星巴克靠「數位飛輪」穩住營收,獨佔黑金市場!揭背後3個人工智慧策略
星巴克靠「數位飛輪」穩住營收,獨佔黑金市場!揭背後3個人工智慧策略
2022.06.19 | 新零售

目前,星巴克在全球擁有31,000家門市,每週顧客達到1億人,可稱得上是食品零售業中的巨無霸型連鎖企業,它在美國咖啡店領域的市場份額已占到40%。一直以來星巴克的品牌形像是致力於打造一個家庭和工作場所之外的「第三空間」,並且它將自己周到的客戶服務和始終一貫的品質引以為傲。因此如果提到人工智慧公司,人們可能並不會首先想到星巴克。

儘管星巴克可能並沒有開發新的演算法,但他們正在利用現有的人工智慧技術來悄悄地革新業務。當然,他們所謂的人工智慧其實大部分是數據科學,或者可以通過標準優化來實現,但這不是重點。關鍵是,星巴克的三個主要客戶觸點——實體店、行動應用和自動售貨機——都在採用人工智慧技術來優化。星巴克2021 年淨收入的85% 都來源於這三個觸點,所以對這三點的優化無疑會帶來顯著的收入成長。除此之外,人工智慧技術還幫助星巴克創造了新的競爭優勢,增強已有的能力。

星巴克人工智慧的應用舉措

星巴克已經確定了可以通過人工智慧技術受益的關鍵業務領域,包括從行動應用程式個性化到庫存管理的多個領域。

星巴克潛在的人工智能應用表
圖/ Starbucks

星巴克在人工智慧戰略方面,有三個主要舉措:數位飛輪(Digital Flywheel)、 深釀(Deep Brew)和BrewKit。數位飛輪可以看作是一個「數據生成計劃」,而深釀是建立在這些數據基礎上的人工智慧應用。BrewKit 則通過提供數據訪問和模型生產的基礎設施將前兩者聯繫起來。

數位飛輪

數位飛輪指的是星巴克通過將人工智慧和其他數位技術應用於其行動應用,來整合和優化其數位和實體體驗的舉措。飛輪的四個支柱分別是:星巴克獎勵計劃、應用程式的個性化、購買體驗和支付流程。

星巴克數位飛輪計劃
星巴克數位飛輪計劃
圖/ Starbucks

數位飛輪的核心是數據收集的正反饋循環。在人工智慧推動下,個性化程度的提高增加了銷售額,從而產生了更多的數據,這些數據又可以供星巴克用於個性化調優。數位飛輪的數據是高質量的一手數據集,可以用來進一步訓練更加個性化的人工智慧,產生新的洞察,並為其他領域的業務訓練ML(機器學習) 模型。如今星巴克50% 的銷售額來自行動應用,而且這個數位還在不斷成長,所以星巴克的數據質量和數量也會不斷成長。

深釀

深釀指的是星巴克的數據科學和AI/ML 應用套件,用於優化各部分的業務。

深釀主要用於提高客戶體驗。作為一家以提供卓越的客戶服務為榮的公司,但凡被認為是能夠增強客戶體驗的舉措,星巴克都會採納。他們在這一領域的一些措施是直接觸及客戶的。

例如,利用人工智慧技術,星巴克可以根據天氣、時間和到店顧客的喜好,為每家店訂製汽車餐廳的菜單。其他措施則完全是在幕後進行的。支持物聯網的機器可以向星巴克總部傳輸數據,總部則使用人工智慧來預測機器何時需要維護,從而減少其停機時間。另一個例子是他們用人工智慧來實現盤點訂單、人員安排和供應鏈物流的自動化。所有這些優化都不必與顧客直接接觸,但星巴克實施這些優化的目的是為了把他們的咖啡師解放出來,以便有更多的時間來與顧客互動。

星巴克也在應用深釀來做企業級的商業決策,比如決定開發什麼產品,在哪裡開新店。來自數位飛輪的數據能夠讓他們對顧客喜歡什麼類型的飲料獲得非常全面的了解。典型的例子是,星巴克發現43% 的飲茶者不在茶中加糖,隨即他們推出了不加糖的茶飲選項。星巴克還將所有這些數據,以及交通模型和收入預測輸入一個名為Atlas 的地圖系統,以確定新店的最佳選址。未來他們還可以擴大其使用範圍,定位和關閉業績不佳的店面(雖然他們目前還沒有這樣做)。

星巴克
圖/ shutterstock

深釀已經對星巴克的營收業績產生了顯著的影響。星巴克領導層將2021 年第二季度22% 的營收成長歸功於「飲料附加值成長和優質的飲料組合」。飲料附加值是指消費者在購買飲料的同時購買食品的比率,而「優質飲料組合」是指其優質飲料的銷售額。這兩個指標的成長是由於做到了更好的個性化和更優的飲料推薦,這正是深釀的兩個關鍵特徵。隨著深釀計劃的不斷發展,它將通過降低決策風險、提高運營效率和增加收入來幫助星巴克獲得更多的利潤。

