看服裝就知道消費者喜好!NexRetail運用AI影像辨識,讓實體店家也能掌握數據
看服裝就知道消費者喜好!NexRetail運用AI影像辨識,讓實體店家也能掌握數據

Google在2021年宣布取消第三方Cookie的支援,投下震撼彈。過去數位廣告業者可以透過第三方Cookie,紀錄消費者在網站上的一舉一動,像是他們看過什麼商品、在一個商品頁面上停留多久等行為,藉此達到精準再行銷。

「難道實體店面就無法追蹤與記錄消費者動態了嗎?」這是NexRetail創辦人吳承翰提出的疑問。

吳承翰看準此市場缺口,在實體零售店內的監視器裡建立一套AI影像辨識系統,將 「線上消費行為紀錄」線下化。NexRetail分析消費者行為數據,讓業者即時了解消費者需求,增加消費者購買率,並減少店家生產成本。

NexRetail.jpg
NexRetail團隊,分別是軟體工程師William Hsu(左)及創辦人暨執行長吳承翰(右)。
圖/ 侯俊偉攝影

不過,現今AI影像辨識技術在市場上比比皆是,NexRetail與其他平台有什麼不一樣?

誰喜歡我的產品?實體零售業的供應鏈精準度僅20%

「真的要去深入暸解零售業的需求,才可以回來看要用哪些技術去解決問題,所以我把我們定位在實體的CRM(客戶關係管理)。」吳承翰從親人的經驗發現,作為沃爾瑪零售供應商的他們往往不暸解自己的消費者。再加上撰寫供應鏈議題的碩士論文時,吳承翰也觀察到,現階段實體零售業供應鏈的預測精準度僅20%,原因就是他們難以預測 「消費者需求」,更不用說要做到後續的再行銷了。

以大賣場來說,貨架上有數百、數千件商品,業者需要知道哪些賣得好或差,才能在下個月調整採購策略,有效運用資源,帶來最大效益。如果還能知道客人幾歲、是男是女等特徵,就可以佈局更精準的銷售策略。

但過去只能以傳統方式利用市場報告,計算出每月的銷售額成長比例,得出各貨品賣出的數量等數據,或是抽樣調查一部份客戶樣本,推估未來客戶偏好。但這些方式皆無法立即得知「誰喜歡我的產品?」、「我該出口什麼產品?」等更深入的疑問,隨時做出修正。

解讀你的行為,讓商家知道你要什麼

因此,吳承翰採用AI影像辨識技術,將「消費者需求」拆解為 「顧客特性」、「行為」及「顧客溝通時間」 全面解讀不同商家的「客群」樣貌。

顧客特性

NexRetail針對「顧客特性」建立客戶識別系統,判斷出消費者的年齡層、性別,甚至識別出與你一起逛街的人是你的家人還是朋友,同時還建立消費者標籤,所以當回頭客來店消費,系統也能自動辨別出來。

但這樣的技術無非讓人聯想到「人臉辨識」,涉及個資。吳承翰表示,NexRetail並不是使用人臉辨識的技術,所以開發過程需特別謹慎,讓機器學習各年齡層穿著樣式、外觀特徵來辨別消費者,測試非常久的時間,才能做到同時保護個資、又能辨識消費者

行為

而為了預測消費者下一步可能會買的商品,NexRetail的「零售分析管理系統」,能夠識別80種以上動作,像是你拿起、放下一杯可樂等行為,根據這些動作分析出消費者喜好。

「今天店家的銷售額低,是來的人不夠多,還是大家看了一下就走?這都是過去店家不知道的事情。」吳承翰說明,不同商品被消費者拿過幾次、商品又被什麼樣的族群拿起,對於店家來說,都可以更清晰地理解每個族群所喜愛的商品種類以及當天銷售額低的真實原因。

NexRetail
NexRetail藉由紀錄消費者的行為,來預測出消費者喜好。

除了上述兩者,NexRetail還針對「顧客溝通時間」建立「店舖互動行為辨識系統」及開發熱圖分析,讓商家暸解店員與消費者的互動頻率與時長,並即時檢視店裡不同時段的熱門、冷門銷售區域。

收集到顧客相關資訊後,業者就可以隨時在NexRetail後台查看所有來店消費者列表,包括拿起的產品、年齡等數據,讓店家曉得消費者輪廓,調整該出口淘汰的產品、價格,將資源有效運用,提升營業額。

除此之外,NexRetail也將實體店家數據分析應用於線上,將不同族群消費者在店內關注的商品,設計出相對應的行銷推廣手法,以廣告形式投放至客戶的手機上,二次刺激消費者購買該商品。

另一方面,店家因為擁有消費者標籤,所以也能掌控忠實客戶類型、年齡等特性,選定目標市場,並省去掉過去建立會員資料的過程,降低營運成本。

以Sika品牌為例,Sika原有130多件單品,但透過NexRetail的後台數據分析結果,業者才發現,大多消費者其實只會關注部分款式而已,因此將Sika單品數量降至60件左右,不僅大幅降低原有的生產成本,也賺取更多利潤。

