高端時裝零售 · 亞洲 · 2 品牌、8 個地區
為高端時裝零售集團打造 AI 增強分析與 BI
每週報表變為每日,進階分析開放予非專家——而敏感數據從未離開公司。
印證能力 · AI 應用 + 數據 + 自動化
- Daily
- 報表(原每週)
- 8
- 地區
- 2
- 品牌
- In-house
- AI 數據不出公司
挑戰
報表全靠人手且緩慢:零售、財務、採購、CRM 各團隊每週才得到一次重要報表;而更深入的分析——客群分眾、產品關聯——又須倚賴難以聘請的數據專家。引入 AI 雖然吸引,但將敏感的客戶與銷售數據傳送至外部 AI 工具,根本不可行。
做法
我們由 AI 項目最常失敗的地方入手——數據。先進行大量清理與建模,整理成一個可靠、結構良好的基礎,再將「數據結構(schema)」傳授予 AI,而非真實數據。AI 憑藉 schema 即可撰寫 Python 回應業務問題,精準交付您所需:Excel 報表、客戶名單、儀表板或報告。一個本地 AI 模型(Qwen)在公司內部以真實數據進行第一輪分析——撮要、洞察、建議——因此敏感資料完全不會離開公司。AI 編寫的程式於 AWS Lambda 運行,結果存入 S3,再由 Power Automate 定時將報表派發至電郵與 SharePoint。
成果
報表由每週一次變為每日,覆蓋 2 個品牌、8 個地區;加上人手處理減少,出錯亦隨之下降。同樣重要的是——分析人員毋須再重複編製報表,可以投入真正更深入的工作;以往須由數據專家才能完成的分析(RFM 客群分眾、分群、產品關聯),如今業務團隊已能自行處理。CRM 得以更精準觸及合適的客戶;採購團隊運用產品關聯規劃推廣與選貨。
設計上私隱安全
雲端 AI 始終只接觸數據結構;本地模型(Qwen)在公司內部處理真實數據的第一輪分析。敏感數據從不離開公司。
乾淨數據先行
最漫長、也最重要的一步。AI 的成效取決於底層數據——因此在採用任何模型之前,先打好基礎。
企業級自動化
AI 編寫的 Python 於 AWS Lambda 運行 → 存入 S3 → 由 Power Automate 定時派發至電郵與 SharePoint。
落地與賦能
為近乎全公司提供分層培訓、每隊設一位 Super User、為一線支援編寫 SOP,並定期舉辦 Super User 交流會——與法國總部及亞洲團隊協調推動。