人工智能与零售、能源行业——高盛报告:人工智能、机器学习和数据……（六）-经管之家官网！

扫码加入财会交流群

零售
到2025年每年节省成本540亿美元，年收入410亿美元
虽然离线到在线转换已经证明了许多传统零售类别的挑战，但电子商务的出现也为零售商带来了大量的客户数据。然而，最重要的问题仍然存在。企业如何利用他们手头的数据来更好地为客户提供服务并赚更多钱？成功的早期迹象为广告技术的激增，使零售商能够更有效地定位网络上的客户。今天，零售商利用历史上不同的数据集，不仅优化广告，还优化库存管理，需求预测，客户管理和趋势外推。我们看到人工智能/机器学习通过预测需求，提高每年价值为540亿美元的劳动效率，同时优化定价，并在2025年之前在全球范围内实现410亿美元的服装和鞋类的年度销售提升。
什么是机会？
零售作为一个部门正在导航重大的长期趋势，因为千禧一代成为主要购买者，消费者习惯与在线购买。虽然零售商迄今为止在不同程度上取得了不同程度的成功，但是人工智能/机器学习为全渠道和纯粹电子商务零售商提供了一个机会，从购买转移在线和技术改进时积累的大量客户和产品数据中获得预测。在我们的研究中，我们确定了跨越零售价值链的人工智能/机器学习的关键领域的机会。 、

什么是难点？
预测需求和趋势。零售业中最大的挑战之一是适当地引导趋势和衡量需求水平。特别是在服装行业，设计师和买家通常在商品上货架两年前确定未来时尚趋势。当前的预测模型是有限的，在自动化，解释需求驱动程序和历史数据的限制等领域不足。
存货管理。库存管理仍然是一个问题，因为各个系统的复杂程度和协调水平在价值链中的成员之间往往是不同的。效果是昂贵的，因为库存过剩和缺货可能对零售销售产生显著影响。 截至2015年春季的一年里，超过630亿美元的零售销售损失归因于缺货，超过470亿美元是由于库存过剩（销售发生在零售商亏损的价格点），根据IHL集团的一项研究。
门店数量和规模。无论是总量或人均的零售面积，仍然是零售商的摩擦点。2015年，美国的零售面积达到76亿平方英尺，人均23.5平方英尺，2005年分别为67亿平方英尺和22.8平方米（图55）。随着电子商务继续渗透传统类别，如电子和服装，新的类别如CPG为更大的股份转移提供了机会，进一步加剧了剩余零售空间的影响。
图55：美国人均零售空间

目前的经营方式是什么？
当前的经营方式的特点是一个广泛的价值链，可以分为4个部分：生产，仓储，分销和零售。虽然这四个步骤提供了一般意义上的一个过程，但是在这每一个桶内，通常可以找到附加的步骤或中间体。其结果是，从制造到销售的系统合并，可能导致库存过剩，缺货和资源分配效率低下，特别是在旺季。也就是说，物流和库存管理过程在近几十年来有了显着改善，因为已经采用了更多的技术和系统，比如即时制造系统。像UPS这样的第三方物流供应商也采用了高级分析来优化路线和包裹管理——这是我们在未来看到AI潜力的另一个领域。然而，目前的经营方式仍然存在挑战，特别是在时尚，服装和鞋类等类别中，预测消费者将需要什么，什么价格仍然有难度。
人工智能/机器学习将如何助力？
推荐引擎。人工智能/机器学习有潜力通过利用销售，客户和内容方面的巨大数据集来深化推荐引擎功能。早期电子商务的第一个机会是推荐引擎，尽管大多数功能主要基于产品属性，但对客户的偏好知之甚少。诸如协作过滤的技术通过利用客户偏好和品味中的已知相似性来提供对未知偏好的预测。
然而，诸如数据稀疏性或新的用户/项目“冷启动”问题的限制和可扩展性仍然是当用户快速增长并且计算资源的消耗水平变得不切实际时的问题。像Zalando和StitchFix这样的公司已经开始通过机器学习将销售和内容数据与消费者偏好相结合，因为Zalando认为客户关系将最终推动销售。 像亚马逊这样的公司已经朝这个方向迈出了一步，在2013年末收到了“预期包裹运输”专利。虽然原始文件没有提到机器学习，但显然这种类型的系统最终可以通过深度学习实现考虑季节性需求，天气，人口统计的独特的用户购物模式。

