科技前瞻 | 时装企业的未来预测：AI主导的库存方案会取代传统买手吗？

本文作者：Cathaleen Chen

库存管理对业内的大型公司来说也堪称谜题，因为这不仅要在面对大量订单时有灵活的生产可以应对，还要具有算命般“未卜先知”的能力。但最新的这项技术有望改变原来的游戏规则，但零售商得用对才行。

美国纽约——时装品牌Lafayette 148明白，最近推的那条带有白色几何线条的黑色连衣裙会很受欢迎，因为之前类似的款式都卖得很好。但没料到的是，在发送了一封包含这条裙子的推荐邮件后，新增订单滚滚而来。

该品牌的仓库里的几百件库存，准备提供给波道夫·古德曼（Bergdorf Goodman）、诺斯通（Nordstrom）这样的百货零售商，但根本满足不了意外之外的订单。 “这条裙子我们做的数量够吗？不足的话，我们还能做什么？我们还能拿别的布料做那条裙子吗？Lafayette 148联合创始人兼首席执行官Deirdre Quinn说道。 该公司目前正在加单制造50条连衣裙，还推出了类似原先款式的白色版本。那条黑色连衣裙目前的五个尺码，已经全部卖光。

Lafayette 148售罄的那条连衣裙 | 图片来源： Lafayette 148

时尚品牌的生死，取决于它们平衡供需的能力。生产太少了，意味着销售额会下降，客户会感到失望；生产太多了则会浪费预算，季末促销也会减少利润。 这件事本来就很难遵循所谓的完美法则，而随着电商业务的崛起，库存管理就更困难了，因为新的需求随时随地都有可能出现。 这种供需不平衡影响的是整个时尚行业。Capri Holdings本月早些时候坦言，未能预料到市场对Jimmy Choo新款运动鞋的需求。5月，诺斯通将第一季度销售低于预期的原因，归咎为女装销售规划选择不当。Under Armour为了减少库存过剩，去年大部分时间都在疯狂打折，而H&M还在为没来得及出售的40亿美元库存发愁。 汇丰银行（HSBC）企业银行部全国零售和服装业务主管Eric Fisch表示：“服装库存不像精品葡萄酒，放得越久越好，更像是鲜鱼，库存时间越短越好。”他有不少服装企业客户经常出现陷入这样的境地，到了要生产下一季产品的时候，要来向银行贷款，因为上一季的库存卖不出去。“说到底，库存会影响一家公司的盈利能力和（现金流）。” 时尚行业有很多方法来管理库存，比如加快生产周期，更好应对需求的变化。但很多公司不再只是简单地根据消费者行为的变化再作反应——它们想要预测未来。 品牌越来越善于利用从消费者身上收集到的大量数据，预测他们下一步要买什么。不少初创公司表示可以提前准确预测，消费者未来喜欢什么样的款式，并就每件衣服的生产数量、每家门店或仓库的库存向各大品牌提供建议。 利用人工智能的预测技术识别看似无关变量之间的相关性，有时也被称为机器学习或深度学习（Deep learning）。 剑桥大学机器学习系研究员、数据科学咨询公司Catalyst AI创始人Ahmed Zaidi说， “比如，某些人群所在特定地点发生的天气状况，可能会导致销量的激增，因为服装颜色、尺码大小、天气和地理位置之间可能存在隐藏的相关性。” Catalyst AI的客户包括Calvin Klein母公司PVH集团和Superdry。 在类似Crunchbase这样的网站，你不难发现成千上万初创企业在做这种预测分析，其中有些已斩获数十亿美元投资。根据国际数据公司IDC的预测，2019年全球人工智能产品的支出将达到360亿美元，比去年增长44% 。本月早些时候，耐克（Nike）收购了总部位于波士顿的需求预测和库存优化公司Celect。 初创公司Evo的创始人Fabrizio Fantini说，“机器学习能高速追踪和展现这种相关性，展示投入和产出的不断演变。”该公司利用历史销售数据、全球天气趋势等各种数据，预测不同款式在不同市场、甚至不同独立门店的表现。“相当于一个传统Excel表手动录入的‘即插即用’版。”

