利用分析和 AI 塑造移动零售的未来

石油和天然气 利用分析和AI塑造移动零售的未来 为了为低燃料销售做好准备，前院零售商可以利用先进的分析和人工智能来增加电动汽车充电和便利性的收入。 本文是Alvaro Bau，Mladen Fruk和Swarna Ramanathan与Arjun Chopra，Ewout Eelkman Rooda，Marton Bekes和Yuchu Liu的共同努力，代表了麦肯锡《石油与天然气实践》的观点。 便利革命如何推动业务发展 移动零售市场随着世界从传统燃料转移，石油需求增长显示出放缓的迹象，预计到2030年需求将开始下降。1燃料焦点的这种转变为成熟的移动零售商和市场进入者提供了一个机会，可以使用AI和高级分析（AA）定义新产品。 消费者今天要求更多的便利。他们正在寻找新鲜和频繁的 消费，交付商品，在旅途中满足他们的需求，以及无摩擦的客户体验。如果他们在正确的地点，正确的时间和公平的价格提供正确的产品，这种趋势可能会对移动零售商有利。5 随着电动汽车（EV）变得更加突出，服务站的定制可能对未来的成功至关重要。2智能地利用AA或AI可以帮助移动性零售商为每个站点定制他们的价值主张，并解锁各种用例，这些用例可以帮助提高回报，实现成本节约并推动客户参与。3其中一些用例包括客户忠诚度计划中的个性化、燃料价格优化、劳动活动改进、车站网络优化和便利零售优化。4 能源转型和便利革命的交集为增长提供了几个机会-现在的根本问题是如何有效地利用这两个趋势来定位最能满足客户需求的移动零售业务。通过更低的成本或更精细的价值主张来实现自己的差异化，可能是成功的选择。 能源转型带来的新移动零售机会显示出具有吸引力的价值增长机会，特别是在电动汽车充电基础设施（EVCI）和非燃料零售（NFR）方面。6这些领域的快速增长为新进入者创造了空间，并可能促使传统的前院零售商重新考虑他们的方法和商业模式（图1）。 本文深入研究了后两个用例-站网络优化和便利零售优化-探索移动零售商如何使用AA和AI根据客户的喜好定制每个服务站，并在不断变化的环境中抓住机会。 关于QuantumBlack，AI麦肯锡 QuantumBlack,麦肯锡的人工智能部门帮助公司利用技术、技术专长和行业专家的力量进行转型。QatmBlac（数据工程师，数据科学家，产品经理，设计师和软件工程师）和麦肯锡（行业和领域专家）的数千名从业者，我们正在努力解决世界上最重要的AI挑战。QatmBlac Labs是我们的技术开发和客户创新中心，一直在全球各地推动人工智能的前沿进步和发展。 麦肯锡公司 总之，新的移动机会代表了全球超过1000亿美元的价值。7这种价值增长在地理上有所不同，这是由GDP增长预测和能源转型对不同地区的影响驱动的。到2030年，欧洲可能持有320亿美元的这一价值，并看到零售EBITDA价值池每年增长2.1%。8 例如。确定在哪里部署每个服务和价值主张以最大化每平方米的回报可能是燃料零售商的关键成功因素。 因此，了解客户行为并在每个站点建立正确的报价将是关键- AA可以应用于三个领域，以获取零售业务的价值：建立网络 麦肯锡的分析显示，特定市场的许多大型全球零售商已经看到NFR变得比燃料更有利可图。这导致并购交易的EBITDA倍数增加，新的燃料零售商进入该行业。 未来，通过利用交易数据优化便利零售，并从燃料定价、忠诚度和运营中推动价值。 构建未来的网络 However, even within a region, new value pool will not bethe same across all stations. The performance of a quick -service restaurant, for the station, will strongly depends onthe location of the station, the species of its customers, orthe existing restaurant. 大多数移动零售网络都针对燃料及其相关产品进行了设计和优化 服务。然而，随着运输电气化的增加，机动性零售商正在从只出售化石燃料过渡到为乘用车提供动力的各种不同类型的能源， 确定何时何地建立电动汽车充电基础设施 轻型商用车和卡车。9与今天相比，尤其是重型市场将看到所需能源的增加。 通过使用精心选择的机器学习(ML)模型进行流量预测和消费者行为建模，移动性零售商可以使数据知情的投资决策，并为电气化的未来做好网络准备（参见侧栏“如何建立未来的网络”）。我们已经看到，在资本支出（资本支出）支出方面，数据驱动的决策使ROI提高了10％至20％。 在脱碳流动性时代，设计 未来的网络可能具有挑战性。考虑到各个服务站提供此类服务的不同潜力，利用电动汽车的机会并不像安装充电器和插头那么简单。1一些车站非常适合作为旗舰机动性。 一些零售商领先于AA和AI曲线，并基于ML算法构建了EVCI的内部功能，这些算法可以使用三步方法对电动汽车充电位置进行超粒度预测(请参见侧栏“零售商如何使用机器学习：案例研究”)。 集线器，而其他集线器可能仍然更适合传统的燃料和便利店(图表2)。 交易数据可以帮助移动零售商深入了解消费者行为，如果可以翻译，则可以深入了解电动汽车驾驶员的偏好。这两个维度相结合，提供了关于燃料，电动汽车和NFR的车站级经济前景的综合图片。 麦肯锡公司 如何构建未来的网络 Fuel retailers can use transaction analysis combined with customers 'possible EV charging behavior to design the network of thefuture. EV uptake will impact the profit and loss of individual stations different, mainly drived by three factors: 1.