图56：人工智能/机器学习用传统方法预测头对头
关键优势：单算法，利用多项目历史，跨过程优化

dunnhumby: 跨越定价、促销和忠诚度整合人工智能/机器学习
dunnhumby是全资英国子公司，乐购跨国的杂货店，通过和品牌和零售商打交道优化零售经验。该公司拥有超过2000人，专注于全球范围内的数据分析，以提供库存管理，价格优化，促销和个性化的意见。
从历史上看，预测销售是一个相当静态的分析，根据历史数据和反动的调整进行。今天，dunnhumby将人工智能/机器学习与整个价值链整合，精度不仅在销售预测，也在库存管理和价格优化。最终，更好地预测零售业价值链的多米诺效应与分层人工智能/机器学习增量驱动效率在库存和定价可能降低成本，帮助零售商如Tesco提高销量。
l 销售预测。销售预测历来是非常规则驱动，dunnhumby创造的机器学习方法引入到预测过程会有更加准确的通知模型。
l 360度客户视图。优质客户数据是最重要的发展客户的360度视图。现在图像占所有新数据的80%左右，因此从图像中提取有用数据的能力是商品化的关键。通过建立一个360度视图，零售商正在寻找更有效的渠道来确定目标客户。
l 花费和保存优化。对于许多零售商来说，一个关键的促销工具是“花钱和节省”的报价。零售商通过调整折扣和消费门槛已经看到显著的性能改进。应用机器学习技术，优化这些开销和节省阈值，再加上准确的客户定位可以提高整个促销方案的质量。
收购团队和技术一直是零售业发展人工智能/机器学习技术的关键。具体而言，在2013KSS和2010标准分析的零售并购中，随着合资和2014 年沙盘中50%的股权，已经交付数据科学、人工智能的人才和解决方案，集成在dunnhumby的产出之中。
解释性仍然是一个机器学习解决方案模型的摩擦点，因为随着数据层合并模型会变得越来越不透明。结果，经常有关键的决策者和可解释性的模型成功率之间的权衡。如果一个相对合理的成功率可以通过一个简单的模型得到改进，分析师倾向于提供简单的解决方案给客户，如果给定了一个潜在的更复杂的人工智能/ 机器学习解决方案。
图57：客户数据科学核心到方法

图58：PriceStrat帮助模型和执行定价

量化机会
降低劳动力成本来提高需求预测。在美国的企业目前每年花费近60亿美元的劳动力成本分析过去的购买趋势，销售记录，价格以及商品质量的测定与产量。根据劳动统计局的规定，基于合同协议选择、订购和授权支付。另一方面，批发和零售买家的任务是利用历史数据，专业经验，专业知识，以确定哪些购物者在未来两年有兴趣。而电子商务的不断渗透，增加了此任务的可用的数据量，将这些数据转化为应用的挑战仍然存在，提高的不仅仅是广告定位也是预测趋势和倾向。我们相信，这种类型的考虑非常适合人工智能/机器学习的能力，去结合定量的可视化数据预测需求和优化购买决策。估计人工智能/机器学习在2025年前全球范围内可以较少每年零售业劳动力成本54亿。
图59：与批发和零售买家相关的劳动力成本

