IBM公司日前宣布,印度手表及其他精美个人配饰的领先制造商Titan Company Limited正在使用客户互动解决方案 (IBM Watson Customer Engagement)和基于云的解决方案,帮助公司通过1,100万的忠诚客户提高年销量,同时利用Titan的独特产品吸引新客户。

Titan能通过IBM Watson识别用户数据,为每个客户定制个性化营销方案
作为总部位于印度班加罗尔的多类别、多品牌全球时尚生活产品制造商,Titan看到了一个巨大的商机,即印度电子商务市场势必在20年内赶超美国,成为全球第二大市场1。为了在取得成功的同时避开新的在线竞争者,Titan的目标是为其1,500家实体店重新注入活力,扩大在线市场份额,继续鼓励和刺激现有客户通过各种渠道更频繁地购买商品,同时吸引新客户关注该品牌。事实上,印度经济正在稳步增长,家庭收入也在不断增加。预计到2020年,印度的消费性支出会增至3.6万亿美元2,这将有助于Titan寻找到新的商机。
Titan目前正在利用IBM Watson客户互动解决方案作为其电商平台的支柱,使公司能为其客户量身定制在线营销活动, 考虑客户的偏好和过去的购买情况(客户以前将钱花在何处,哪些交易会刺激购买行为)的同时,还会利用分析来研究客户的实时行为,比如哪些商品的查看次数最多,客户通过哪些渠道购买商品,为什么会放弃购物车中的商品等,以便随时调整营销活动,促使客户购买商品。
例如,Titan能够识别客户过去购买的手表,通过这一点了解到客户对当代时尚潮流的敏感度,并为这些客户介绍一些当代珠宝设计。他们不仅能定制折扣金额,还能定制折扣信息发送方式(通过电子邮件、手机等),所有这些都基于客户的过往行为。接下来,在客户浏览网站时,零售商能够识别其他会吸引眼球的商品,并提供每种商品的交易信息。
IBM Watson客户互动事业部总经理Harriet Green表示,"印度势必会成为全球最大的数字化市场之一,这会在零售商之间引发新的竞争,都期望获得更多忠诚客户。通过 IBM Watson 客户互动解决方案,IBM不仅能为Titan提供与客户进行互动的能力,还能助其开启认知商业。Titan能够引入其他由Watson助力的解决方案,助其加快未来数年的发展。"
目前,Titan的客户每年平均有1.5次购买,通过与IBM合作,Titan希望激励老客户,增加购买次数,并且增加3倍的购物品种,无论是在电脑端、手机端还是在实体店。Titan旨在利用IBM的平台将访问者引至其品牌网站,并引导逛街的人进入其遍布全印度的1,500家零售店和10,000个多品牌直销购物中心。在这些店铺中,售货员拥有移动应用,可为其提供每位购物者的详细信息(从过去的购买情况到风格偏好等),因此售货员的推荐能够保持高度定制化和个性化。
Titan公司首席数字营销官Kuruvilla Markose表示,"电子商务的持续发展给Titan带来了巨大商机,使我们更好满足客户独特需求的同时,还能获得新的业务收入。IBM公司在确保我们获得成功方面发挥着重要作用。通过与IBM合作,我们能够使线上线下的所有客户交互个性化,向购物者介绍新的相关产品,这些产品不仅能让他们想起我们产品的标志性设计和显著特征,还能反映他们独特的个人风格。我们希望让客户在店铺中感受到宾至如归,同时将这种建立起的关系引入到客户参与度越来越高的数字化世界中"。
作为其数字化革新的一部分,Titan正在利用IBM 客户互动解决方案。其为众多解决方案提供支持,包括以服务形式交付以及企业内部的认知互动产品。目前,IBM是唯一一家帮助各类公司将认知技术无缝融入其营销、商务和供应链功能中的供应商。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。