前瞻研究：电商领域人工智能发展与趋势_ai+电商发展报告

人工智能技术虽然还处在持续发展和创新的阶段，但也应认识到在人工智能与“电子商务”高速发展的背景下，传统零售行业正在经历翻天覆地的变化。现今，传统零售业与电子商务领域正在进行多方面的融合。人工智能赋能的电子商务领域解决方案和产品在近几年内争先落地，在零售业的各个环节中掀起狂风浪潮。

随着电子商务的普及，零售业内领先企业与初创公司都在试图整合前沿技术，进行电子商务领域人工智能技术应用落地的尝试以抢占新兴市场份额。在此背景下与人工智能相关的机器学习、计算机视觉、强化学习等技术已经在不同场景下逐步落地。

一、人工智能在电子商务领域的市场规模

电子商务领域主要是指基于互联网如淘宝、亚马逊、京东等的多维度商品销售平台，或者如特斯拉、耐克、Casper品牌直接运营的网络门店。

受益于数字化与人工智能技术的发展，近年来电子商务领域的运营成本正在逐年下降，并且由于其低门槛的人人都可为商家的销售模式，电子商务扩展极其迅速。全球电商市场的销售额在2018年为2.8万亿美元，到了2021年能够增加75%，达到4.9万亿美元。其中中国是全球规模最大、最活跃的电商市场，B2C的销售额、消费者人数均占据全球第一。

根据阿里研究院的报告不完全统计，有近80%的电子商务卖家使用过人工智能相关工具，而随着盈利的增加人工智能工具的使用频率也在日益增长。

图：人工智能电子商务领域工具商品门类使用率以及工具使用频率

二、人工智能技术在电子商务领域的应用

电子商务领域的人工智能应用目前集中于计算机视觉，自然语言处理和强化学习：

• 计算机视觉技术：在电子商务平台购物的过程中，产品照片的影响至关重要。无论是商家想要借助算法去设计产品的海报，还是根据顾客对于产品外观的品味推荐搭配的产品，计算机视觉技术的应用前景都非常广阔。
• 自然语言处理技术：在用户搜索时，为了更好地让用户找到匹配的商品，电子商务平台的搜索和排序算法中利用了大量自然语言处理技术来分析搜索的关键词和产品的文字介绍。尤其是针对突然出现并畅销的爆款产品，传统的排序算法无法快速地作出应对，自然语言技术能够更好地帮助客户找到他们想要寻找的商品。
• 强化学习技术：电子商务领域的一个重要指标是转化率，比如搜索的转化率、页面浏览的转化率、商品排序的转化率等，为了提升这些转化率，不少大的电商平台已经在借助强化学习技术来预测用户针对网页的反馈行为，从而更好地优化搜索和产品页面的排序。

三、人工智能技术在电子商务领域的应用场景

• 产品搜索：搜索是电商领域非常高频且重要的用户行为，用户为了找到心仪的商品，会通过关键词甚至实物图片进行搜索，其中关键词搜索和产品匹配涉及自然语言处理技术，而“以图搜图”的产品图片搜索依赖于计算机视觉技术;另一方面，在搜索结果的排序上，如阿里巴巴等大型电商平台也会基于强化学习技术进行排序的优化。个性化的推荐系统：除了搜索，用户也会浏览网站的页面去挑选产品，因此电商平台通常会推出诸如“猜你喜欢”、“相关产品”、或者“别人也在看”这些功能来向顾客推荐更多相关的产品。这些结果都是基于机器学习算法学习用户过往的浏览和购买行为，个性化地为他们推荐相关的产品。
• 动态定价：市场的供需关系总是在动态变化，而基于供需关系的定价也会受到影响，电商需要根据实时的库存、顾客购买的需求之间的平衡进行价格的调整，才能最大化自己的利益。基于这一需求，不少电商平台会基于机器学习算法和自身的数据进行动态的产品定价，从而实时针对现在甚至未来的供需关系进行商品价格调整。
• 欺诈风险控制：电商平台是信用卡盗刷的重灾区，在信用卡普及的欧美市场尤其如此。盗刷者会递交大量的虚假订单，然后通过取消退款的方式获得现金。信用卡盗刷和欺诈对于电商平台的稳定运作产生恶劣的影响。因此电商平台也会通过机器学习技术预测和判断欺诈性的信用卡交易，及时阻止交易发生，从而控制平台上的风险。
• 其它场景：由于人工智能技术在电子商务领域的场景极为复杂，本报告仅基于所选人工智能技术案例有局限性的进行了场景划分，故并不包含人脸识别，活体验证等热门应用领域。

四、人工智能技术在电子商务领域应用代表案例

1. 阿里巴巴：阿里巴巴自2014年起开始推出自行研发的以图搜图工具“拍立淘“，拍立淘主要被应用在阿里巴巴的国内电商平台淘宝网和海外电商平台全球速卖通中，帮助用户更便捷地通过照片搜索自己想要找的服装、配饰等产品，至今已拥有每日数千万用户。
2. Pinterest：Pinterest于2017年推出了以图搜图引擎Visual Lens，如今每月达到6亿次搜索。Pinterest还将Visual Lens产品化开放给合作的电商品牌，如美国著名零售商Target就将Visual Lens整合到自己的电商平台中，使得顾客可以通过图片匹配Target数据库中的商品。
3. Stitch Fix: 基于个性化推荐系统的时尚电商，利用用户的喜好和购买行为数据为用户提供一对一个性化的优质推荐。Stitch Fix于2017年上市，到2018年12月市值为18亿美元。
4. 亚马逊：研究显示亚马逊自身以及第三方卖家在亚马逊线上市场(Amazon Marketplace)中通过算法实现大量的动态定价。100件随机挑选的商品在一年内的价格浮动可达260%，调整的频率也从五天一次到一天一次不等。对于第三方卖家来说，动态调价能够帮助他们获取更多被展现给用户看、从而获得更多订单的机会。

五、人工智能技术在电子商务领域应用的局限性

• 冷启动问题：推荐系统、动态定价等技术都需要基于大量的数据，对于新进入电商平台的用户、或是全新品类的商品，因为缺乏足够多的数据，难以受益于这些技术。
• 算法的可扩展性：强化学习在电商领域搜索、排序等方面的应用里遇到了瓶颈，主要在于这些问题中存在了太多的决策空间，目前缺乏有效的方式使得算法能够扩展到大量级的问题。
• 长尾效应：长尾效应在电商领域非常普遍，少数商品获得了绝大多数的购买和点击，而多数商品的数据则非常缺乏，这使得算法非常容易地针对热门商品进行过度拟合。

六、自然语言处理技术的未来发展趋势

 

• 数据驱动的个性化：基于用户数据的个性化推荐和搜索算法将在电商领域越来越普遍，不同的是，更加多维的用户数据将会被结合使用，包括用户的社交行为、职业、喜好、品味等数据都会被算法使用。
• 专家与算法结合(Human in the Loop)：像Stitch Fix这样将算法与人类专家结合的运营模式将更加普遍，通过算法和专家意见相互补足，帮助电商平台更好地设计商品和推荐。
• 与线下零售结合：像“以图搜图”这样的技术提供了打通线上电商和线下零售的入口，尤其是在时尚领域。用户可以在线下品牌体验店、时装走秀等场合发现和体验商品，通过“以图搜图”这样的技术了解商品的详细信息并立即下单。商家可以由此拓展和丰富顾客的购物体验。