优化定价。HBS和Rue La La的联合研究优化每日定价，估计平均收入增长大约为9.7％，由机器学习过程的集成相关的90％置信区间为[2.3％，17.8％]。鉴于闪存销售模式和销售量的一些细微差别，我们将潜在的改进从平均值减少了200个基点到7.7％，并假设通过结合人工智能/机器学习基于预测需求优化定价的可变问题，可以有2.3％-7.7％的改进。在零售业，特别是服装和鞋类中，动态定价的挑战之一是缺乏新风格，颜色等历史数据来预测需求。应用机器学习，能够同时分析数百个产品和属性，最终运用比传统预测更广泛的数据集合更好地评估和优先观察。因此，我们看到人工智能/机器学习驱动的价格优化机会，到2025年全球服装和鞋类电子商务平均的年销售额增长将达到410亿美元。
图60：人工智能/机器学习 价格优化可以产生显著提升服装电子商务

谁会占下风？
随着在零售价值链中的人工智能/机器学习的整合带来一系列成就，对公司和员工而言，整个库存管理，生产和目标的效率显著提高。我们认为过度制造的零售商可能会占下风，因为人工智能/机器学习驱动的价值链的效率提高可以帮助资产缺乏的零售商进一步完善他们的需求预测和库存管理，领先于其强大的竞争对手。
我们也看到更严格的库存管理让不以价格为目标的零售商占了下风，他们从过度购买或过度生产的大型零售商和品牌那里得到好处。有了更准确的生产和需求预测，为降价的零售商提供了从生产超支和取消订单中受益的机会，并预测失误的几率可以显著降低。回顾，2015年春季销售中超过4700亿美元因存货积压而损失（IHL）。
图61：平方英尺增长与销售/平均平方英尺增长

