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
每週報表變每日,進階分析開放畀非專家——而敏感數據從未離開公司。
證明能力 · 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
報表全人手又慢:零售、財務、買貨、CRM 各團隊一個禮拜先有一次重要報表,而更深入嘅分析——分眾、產品關聯——又要靠難請嘅數據專家。引入 AI 好吸引,但將敏感嘅客戶同銷售數據送去外部 AI 工具,根本唔可行。
做法
我哋由 AI 項目最常失敗嘅地方入手——數據。先做大量清理同建模,整成一個可靠、結構良好嘅基礎,再將「數據結構(schema)」教畀 AI,而唔係真實數據。AI 靠 schema 就寫到 Python 去答業務問題,精準交返你要嘅嘢:Excel 表、客戶名單、dashboard 或者報表。一個本地 AI 模型(Qwen)喺公司內部用真實數據做第一輪分析——撮要、洞察、建議——所以敏感資料完全唔出公司。AI 寫好嘅程式喺 AWS Lambda 行,結果存入 S3,再由 Power Automate 定時將報表派去電郵同 SharePoint。
成果
報表由每週一次變每日,覆蓋 2 個品牌、8 個地區,而且因為少咗人手處理,出錯亦都少咗。同樣重要嘅係——分析人員唔使再重複砌報表,可以去做真正更深入嘅工作;以前要數據專家先做到嘅分析(RFM 分眾、分群、產品關聯),而家業務團隊自己做到。CRM 可以更精準接觸啱嘅客戶;買貨團隊用產品關聯去規劃推廣同選貨。
設計上私隱安全
雲端 AI 永遠只見到數據結構;本地模型(Qwen)喺公司內部處理真實數據嘅第一輪分析。敏感數據從不離開公司。
乾淨數據行先
最長、最重要嘅一步。AI 嘅好壞取決於底層數據——所以喺用任何模型之前,先打好基礎。
企業級自動化
AI 寫嘅 Python 喺 AWS Lambda 行 → 存 S3 → 由 Power Automate 定時派去電郵同 SharePoint。
落地與賦能
為差不多全公司做分層培訓、每隊一位 Super User、為一線支援寫 SOP,並定期辦 Super User 交流會——同法國總部及亞洲團隊協調推動。