更多的尝试和破坏是同步的。
为了在这样一个动态的环境中创造和销售“下一件大事”，设计师、买家和卖家必须利用他们的创造力，他们还必须考虑消费者的偏好如何变化，以及不同的设计、销售和营销选择将如何以前所未有的粒度实施。这就是人工智能和自动化的切入点。
例如，考虑一个时尚零售买家。她负责在任何给定季节选择商品的财务成功，但她无法预测目标季节前12个月的任何设计效果，也无法确定在该季节应用的最佳促销措施。这是因为她几乎看不到整个店铺的消费者偏好是如何变化的，以及随着时间的推移，竞争产品在市场上的表现如何。
想象一个AI驱动的系统，可以分析出市场上所有产品的数百万条在线客户评论和图片的自然语言，从而总结出特定位置客户情绪与产品功能之间的关键关系。比如堪萨斯城和布法罗的客户对色块套头衫的反应如何，哪些属性是她色块套头衫相比竞争对手色块套头衫被压低的可能原因？这些关于她有价值的产品和新计划的产品的信息将帮助她大大改善她的分类、定价和降价以及营销计划。
计算了三个不同品牌外观相似的花上衣的市场情绪。仪表盘显示全国不同地区消费者对此类产品的偏好，并推荐不同门店的库存干预措施。
还有，考虑酸奶品牌的销售经理。借助一个可以分析全国跨品牌食品销售的系统，预测公司生产的菠菜朝鲜蓟味酸奶的高质量需求，销售经理可以与零售商就产品介绍和货架图进行谈判。由于缺乏这种能力，这些谈判今天大多失败了。
事实上，IBM最近对1900多家零售和消费产品领导者的研究表明，智能自动化在零售和消费产品行业的采用率预计将在三年内从目前的40%飙升至80%以上。
我们在印度的IBM研究团队与IBM MetroPulse团队合作，将这一先进的、人工智能驱动的功能带入metropolis，这是一个集成了大量市场、外部和客户数据集的行业平台。新功能使用人工智能和自动化功能，围绕语义、视觉和位置上下文融合这些结构化和非结构化数据集，并发现隐藏在这种融合数据中的关于客户偏好的细粒度见解。这些见解将帮助消费品牌和零售商在产品设计、库存规划、需求预测和产品分类方面做出更明智的选择，以适应动态的消费者偏好。
平台分为三层，每层都有深刻的行业内容：
数据层，包括
市场数据包括最新信息、特定地点的消费者偏好信号、产品模式和品牌/零售商行为。我们计划的数据集的一些例子包括在线客户评论和评论、销售点数据和产品图片。对这些大数据集的分析可以为公司提供线索，了解城市或社区层面的消费者偏好如何在品牌、零售商、文化和地区之间发生变化。
本地超第三方数据不断更新，外部因素会影响邻里级信号，进而影响消费者行为，如人口统计、天气预报和历史记录、本地事件和访客。
私营企业数据，包含零售商自己的商店、产品、商品、促销和销售历史的信息。这些数据是高度安全和保密的。
整合多个数据集对于正确实现需求感知和预测非常重要。如《2018年供应链管理：在客户服务中》《零售系统研究》，2018年12月所述，60%至70%的受访者认为“很多价值”的范围从考虑情绪、贸易区数据和过去促销等新数据到需求预测。
知识层，包括
零售行业特定的数字词汇-知识地图，它以实体、属性和关系的形式捕获行业信息。该层允许AI系统以标准且有意义的方式解释和分析数据层中的数据，并最终为最终用户生成意见。例如，考虑捕获各种时尚术语及其关系的时尚分类法(例如，“peplum”是“top”的类型)，或者捕获各种食物类型、配料、风味和类别。
型层次的杂货店本体。
行业情报层，包括
各种AI算法和模型可以识别和理解隐藏在数据中的信号，并通过仪表板和API以有意义和标准化的方式将其转化为见解和建议。这些见解和建议可帮助业务领导者，产品设计师，销售商和其他企业用户了解和优化其目标消费者群的行为和偏好。面向购物者的个性化和认知帮助解决方案也可以使用这些API，以增强销售点上的消费者参与度。这些算法利用多模式AI，可解释的AI和预测中的最新AI技术，并对其进行调整以了解特定于行业的知识和概念。
多模式AI将视觉感知和自然语言处理结合在一起，以从多种数据模式中提取见解。例如，它可以识别图像中的时尚对象，并将它们与随附评论中的客户意见表达联系起来;或语义相似性模型，该模型理解苹果汁对消费者而言，苹果汁与柠檬汁比与苹果更相似，但在口味和成分方面与苹果汁接近。
可解释的AI解释了为什么模型为给定的输入生成特定的输出。随着AI模型变得越来越复杂，非数据科学家几乎无法理解他们的行为，这使他们难以依赖模型的预测。导览技术带来了可解释性，并帮助最终用户理解“为什么”。例如，了解市场上夏季装扮不同设计方面的情绪，并解释当地因素(人口统计学，天气)和销售因素(价格，库存，促销)对美国各州情绪变化的贡献。
