Kroger推动数据驱动的客户体验

美国超市零售商Kroger一直在数字任务中使用技术来成为以客户为中心的。

数据通常被视为21世纪的燃料。Kroger的84.51°附属公司是通过收购Dunnhumby 2015年的技术资产的消费者见解业务。Dunnhumby是Tesco在英国成功的公司成功，并作为Tesco和Kroger之间的合资企业。

斯科特·克劳福德（Scott Crawford）在84.51°展望了74.51°，说零售商已经承诺成为他描述为“真正的数字导向的价值链”的数字业务。

他说，84.51°的目标是进行纵向研究，这是一个在很长一段时间内跟随同一群人的分析技术。“我们希望了解客户来推动更好的客户体验，使他们的生活更容易或让他们整体更好的客户体验，”他说。

Crawford在84.51°的情况下，能够使科学团队能够在整个业务中实现和赋予数据科学权力。他说，该团队鼓励本组织有效地开发和部署机器学习技术。启用S​​cience功能选择，实现并为机器学习工具提供培训，包括“标准”和自动化工具。其中一个是Datarobot，它提供了监督机器学习。

“我的团队鼓励其余的组织有效地使用机器学习，”Crawford说。“我们为其他数据科学团队创建工具包。”

他说，DataRobot为团队提供了一种有效的方式来部署数据模型。“DataRobot使他们能够比使用传统工具更快地部署模型月。”

“数据科学的广度正在增长。有充足的用例可以添加值作为项目“

斯科特克劳福德，克里德

2017年，美国杂货巨头推出了其RESTOCK KROGER VISION，这是一种数字战略，将其食品专业知识和数据分析结合在一起，以创造新的客户体验，既有数字和商店交付。总体目标是制定以客户为中心的努力来创造股东价值。

Crawford相信数字转型应该涉及以新的和创新的方式做某事，而不是只是数字化现有过程。“当我们考虑在自然界中的运营时，可以通过使用数据做出更好的决定来改善这些操作，”他说。“我们有卑鄙的Kroger客户历史，可以与其他数据集结合使用，并用作业务的燃烧引擎来做出更好的决定。”

Crawford表示，它传统上通过IT项目提供了对业务的能力，但数据科学是一种能力。“数据科学的广度正在增长，”他说。“有充足的用例可以添加值作为项目。”

但是，还有其他用例是程序，他说。“任何数据模型都放在该领域具有保质期。你的目标是让你的模特陈旧，因此需要不断评估和发展。“

在某些情况下，反馈循环直接建立在程序中，并可以实时演变，他说。在Crawford的经验中，在某些情况下，这些数据科学计划在使用最近的数据时不断地发展数据模型。

Kroger的技术投资

在技​​术的里程碑中，Kroger已达成其转型之旅，这是其最近在智能商店上使用微软的工作。该项目涉及两家飞行员，位于华盛顿州梦露，俄亥俄州和雷德蒙德，使用Microsoft Azure的智能搁架和分析，并通过Internet（IoT）传感器连接。

试验商店的架子使用增强型显示杂货环境（边缘），使用数字显示器的搁架系统，而不是传统的纸张标签，以指示从价格和促销到营养和饮食信息的所有内容。通过将Kroger的移动客户应用程序与智能货架的商店中生成的数据组合，然后在Azure上处理，Kroger相信该组织将能够提供独特的客户体验。

Kroger的数字变换旅程的另一个方面是它与ocado做的工作。2018年，Kroger开始与Ocado合作，以允许美国零售商通过采用Ocado智能平台提供的集中式，自动化的在线零售模式重新定义杂货客户体验。

在公司第二季度2019年盈利呼吁的成绩单中，发布在寻求阿尔法金融博客网站上，首席执行官Rodney McMullen概述了Kroger对其如何看到合作伙伴关系的愿景。“我们知道Ocado的价值不仅仅是其目前的能力，还可以在公司能够创新方面的快速发展，以便迅速发展在线消费市场，”他说。

McMullen与1,400名软件开发人员组成的团队表示，奥卡多带来了巨大的人才深度和长期创新的创新，以便在网上杂货店零售业的机会。

除了从ocado获得的技术专长，Kroger将数据视为核心资产，使其能够提供引人注目的客户体验，使其能够与亚马逊/整个食物和沃尔玛的喜好竞争。鉴于其在Dunnhumby的遗产，Kroger的84.51°附属公司有效地提供了一种推动业务变革的数据引擎。

对于数据科学来成功驾驶业务的运营变化，分析团队需要一个佩戴的技能。Crawford将数据科学家分为三种类型。

首先是启用数据科学家：“这些数据科学家有洞察力的优势，并在通信和讲故事中有天赋，”他说。“他们理解价值流并具有MBA技能集。”

Crawford的第二类是技术数据科学家：“这些人有利用多种技术，往往是探险家，”他说。

第三类是统计学习数据科学家，Who Crawford表示倾向于理解数学和统计数据。

除了数据科学家的分类之外，他说：“许多公司的数据科学的未来将通过他们汇集具有不同技能和观点的佩戴团队来帮助他们有效地协作，以帮助他们了解如何在干草堆中找到针。”

但是，正如Crawford所指出的那样，如果数据科学团队任务是为推出预测需求的东西开发模型，而该模型被证明比现有的预测方法更准确，那么业务应该做些什么？

“运营将如何将数据科学扩展到业务中，以发展业务流程以产生积极的投资回报率[投资回报]？”他说。换句话说，对于组织成为真正的数据驱动，将在部署新数据模型时发生的业务更改需要成为迭代数据科学过程的一部分。