零售IT雙周報第48期：2024年最後一波，超商雙雄各出會員數據經營新招

重點新聞(1215~1228)

2024年最後，超商雙雄各自祭出了會員OMO數據經營新招。全家延續著經營開店平臺的戰略，鎖定買賣家同門市交貨場景，推出智慧寄物服務，進一步了解會員的電商行為，如何與實體消費行為串聯。小七則推出了整合集團全通路的OpenPoint會員入口網站，嘗試一站式蒐集會員橫跨旗下不同通路的數位足跡。

#電商物流 #OMO零售 #會員數據
全家推出電商寄物服務，蒐集OMO消費數據新面向

全家推出「寄物+」門市寄物服務，主要用於電商同門市交貨，也可用於個人寄物情境。目前，此服務可於全臺4,200間店舖的Kiosk機臺申請使用，未來則能在全家官網、會員App及線上Kiosk App等通路申請使用。

這是全家透過電商物流服務，來經營OMO會員數據的又一做法。如同他們過往蒐集門市電商取貨數據，全家也會蒐集寄物服務數據，分析取貨者和寄貨者的行為特徵等個人級別數據，以及熱門服務時段和地點等門市級別數據，來輔助會員及門市經營決策。

#集團綜效 #OMO零售 #會員經營
統一集團推出集團會員入口網站，一站式串聯會員橫跨各通路的足跡

統一集團推出了Uniopen網站，這是一個集團全通路的入口網站，一站式串聯了跨通路的電商功能、生活資訊、優惠資訊。在此，可以用關鍵字同時搜尋跨通路商品、官方資訊文章，以及社群文章。

此網站可以登入橫跨統一不同通路的OpenPoint會員，不過，除了可以查詢訂單跟收藏商品等個人化查詢功能，統一沒有提到其他個人化服務。

目前，此網站對於集團內不同通路的資訊串聯和系統整合程度不一。整合度最低的Yahoo商城，目前只是一個外部連結，無法在搜尋功能中找到站上商品。博客來等其他通路整合度則略高，可以在Uniopen找到商品，但點入商品頁面後，無法直接帶入會員身分。記者實測時，從Uniopen搜尋頁面點擊商品，到博客來買書的過程中，需要登入會員身分至少三次，且每次都需要接收OTP簡訊，體驗仍不算流暢。

#生成式AI #自建GAI應用
用GAI提升業務作業效率6倍，US Foods秘訣是不怕準確度低，早早投入真人測試

如何降低生成式AI產生幻覺或回答不精確的機率，是企業應用此技術到實際業務流程中，一個重要品質控管環節。不過，有一家企業反其道而行，早在生成式AI的KM助手開發初期，就廣泛應用回答準確率只有50%的陽春版雛型，成為他們正式版產品成功提升業務人員作業6倍效率的關鍵。

US Foods是一間有250,000間餐飲客戶的美國大型食品經銷商，他們的3,000名業務人員，不只要負責推銷公司產品，還要提供餐飲及開店建議。每當餐廳想要諮詢，業務人員就得扮演顧問角色，花上3至4小時，彙整餐廳提供資料，綜合參考自家內部資料，才能開始製作顧問提案。平均，一名業務要負責50至70間餐廳，不只工作時間，就連假日和下班時間都被這些數據整理作業佔滿，是業務人員最費時的工作內容。US Foods ML工程團隊希望用生成式AI來降低麻煩，最後成功將業務彙整資料縮短到半小時以內，效率超過6倍。

US Foods ML工程團隊主管David Falck指出，KM工具達到這樣的效果，關鍵在於他們不會擔心GAI回答準確度太低，就不敢讓真人測試。他表示，早早讓業務人試用雛形，不僅可以盡快測試實際工具成效，更能根據大量第一線使用者的誠實回饋，鎖定優化方向。開發過程中，他們也不斷擴大測試規模，讓更多市場及地區的業務人員試用不同版本的雛型，來蒐集更多使用者回饋，並盡早讓工具發揮降低工時的價值。

ML工程團隊的技術決策，也使他們能快速分析試用結果和使用者回饋，並彈性調整系統。這些做法包括妥善切割功能模組、打造自動化再訓練機制、留存推論結果紀錄、規定提示詞模板等。

#生成式AI #LLM開發 #GPU資源應用
酷澎如何開發和應用生成式AI，並在過程中壓低GPU成本

近期，酷澎揭露了自家如何應用和開發LLM，以及過程中的軟硬體技術做法。在生成式AI爆紅前，酷澎一年就已經執行了超過600個ML專案、10萬個工作流程。LLM問世後，酷澎則開始用LLM及多模態LLM的文字及圖像理解能力，來強化既有AI/ML做法，尤其是原本就會運用大量圖文資料的推薦類和內容理解類模型。

常見3大LLM應用是，利用多模態LLM同時根據圖像和文字數據，來生成嵌入向量；用LLM大規模生成中英韓三種語言的弱標註（Weak Labels）數據，來支援其他模型的訓練；以及綜合商品分類與屬性提取，來取代原本個別商品類別的ML分類模型。

導入LLM，使酷澎需要大量增添供應短缺且要價昂貴的GPU資源。他們控管GPU支出及確保可用性的做法包括，定期進行測試是否能用更低規格GPU來處理小LLM的作業、利用跨區及混合雲模式來調度硬體資源、嘗試新技術框架來降低硬體負擔，以及混搭CPU和GPU來降低高端GPU需求等。（更多技術細節詳全文）

#RMN3.0 #會員數據 #第三方數據交換
RMN 3.0平臺帶動會員經濟進一步規模化，企業搭上浪潮得靠數據力

2025年，將有更多企業，有機會採用RMN這個新型零售數據應用型態。2023到2024年，臺灣RMN環境經歷了1.0和2.0階段，前者是企業在自家通路行銷，後者則是將行銷活動推及外部通路。這兩階段，大多只有具備雄厚IT能力或資本的企業，能打造RMN，來經營會員經濟。

2024年底，市場則出現了更多RMN 3.0選項。這個型態的RMN，由平臺方打造IT基礎建設，綜合多家零售商數據，可以利用平臺方與參與企業的通路，再加上第三方廣告通路來行銷。也就是說，IT門檻較低，顧客數據來源、行銷可觸及的通路，都更加多元。

採用RMN 3.0模式，企業IT不需從頭建置聯播網系統，大幅降低了利用RMN來經營會員經濟的門檻。此時，要抓住這個新會員經營的機會，關鍵是數據力。開放自家通路及會員數據後，如何處理大量外部流量，以及如何確保第三方數據交換的隱私與法遵，都是重要課題。（詳全文）

更多零售IT動態

1. 全球有13,990間門市的SPAR超市開始導入AI影像辨識系統來防盜

2. 大型零售集團REWE於德國科布倫茨總站開設無人超商，結合身分證件掃描設備來自動化販售菸酒商品

3. AI零售科技商Trigo推出新電腦視覺防盜應用，串聯不同店內監視器影像、貨架數據及結帳數據來追蹤商品動向

資料來源：iThome整理，2024年12月

責任編輯：郭又華

圖片來源：全家、統一超