图62：最近的商店关闭/公告选择零售商

能源
在2025年前累计节约1400亿美元
石油和天然气工业是非常资本密集型的，并且操作通常在极端条件下进行。设备可靠性极为重要，因为设备和过程的故障会极大地影响项目的经济性。为了避免故障，工业通常对设备进行过度工程设计，并采用多层冗余，从而提高了每个工作或项目所需的资本。在人工智能/机器学习设计更可靠设备的范围内，可以降低工业的资本支出和运营支出要求。效益可以相当大，我们估计石油和天然气行业的资本支出，运营支出和库存管理能减少1％，可以在10年内节省大约1400亿美元。在能源行业，我们认为一家公司特别适合采用A人工智能/机器学习，不仅降低自身的运营成本，而且还帮助客户降低成本——它就是斯伦贝谢（SLB）。
什么是机会？
我们相信人工智能/机器学习可以帮助石油和天然气产业的整个价值链。
项目规划。 世界各地的大型能源项目可能花费数百亿美元，可能有3到5年的交付周期。 管理层基于一系列宏观假设批准这些项目，涉及石油价格以及他们的主要产品、服务的需求和供应。 人工智能/机器学习的应用可以更好地告知管理层项目的可行性，公司可以做出更好的决策，减少所进行的不经济的项目的数量。此外，人工智能/机器学习应用可以帮助（1）更准确地确定项目成本，通过整合行业/公司在这些项目中的过去经验，以及（2）使项目成本与计划保持一致，更好地执行公司的项目。
提高设备可靠性。计划外设备停机和非生产性损失时间是项目成本增加爱的一些最大驱动因素。石油服务行业高度关注提高设备可靠性，人工智能/机器学习可以在这方面提供帮助。 该行业尤其针对海底防喷器（Blow Out Preventers），这些通常是钻机上最易发生故障的物品，每个故障都可能使深水行业的成本至少增加1000万到1500万美元（见下面的案例研究）。类似地，压力泵泵发生故障，为了最大限度地减少损失时间，服务公司带来的泵浦数量是技术上需要的泵数量的两倍。提高设备可靠性不仅会降低设备维护成本，还会降低服务公司为每个工作部署的资本。
改进了油气资源的识别，定位和开发。发现石油和天然气储量及其开采产生大量数据。 当行业进行地质地震分析以确定油气储量的位置时生成数据。类似地，钻井和测试井时产生数据。最后，当场被开发和生产时，生成大量的生产数据。将地质数据、生产相关数据和硬件安装相关数据相结合可以产生用于最佳利用储量的信息，一个项目的经验可以应用于更经济的未来项目设计。
增加下游行业的正常运行时间。计划和计划外停机会显著地影响下游行业的盈利能力。在天然气管道中，压缩机的正常运行时间对于维持良好的流动是非常重要的，同时管道的最佳“检查”可以减少意外停机的时间和泄漏。类似地，炼油和石油化工行业的计划内和计划外停机有很高的机会成本。即使使用率提高1％，也可以节省一大部分成本。
什么是难点？
能源工业在各个层面高度分散。在美国，页岩资源的开采涉及近400个行业，许多其他上游公司都在世界不同地区开展工作。在石油服务行业中，三大公司（斯伦贝谢，哈里伯顿和贝克休斯）主导着大多数技术驱动型企业，但是在钻井平台和压力泵送等更为商品化的服务领域有很多参与者。中游的炼油和石油化工业务也是分散的。
碎片化带来了挑战，因为关键数据掌握在许多玩家的手中。因此，一家公司可能无法访问地质游戏、某种类型的设备或过程的所有数据。此外，一些有权访问关键数据的公司可能不愿意共享它，即使他们自己可能没有财力或技术知识来利用它。
获取访问数据。此外，该行业的数据跨越了地理的界限，因为石油和天然气储备分布在世界各地，而且往往数据掌握在国家石油公司（NOC）的手中，这意味着数据的获取可能受到监管的限制。此外，数据跨越各种时间段，因为最早的井是在1880年钻探的。
最后，当在整个价值链中数据分析可能是最有用的。但一般来说，能源公司主要涉及业务的一个方面，可能无法访问价值链中的所有项目，这将优化分析。
目前的经营方式是什么？
该行业仍在使用传统方法开采石油和天然气，并且使用改进的但不是真正革命性的方法和技术。影响行业的关键问题是，该行业正在各种各样的孤岛中前行，并且业务的各个部分之间的整合和凝聚力有限。例如，石油和天然气储备（E＆Ps）的所有者设计整个项目，然后在不同的服务提供商之间划分工作。E＆Ps有最多的信息，但他们不太了解什么服务公司可以提供服务，并且往往他们与服务公司保持距离，觉得过度依赖他们可能会导致未来的成本增加以及IP的泄漏。为了让能源行业真正从人工智能/机器学习中获益，数据将需要在E＆Ps和服务部门之间实现更广泛的共享，需要一个更协作的模式。在海上空间，由于国际石油公司已经在努力降低成本，一些IOC（国际石油公司）在与一体化综合服务公司如斯伦贝谢（SLB）和FMC技术（FTI，NR）的合作方面发挥了领导作用。
人工智能/机器学习如何助力？
人工智能/机器学习从以下方式：
l 从历史信息中获取知识提高产品的可靠性。人工智能/机器学习也可以减少产品开发，田间试验和商业化的时间。
l 更好地定位石油和天然气储量，通过削减时间和成本开凿，使得油田开发成本降低。
l 降低生产成本，通过改善设备正常运行时间和降低维修费用。
l 提高海洋和陆地钻机正常运行时间，提高了钻进效率，减少了钻井天数。
l 基于数据分析的人工智能/机器学习可以降低维修相关的下游行业的停机时间。
量化机会
在2016，我们预计高盛覆盖石油和天然气公司的固定资产投入近4000亿美元。此外，石油和天然气行业应该花了775美元亿美元的运营成本（不含炼化销售成本和DD&A），持有存货约2000亿美元。
我们估计人工智能/机器学习应用可以降低1%的资本支出和运营成本，行业通过更好的库存管理降低1%的库存，10年整个行业可以生下来的钱将达到1400亿美元。我们提出以下几个案例研究，指出成本可以减少的地方。
图63：高盛涵盖能源公司每年的资本支出+运营成本+存货达1.4万亿美元