数据来源： Catalyst AI

零售人工智能解决方案依赖的是“神经网络”，灵感来自人脑里的神经元，通过图像处理和大量的数据输入来抓取模式和趋势。 这项技术要真正实现，还有很长的路要走。Zaidi说， 神经网络大约十年前才首次应用到零售行业，相比之下亚马逊（Amazon）、Netflix早就用来进行内容个性化推荐了。 预测需求还会更困难，复杂的数据集或将导致人工智能产生偏差。比如微软（Microsoft）在2016年进行的人工智能聊天机器人实验就失败了，这个机器人本该模仿青少年说话的方式，但最终学到的还有种族歧视、性别歧视和侮辱性语言。 Stitch Fix则聘请了一支由100多名数据科学家组成的团队，帮助买手和造型师理解与消费者每个接触点收集而来的数据，包括每个购物者最初填写的风格档案，或是购买后的评论等。 “比如我们会给顾客寄了一件衬衫，她反映说太小，这就能说明她的尺寸偏好，”Stitch Fix首席算法官Brad Klingenberg说。“如果同一件衬衫有100个人都说太小，这就是（收集到的）有关产品的信息了。” 许多零售企业的最终目标是，开发出超越人类买手与供应链管理者的AI。 商家现在做的就是根据历史销售数据、店铺业绩等其他数据点指导下一步采购决策。 “没有谁能知道未来会流行什么样的趋势，”Lafayette 148总裁Liz Fraser说。“只是因为某件衣服去年卖得好，不代表今年也会卖得好。” 但即使是最精密复杂的机器学习科技可能也难以破解时装风格密码，时尚行业仍处于集成人工智能解决方案的早期阶段。 预测受到千千万万个变量的影响。预测一条简洁的黑色连衣裙在某品牌门店畅销，或者大衣外套在天冷的时候比平时卖得更好，这些都很容易。但要预测去年走秀款流行的胸针能不能在纽约等时装之都之外的市场获得成功，就比较困难了。 毕竟就连AI也预见不到，梅根王妃（Meghan Markle）穿了那双Rothy平底鞋去澳大利亚海滩之后，销量会翻上两番。 品牌和科技公司给出的答案是：收集更多的数据。Stitch Fix鼓励顾客使用它推出Style Shuffle在线工具，只要在网站或是App里对商品表示“喜欢”还是“不喜欢”就好。Stitch Fix可以通过700个打分确定，顾客可能更喜欢一件印有咖啡图案而不是骷髅图案的T恤。 即使是那些没有使用人工智能的品牌也会发现，新增的这些数据点会很有用。 Lafayette 148使用了一个名为Skypad的在线应用程序，可以实时跟踪每家商店或全渠道所有商品的销售业绩，Quinn和团队因此可以重新分配库存和补充产品。 Tamara Mellon使用的是MakerSights，这个平台可以调查客户对潜在新品的看法，让公司能够根据受欢迎程度的迹象来计划订单规模。根据采购总监Vanessa Lugo，生产灵活化之后，品牌能在30天内卖出至少50%的产品组合。 Zaidi说，关于AI是否能超越人类买手直觉这个问题，还存在着很多争论。如果有企业打算尝试进行AI预测分析，他建议先做这样一个简单测试：让一支销售团队使用AI主导的解决方案对产品进行季节性降价，另一个团队不使用。 但Fantini也说，使用AI并不意味着传统买手被取而代之。 “工作可能会改变，但我遇到更多的情况是，买手还是手握总揽全局和控制库存的能力，”他说，“对我的客户来说，实际上有更多人在帮他们工作。”

翻译：Miaomiao Zhang