位置,这决定了电动汽车的普及率、整体车流量，以及上路充电的市场份额。 2.消费者行为，这决定了车站在人们生活中的作用。 3.站属性,从电力和停车位可用性的角度确定电动汽车充电基础设施（EVCI）安装的潜力。 可以进行三步，车站级机会评估，以查看哪些车站准备完善其产品。评估首先定义了车站级的盈利能力；第二，重新利用后的燃料和NFR潜力；第三，优化的未来网络，使电动汽车充电等新价值机制最大化。 这种类型的分析可以帮助移动性零售商定量地了解不同的站点原型，以及如何将投资集中在其网络中的正确位置（展览） Exhibit EV吸收对车站原型的影响 麦肯锡公司 零售商如何使用机器学习：案例研究 机器学习（ML）已经被用于改善不同服务站的移动零售服务。在这里，两个案例研究强调了燃料零售商在不断变化的环境中取得成功的努力。 一家零售商采取了明确的行动来引领能源转型并获取价值。在分析了来自销售点系统的超过2亿笔交易后，一个无监督的机器学习模型建议根据这些站点在人们日常生活中的作用将站点聚类成原型。这使得零售商能够绘制未来的网络足迹，并释放大量的资本支出(capex)。 Exhibit 交易分析可以帮助确定商店的缺货趋势。 运营评估模块（说明性仪表板） 虽然机器学习模型的这些见解非常有用，但执行是关键。构建正确的一套功能来根据见解采取行动，可能会定义最成功的零售商，并确保他们锁定在最佳位置。 在另一个示例中，零售商使用模型来列出每个位置的重要预测因素，团队根据每个因素验证位置。构建此类功能可以为站点选择过程带来透明度，并且一旦站点已经建立，就支持针对已建立的KPI的持续监控。 对于杂货零售等其他行业的纯粹零售商来说，具有差异化的客户价值主张一直是推动价值的关键。13移动性零售商已经开始做笔记，专注于重塑他们的客户价值主张（例如在个人交易层面理解客户行为以定义微分类）；执行客户价值主张，包括跟踪库存，促销，客户参与和经验;并开发模型来评估每个地点的“钱包份额”，并确定当前与“公平”收入份额之间的差距。 第一步是确定影响EV充电的本地数据，例如本地EV注册量和流量，社会经济因素，竞争数据，兴趣点（POI）以及市场上可用的充电器数量。 第二个是预测模式将如何转变 在未来，通过预测相关的驱动因素— —包括社会经济因素、汽车销售和电动汽车普及率— —来产生关于竞争如何演变的情景，并了解所需的充电功率。 一流的零售商正在利用大型基于云的平台和ML模型来收集商店信息并分析超过一百万交易分析帮助零售商识别不同领域的运营干预措施，例如，类别分销、最畅销的SKU和类别销售节奏。 第三步是训练和运行ML算法，以确定电动汽车使用场景对不同运营指标的影响-例如，将使用多少充电器和 相应的能源销售。这些模型使运营商能够就EV充电器安装的合适位置，所需的充电器数量及其理想的功率输出提供超常规的建议。 在亚洲最近的一家试点商店中，对各种AA和AI驱动的模块进行了测试，以了解零售的最终潜力所使用的技术范围从系统自动为商店团队生成任务到自动化商店级分类，自动化货架图，无缝结帐，个性化促销和许多其他（图表3）。结果是超过40％的绝对毛利润增长，主要由自动化商店的成本优化驱动。 使用交易数据改善非燃料零售 为电动汽车充电的客户将延长停留时间超过20分钟，这使得非燃料产品比以往任何时候都更加重要。1虽然全球燃料和NFR价值池预计将在2030年之前增长，但NFR预计 要增加高达40%，零售商不确定如何从NFR获取这一价值。12 附件3 示例大规模生成AI和机器学习 分级会员资格以跟踪客户忠诚度和奖励系统，以提高客户保留率 无缝在线订购食品在网上订购后的10分钟内在商店内交付熟食 通过店内客户行为数据（例如，焦点焦点，店内交通流量) 当检测到异常时，使用自动结账技术（例如，计算机视觉和成员识别）向安全人员创建警报 一家移动零售商利用其数据优先考虑在其站点网络中销售受欢迎的商品，从而使整个站点的便利销售毛利率增长了5％至10％ 这样做至关重要-当消费者寻求新类型的服务和便利性时，未能利用这些见解可能会使移动性零售商提供错误的产品。希望嵌入AA和AI的移动性零售商可以考虑以下三个步骤： 它的商店。1其他零售商通常通过实施杠杆组合，在四年内将便利性EBITDA增加一倍，例如动态定价、缺货预测和交叉销售捆绑推荐。 1.正确掌握基础知识。在整个组织中建立数字基础设施来运行和解释数据洞察是移动性零售商的基本要求。但是，很难拥有完整且格式正确的产品和运营模型的“干净”数据。一些零售商无法访问其经销商或经销商的数据 构建未来网络的三个步骤 移动零售商坐拥有价值的数据。执行AA和AI见解并不简单，但 允许访问新功能或价值池的零售商）。数据可以成为基于生成AI的预测性用例的基础，例如更高级别的 房地产合作伙伴，导致他们对客户的部分看法和错过的见解确保完整的数据视图是一个巨大但复杂的价值解锁。 个性化，优化重复性工作（如客户服务）和供应链优化。因此，全球56%的首席执行官认为这些并不奇怪人工智能是其组织的核心关注点，64%的人希望增加对该技术的投资。17 2.设定很高的野心。Retailers can help drive thedecarbonization of the transportation sector by settinghighly goals and repurposing existing assets. Toughchoice may have to be made. Some stations are notfuture - profed or may require repurposing由于燃料销售下降，这可能会减少他们的便利零售客流量。应对这一变化的关键策略包括选择正确的用例，制定路线图，