發展「客製化辨識技術」,未來計畫將服務推進智慧城市

特別的是,吳承翰還為各零售業打造出「客製化」影像辨識技術,像是NexRetail的其中一個合作廠商——MACALLAN酒廠,NexRetail就能辨識出客人正在喝哪個種類的酒,幫助業者理解消費者的喜好、受歡迎的酒品。

為了確保NexRetail的服務能成功執行,吳承翰在台灣及美國皆創立公司,並於台灣進行「概念驗證」,再將NexRetail的服務帶到美國、東南亞等海外市場落地。

吳承翰以月租制的方式販售此服務給零售業,包括軟、硬體設備。目前已成功與某品牌精品服飾店、知名大型零售商及MACALLAN酒廠等零售業合作。

未來,吳承翰期望NexRetail不限於實體零售業,將業務範圍拓展至智慧城市、人流控管等其他領域,實現AI影像辨識技術的更多可能性。

延伸閱讀:
給同仁自由,換來對工作的責任心,遊戲橘子、Netflix推「休假無上限」背後的真諦是什麼?
庫克道歉信救了它!導航新創Waze從乏人問津,到身價13億被 Google 收購

本文授權轉載自:創業小聚

責任編輯:傅珮晴、錢玉紘

關鍵字: #數據分析 #AI
往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫,各界不再滿足單一任務型的 AI 應用,而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」(Agentic AI),在最少人為干預的情況下,自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾,而是需要對AI有正確認識,並制訂循序漸進的導入流程,才能真正發揮AI功效。在2025台灣人工智慧年會中,cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段,深入剖析企業如何從概念驗證(PoC)階段,逐步推進到實際上線(Production),並分享實務經驗與觀察。

延伸閱讀:生成式AI可以怎麼用?cacaFly現身說法,助企業應用GCP服務智慧轉型

解鎖 Agentic AI,企業邁向多任務智慧代理

「很多公司會問,One AI 要做什麼事?但實際上,若要讓 AI 回答公司內部政策或新法條的相關問題,僅靠基礎模型並不足夠。」吳振和指出,要讓 AI 真正成為能「做事」的智慧代理人,前提是它必須理解企業內部的脈絡與知識,並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符,這意味著系統必須具備持續爬取與解析最新資料的能力。為此,企業必須先截取與整理內容,再建構成專屬的知識庫(Knowledge Base),確保資料品質達到可用標準後,再透過檢索增強生成(Retrieval-Augmented Generation, RAG)技術,使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀:從資料清洗到 RAG,大型語言模型的必需品,做出專屬企業的 AI 知識庫!

吳振和強調,這是一個動態循環的過程:從資料蒐集、品質控管、知識庫建構到生成應用,每一環節都息息相關,任何一處鬆動都會影響最終產出的準確性與可信度。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

破除「一次到位」迷思,從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望,因此常將 PoC 視為年度計畫的重點,希望能「一次到位」做出具體成果。但吳振和提醒,若缺乏清楚的系統工程思維,PoC 容易淪為「概念展示」,難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程,分為三個關鍵階段:

1.第一階段:可行性評估(Feasibility Study)
企業必須在投入資源前,先明確界定「最需要被 AI 解決的關鍵問題」是什麼,並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性,更要從商業目標出發,釐清導入 AI 的具體使用情境、預期成效與風險邊界,如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段:系統設計與驗證(Design & PoC)
在確定導入方向後,必須規劃清楚資料蒐集與整理流程,確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調,這個階段不能只追求展示效果,而應以「產品化思維」來構築 PoC,使其具備可擴充性、可維護性及安全性,才能為後續上線打下基礎。

3.第三階段:產品化與營運(Production & Operation)
當 PoC 驗證完成後,進入正式上線階段,挑戰也隨之而來。除了需要整合企業內部系統與流程,還必須建立持續監控與維運機制,確保模型表現隨時間演進不會劣化,並能快速回應法規變動或資料更新的需求。吳振和指出,這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

建立模型優化根基,打造高品質的黃金資料集

吳振和特別強調,要讓 Agentic 系統工程真正發揮效益,企業必須先建立一套高品質的「黃金資料集」(Golden Dataset),作為模型評估與優化根基。他指出,黃金資料集的價值在於能為模型選擇與前測提供客觀依據,讓團隊能針對不同任務挑選最適合的模型,避免導入初期就誤踩方向。

同時,黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點,進而快速回應「模型飄移」(Model Drift)的風險。吳振和說明,所謂模型飄移,指的是即使模型本身未經改版,效能也可能隨著環境與資料變動而突然下降,導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果,團隊才能即時察覺效能衰退,並進行迭代更新,確保系統長期穩定運作。

從小規模應用起步,漸進擴展至核心業務

吳振和分享,在實際輔導企業導入 AI 的經驗中,最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證(PoC)階段即可呈現完整的產品原型,然而實際情況顯示,若企業未能建立完善的資料架構與流程基礎設施,即使短期內展現亮眼成效,也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時,應採取漸進式策略,從小規模應用場景著手,逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節,而非獨立的一次性專案。

AI 的導入不僅是一場技術升級,更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局,才能確保 AI 能在企業內部真正「落地生根」,創造長期商業價值,成為真正的智慧代理人。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