图64：我们看到10年里通过削减1%的资本支出、运营成本和库存节省了1400亿美元

图66：工业可以减少35亿美元的PP舰队的总资本部署

通过“未来钻机”改善钻井时间。 当深水井正在钻探时，石油和天然气工业每天花费70万至100万美元，而水平页岩井的每日钻井成本可能约为6万美元。因此，该行业可以从其钻井计划中每天节省一笔可观数目的成本。
钻井时间可以通过三种方式减少：
l 提高设备的正常运行时间，特别是在问题项目如国际收支（尤其是海底）和顶驱。
l 根据井的实际情况选择合适的井底钻具组合。
l 优化钻井性能，通过建立一个在地面设备和底部钻具组合之间的“闭环信息系统”。自动化系统和减少“船员素质”产生可重复的良好性能。
行业正在积极减少国际收支（吹阀）和顶部驱动的停机时间，通过筛选数据，寻找领先的信号，预测即将到来的问题。
同样，先前钻井的数据分析可以帮助石油公司为特定井设计最佳钻井液和钻头。此外，通过在钻头附近的传感器与钻机面板上的控制之间建立闭环系统，可以设计“智能钻机”，其自动调节“钻压”和施加在钻机上的扭矩，根据井下条件最有效地钻井。人工智能/机器学习可以帮助持续改进可重复的性能。
钻井的关键问题之一是“人为干预”的影响，业内人士发现，即使在类似的井，钻井性能的显著变化取决于船员的质量。自动化可以减少“人为干预”对钻井性能的影响。
National Oilwell Varco（NOV），斯伦贝谢和Nabors工业正在研究新一代钻井概念。下面的展示显示，National Oilwell Varco的自动化系统可以将井底的钻井时间平均减少30％。更重要的是，NOV的自动化系统将钻井时间缩短到2.5至3.0天，而传统钻井方法则为2.5至5.5天。
斯伦贝谢是构建“平台的未来”，并希望它的第一个原型在今年年底之前出来。
图67：通过机器学习“闭环钻井自动化”提高可重复钻井性能
NOV报道了自动化钻井系统高水平的可重复的改进

提高炼油厂的正常运行时间。美国炼油工业的安装基数约为1800万桶/日，平均利用率约为90％，占该行业计划和计划外维护的时间的10%。
美国炼油厂的平均利润率因为平均10%的停机时间放弃每年66亿美元

谁会占下风？
小型或不太复杂的能源公司或者有资本约束和有限的技术诀窍的公司将受到最不利的影响，因为更好的公司采用人工智能/机器学习来降低成本。这对石油及石油服务业同样如此。关键的赢家是那些在过去投资于从他们的资产中获取数据的人，并且有远见去储存它。这些公司，不仅有财务能力，采用人工智能/机器学习技术来处理数据，也有文化层面的技术使用和创新来分析技术。
石油和天然气行业可能会因为那些关键数据库与技术实力而进一步巩固。

连载（共7篇）下一篇：

谷歌、亚马逊……IBM、百度在AI方面做什么——高盛报告:人工智能……（七）

「经管之家」APP：经管人学习、答疑、交友，就上经管之家！
免流量费下载资料----在经管之家app可以下载论坛上的所有资源，并且不额外收取下载高峰期的论坛币。
涵盖所有经管领域的优秀内容----覆盖经济、管理、金融投资、计量统计、数据分析、国贸、财会等专业的学习宝库，各类资料应有尽有。
来自五湖四海的经管达人----已经有上千万的经管人来到这里，你可以找到任何学科方向、有共同话题的朋友。
经管之家（原人大经济论坛），跨越高校的围墙，带你走进经管知识的新世界。
扫描下方二维码下载并注册APP