BrewKit

BrewKit 是星巴克的數據基礎設施,所有的數據科學和AI/ML 能力都是建立在它的基礎上的。BrewKit建立在微軟Azure和DataBricks之上,它可以快速訓練和服務模型、分析數據、訪問數據、創建數據審計跟蹤等等。BrewKit 的高度發達使得星巴克可以整合分析不同的數據流,近乎實時地處理來自門市的數據,部署一個ML模型只需要15分鐘。

以星巴克的規模體量,他們確實需要像BrewKit這樣複雜的基礎設施來有效地利用收集的海量數據。強大的實時處理能力尤其重要,這意味著門市可以實時監測一天中各時段裡對不同種類飲料的需求波動,並及時做出調整。任何希望以數據驅動為導向的企業都需要BrewKit提供的這種基礎設施,否則他們的數據科學團隊將舉步維艱,而不會像星巴克那樣能夠快速採取行動。

AI對星巴克的戰略價值

請注意,以上列出的這些舉措都沒有為星巴克創造新的收入來源,相反這些舉措旨在專注於改造其現有的業務,這意味著人工智慧對於星巴克的主要戰略意義,是為了加強其現有的競爭優勢和核心能力。

星巴克的一個核心能力是開發滿足消費者需求的飲料的能力。從南瓜拿鐵到氮氣冷萃,某些飲料即使不是星巴克發明的,也可以通過星巴克進入咖啡主流市場。深釀的任務是幫助發現新飲料,這完全符合星巴克自身已有的優勢。以前,是通過用戶訪談和其他形式的市場研究來確定一種飲料是否可以推向市場,而現在,星巴克通過日常銷售收集的數據就可以為最終決策提供強有力的依據,從而縮短新產品研發推廣時間,極大地減少了失敗的風險。

星巴克的另一項關鍵能力是強大的客戶服務能力。每個季度,星巴克都會向每個門市派出一名神秘顧客,他們會對門市的服務進行評分,這被稱為「喬裝訪查」計劃。利用喬裝訪查獲得的分數,星巴克可以了解到其品牌形象的一個重要方面:即是否能夠提供出色的顧客體驗。隨著深釀逐漸將咖啡師工作中不涉及與顧客接觸的部分工作變得自動化,咖啡師們將能夠專注於與顧客的聯繫和互動。星巴克稱這種方法為「AI for Humanity(以人為本的人工智慧)」,這種方法讓星巴克與一些競爭對手(如麥當勞)有了顯著的區別,而後者正在使用自動售貨機來逐步取代收銀員的工作。通過使用人工智慧來解放人類的時間,星巴克進一步在自己與那些不優先考慮客戶體驗的競爭對手之間劃出了一條界限。

除這些能力之外,還有一個值得注意的地方:即星巴克的人工智慧計劃確實從其獲得的海量一手數據中建立了新的競爭優勢。如前所述,星巴克並沒有開發新的人工智慧演算法,所以他們使用的演算法與競爭對手可用的演算法相同。當模型的基礎演算法相同時,能夠使星巴克的模型優於其競爭對手的因素就是用來訓練模型的數據質量和數量,以及它們可以部署的速度。通過這種方式,BrewKit 和數位飛輪為星巴克打造了一條護城河,因為星巴克擁有一個不斷成長的、極其龐大的、獨一無二的數據集,由此他們可以快速進行實驗,並產生比競爭對手質量更高的洞察力。

星巴克2.jpeg
星巴克導入AI,並沒有創造新的收入來源,而是聚焦在優化現有的業務。
圖/ 台灣星巴克

結論

星巴克給了我們一些啟示:大多數企業使用人工智慧,不是為了製造面向客戶的產品或產生新的收入來源,而是為了優化業務。

對於那些不能開發自己的演算法的非技術型公司來說,人工智慧並不能創造競爭性優勢,但是可以加強現有的能力。為了持續收集高質量數據和建立分析數據的基礎設施,公司所採取的舉措可以讓自己在數據方面保持競爭優勢。而星巴克正是在此方面脫穎而出:源源不斷的一手數據為人工智慧計劃提供動力,BrewKit促使數據轉化為洞察力。提到人工智慧時,人們可能不會第一個想到星巴克,但星巴克在充分利用人工智慧方面確實可圈可點。

本文授權轉載自:36氪

責任編輯:傅珮晴、錢玉紘

關鍵字: #星巴克
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

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
台達電全解讀
© 2026 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