人工智慧技術雖然還處在持續發展和創新的階段，但也應認識到在人工智慧與“電子商務”高速發展的背景下，傳統零售行業正在經歷翻天覆地的變化。現今，傳統零售業與電子商務領域正在進行多方面的融合。人工智慧賦能的電子商務領域解決方案和產品在近幾年內爭先落地，在零售業的各個環節中掀起狂風浪潮。
隨著電子商務的普及，零售業內領先企業與初創公司都在試圖整合前沿技術，進行電子商務領域人工智慧技術應用落地的嘗試以搶佔新興市場份額。在此背景下與人工智慧相關的機器學習、計算機視覺、強化學習等技術已經在不同場景下逐步落地。
一、人工智慧在電子商務領域的市場規模
電子商務領域主要是指基於網際網路如淘寶、亞馬遜、京東等的多維度商品銷售平臺，或者如特斯拉、耐克、Casper品牌直接運營的網路門店。受益於數字化與人工智慧技術的發展，近年來電子商務領域的運營成本正在逐年下降，並且由於其低門檻的人人都可為商家的銷售模式，電子商務擴充套件極其迅速。全球電商市場的銷售額在2018年為2.8萬億美元，到了2021年能夠增加75%，達到4.9萬億美元。其中中國是全球規模最大、最活躍的電商市場，B2C的銷售額、消費者人數均佔據全球第一。根據阿里研究院的報告不完全統計，有近80%的電子商務賣家使用過人工智慧相關工具，而隨著盈利的增加人工智慧工具的使用頻率也在日益增長。
圖：人工智慧電子商務領域工具商品門類使用率以及工具使用頻率
二、人工智慧技術在電子商務領域的應用
電子商務領域的人工智慧應用目前集中於計算機視覺，自然語言處理和強化學習：
計算機視覺技術：在電子商務平臺購物的過程中，產品照片的影響至關重要。無論是商家想要藉助演算法去設計產品的海報，還是根據顧客對於產品外觀的品味推薦搭配的產品，計算機視覺技術的應用前景都非常廣闊。
自然語言處理技術：在使用者搜尋時，為了更好地讓使用者找到匹配的商品，電子商務平臺的搜尋和排序演算法中利用了大量自然語言處理技術來分析搜尋的關鍵詞和產品的文字介紹。尤其是針對突然出現並暢銷的爆款產品，傳統的排序演算法無法快速地作出應對，自然語言技術能夠更好地幫助客戶找到他們想要尋找的商品。
強化學習技術：電子商務領域的一個重要指標是轉化率，比如搜尋的轉化率、頁面瀏覽的轉化率、商品排序的轉化率等，為了提升這些轉化率，不少大的電商平臺已經在藉助強化學習技術來預測使用者針對網頁的反饋行為，從而更好地優化搜尋和產品頁面的排序。
三、人工智慧技術在電子商務領域的應用場景
產品搜尋：搜尋是電商領域非常高頻且重要的使用者行為，使用者為了找到心儀的商品，會通過關鍵詞甚至實物圖片進行搜尋，其中關鍵詞搜尋和產品匹配涉及自然語言處理技術，而“以圖搜圖”的產品圖片搜尋依賴於計算機視覺技術；另一方面，在搜尋結果的排序上，如阿里巴巴等大型電商平臺也會基於強化學習技術進行排序的優化。個性化的推薦系統：除了搜尋，使用者也會瀏覽網站的頁面去挑選產品，因此電商平臺通常會推出諸如“猜你喜歡”、“相關產品”、或者“別人也在看”這些功能來向顧客推薦更多相關的產品。這些結果都是基於機器學習演算法學習使用者過往的瀏覽和購買行為，個性化地為他們推薦相關的產品。
動態定價：市場的供需關係總是在動態變化，而基於供需關係的定價也會受到影響，電商需要根據實時的庫存、顧客購買的需求之間的平衡進行價格的調整，才能最大化自己的利益。基於這一需求，不少電商平臺會基於機器學習演算法和自身的資料進行動態的產品定價，從而實時針對現在甚至未來的供需關係進行商品價格調整。
