零售商利润面临重重压力的侵蚀——零售市场面临着增长缓慢和客户需求不断增加的挑战。

零售商本质上是生产者和终端消费者之间的纽带,他们的利润空间非常狭窄,这就要求他们密切关注成本和运营效率。丹麦杂货市场正面临发展缓慢、消费者的购买习惯越来越复杂、零售市场正不断分为多个极小的细分市场的艰难局面。面对这种现状,IT 系统必须能够收集更多的零售点数据、应用预测分析并及时生成报告,从而帮助零售商快速对客户的需求做出响应。
Salling Group 是丹麦的一家大型零售商,在欧洲四个国家共拥有 1,467 家零售店,51,000 名员工,每天为 140 万名到店客户提供服务。他们必须保证备有新鲜的现货能够创造销售收入,并且还不能因库存积压而造成浪费。
IT 挑战
利用大数据——即用即付的 SAP HANA 突破了传统平台的局限性。
随着 Salling Group 在国际市场上的扩张,以及交付渠道的多样化和运营时间的增加,店面级别的日常库存管理决策越来越依赖于预测性的大数据分析。Salling Group 有 50TB 的数据库,而且还在以每月 2TB 的速度增长,公司急需进行IT改造升级。
Salling Group 决定迁移至内存计算平台 SAP HANA,并且需要 SAP 合作伙伴提供一款集成了硬件、软件和 IT 管理服务的端到端解决方案。另外,Salling Group 还希望该解决方案采用即用即付的交付模式,在保持较低成本的同时还要具备足够的 IT 灵活性,以便公司能够与季节性且多变的市场动态保持同步。
解决方案
将数据转化为见解——Salling Group 与 HPE Pointnext 合作,共同开发端到端的变革性解决方案。
为了保持精益和敏捷性,同时确保满足未来的可持续增长要求,Salling Group 引入了 HPE Pointnext 来帮助自己设计、构建和部署端到端解决方案。
Salling Group 在欧洲所有店面的销售点系统每时每刻都会产生大量交易数据,公司现在需要收集这些海量数据并快速进行分析,然后及时将信息丰富的报告提供给决策者。这种从数据中获得实时见解的能力给 Salling Group 带来了极大助力。
此外,以灵活服务的形式购买基础设施让 Salling Group 节省了更多资金,进而提高了公司寻求国际化发展和市场机遇的能力。使用 HPE GreenLake 弹性容量服务,Salling Group 仅需支付自身所使用的容量费用,而不必承担账面资本支出。当业务需求发生变化时,Salling Group 可以根据自身需求安全地增加或减少容量,从而优化了现金流并提升了 IT 敏捷性。
日常运营支持也由 HPE Pointnext 提供。
成果
充分利用竞争敏捷性和客户见解,实现迅速发展——基于准确、及时的客户信息做出库存决策,帮助增加收入的同时减少浪费。
每天早晨开门营业之前,Salling Group 的店面经理都可以详细而准确地了解前一天的客户采购情况。他们不需要根据数据分析结果去猜测,就可以查看全面的个性化报告,并据此制定合适的库存储备决策,从而提高客户满意度、增加收入,减少食物腐败与浪费。这一优势使得 Salling Group 能够保持快速发展,并减轻了利润空间狭窄所带来的压力。
从个别商店该备存多少升牛奶这种微小的细节,到国际扩张方面的战略性难题,Salling Group 借助 HPE 解决方案进行了 IT 变革,将之前已成为业务瓶颈的 IT 转化成了一股具有极高敏捷性的强大推动力。
好文章,需要你的鼓励
AI正在革命性地改变心脏疾病治疗领域。从设计微创心脏瓣膜手术到预防原理定位,机器学习和神经网络的洞察力推动了巨大进步,甚至可以构建新型移植解剖结构。数字孪生技术为个性化心血管护理提供持续预测管理。哈佛干细胞研究所的研究人员利用纳米材料和类似棉花糖机的设备,能在10分钟内制造心脏瓣膜,相比传统3周制造时间大幅缩短。这些突破性技术为每年4万名先天性心脏畸形儿童带来新希望。
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
谷歌正在为搭载其内置信息娱乐系统的汽车推出谷歌地图实时车道引导功能,首先从极星4开始。该系统利用车辆前置摄像头和AI技术,分析车道标线和路标,为驾驶者提供更精确的车道指引和视听提示。该功能将在未来几个月内在美国和瑞典的极星4车型上推出,目前仅支持高速公路使用。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。