欺詐風險控制：電商平臺是信用卡盜刷的重災區，在信用卡普及的歐美市場尤其如此。盜刷者會遞交大量的虛假訂單，然後通過取消退款的方式獲得現金。信用卡盜刷和欺詐對於電商平臺的穩定運作產生惡劣的影響。因此電商平臺也會通過機器學習技術預測和判斷欺詐性的信用卡交易，及時阻止交易發生，從而控制平臺上的風險。
其它場景：由於人工智慧技術在電子商務領域的場景極為複雜，本報告僅基於所選人工智慧技術案例有侷限性的進行了場景劃分，故並不包含人臉識別，活體驗證等熱門應用領域。
四、人工智慧技術在電子商務領域應用代表案例
阿里巴巴：阿里巴巴自2014年起開始推出自行研發的以圖搜圖工具“拍立淘“，拍立淘主要被應用在阿里巴巴的國內電商平臺淘寶網和海外電商平臺全球速賣通中，幫助使用者更便捷地通過照片搜尋自己想要找的服裝、配飾等產品，至今已擁有每日數千萬使用者。
Pinterest：Pinterest於2017年推出了以圖搜圖引擎Visual Lens，如今每月達到6億次搜尋。Pinterest還將Visual Lens產品化開放給合作的電商品牌，如美國著名零售商Target就將Visual Lens整合到自己的電商平臺中，使得顧客可以通過圖片匹配Target資料庫中的商品。
Stitch Fix: 基於個性化推薦系統的時尚電商，利用使用者的喜好和購買行為資料為使用者提供一對一個性化的優質推薦。Stitch Fix於2017年上市，到2018年12月市值為18億美元。
亞馬遜：研究顯示亞馬遜自身以及第三方賣家在亞馬遜線上市場（Amazon Marketplace）中通過演算法實現大量的動態定價。100件隨機挑選的商品在一年內的價格浮動可達260%，調整的頻率也從五天一次到一天一次不等。對於第三方賣家來說，動態調價能夠幫助他們獲取更多被展現給使用者看、從而獲得更多訂單的機會。
五、人工智慧技術在電子商務領域應用的侷限性
冷啟動問題：推薦系統、動態定價等技術都需要基於大量的資料，對於新進入電商平臺的使用者、或是全新品類的商品，因為缺乏足夠多的資料，難以受益於這些技術。
演算法的可擴充套件性：強化學習在電商領域搜尋、排序等方面的應用裡遇到了瓶頸，主要在於這些問題中存在了太多的決策空間，目前缺乏有效的方式使得演算法能夠擴充套件到大量級的問題。
長尾效應：長尾效應在電商領域非常普遍，少數商品獲得了絕大多數的購買和點選，而多數商品的資料則非常缺乏，這使得演算法非常容易地針對熱門商品進行過度擬合。
六、自然語言處理技術的未來發展趨勢
資料驅動的個性化：基於使用者資料的個性化推薦和搜尋演算法將在電商領域越來越普遍，不同的是，更加多維的使用者資料將會被結合使用，包括使用者的社交行為、職業、喜好、品味等資料都會被演算法使用。
專家與演算法結合（Human in the Loop）：像Stitch Fix這樣將演算法與人類專家結合的運營模式將更加普遍，通過演算法和專家意見相互補足，幫助電商平臺更好地設計商品和推薦。
與線下零售結合：像“以圖搜圖”這樣的技術提供了打通線上電商和線下零售的入口，尤其是在時尚領域。使用者可以線上下品牌體驗店、時裝走秀等場合發現和體驗商品，通過“以圖搜圖”這樣的技術瞭解商品的詳細資訊並立即下單。商家可以由此擴充和豐富顧客的購物體驗。
* 本文為「智周」系列報告「核心版」，相應「深度版」的推出計劃將在後續公佈，敬請大家關注。針對「電商領域人工智慧發展與趨勢」這一主題，有哪些方向或主題，你希望在報告深度版中讀到更詳細的闡述與分析，歡迎留言，這將成為我們製作報告深度版的重要參考。