Palantir Foundry：AI赋能RaceTrac革新便利店体验

推荐语

Palantir Foundry如何帮助RaceTrac用AI实时捕捉顾客需求，在异常天气下精准调整运营策略？

核心内容：
1. RaceTrac利用Palantir Foundry平台整合10,000+数据点实现精细化运营
2. 二月暖冬案例：从劳动力调配到商品陈列的实时响应机制
3. AI驱动的需求预测如何提升便利店场景的客户体验与商业价值

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

想象一下，当二月寒风凛冽之时，突然有一天阳光普照，气温飙升至近30摄氏度。对于便利店来说，这不仅仅是天气变化，更是顾客行为模式的巨大转变：对冰淇淋的渴望、对冷饮的需求、甚至是对墨镜的即时购买欲都将激增。传统的运营模式可能难以迅速响应这种突发状况，但对于美国东南部的燃料和便利店巨头RaceTrac而言，这却是其利用Palantir Foundry平台，实现“感知”顾客心跳、实时调整运营策略的绝佳案例。

在AIPCon 6 Keynote主题演讲中，RaceTrac执行董事Matthew Jacoby详细介绍了Palantir Foundry如何帮助他们识别和应对外部业务因素（如需求、天气、供应等），从而在800多家零售店中，根据单个门店层面调整客户体验。通过收集和组织来自超过10,000个客户数据点的海量超精细数据，Foundry极大地加速了RaceTrac的决策制定过程。

RaceTrac的“心跳”：数据驱动的业务洞察

RaceTrac旗下拥有RaceTrac、RaceWay和Gulf三大品牌，业务遍及美国东南部，拥有超过800家零售门店和逾10,000名“Trackers”（团队成员），这些一线员工是业务的真正门面，每天都在满足甚至超越顾客的期望。然而，如何更好地识别和响应外部业务因素，如飓风、天气变化、以及最重要的——顾客的需求模式，一直是RaceTrac面临的巨大机遇。

Matthew Jacoby指出，顾客的需求模式是RaceTrac业务的“脉搏”和“心跳”。他们拥有一个难以置信的机遇，那就是更好地理解这个脉搏，并优化运营以满足甚至超越顾客的期望。而Foundry正是激活这一潜力的基石，它将所有数据和决策制定整合到一个单一的平台中。

真实案例：二月“暖冬”下的即时响应

Jacoby分享了一个几周前发生在亚特兰大的真实场景：一个二月里气温飙升至近30摄氏度的暖日。这种异常天气导致顾客行为模式发生显著变化：门店客流量增加、燃油销量上升，几乎所有商品的需求都随之增长。RaceTrac必须实时做出调整：

• 劳动力调配： 确保门店拥有足够数量的团队成员至关重要。他们负责门店清洁、食物补给以及确保加油站正常运作（甚至包括电动汽车充电桩）。Foundry的洞察力使RaceTrac能够精确调整劳动力配置，确保在需求高峰期提供充足的人手。

• 实时促销： 在一个温暖的二月天，顾客可能会突然想吃冰淇淋。Foundry能够根据实时需求，迅速启动相关促销活动，抓住每一个潜在商机。

• 生产计划调整： 门店内的披萨、热狗等食品的生产计划也需要根据变化的需求模式进行调整，确保新鲜供应不间断。

• 商品陈列优化： 甚至像墨镜这类商品，在通常阴沉的二月可能不常需要，但在这样的暖日里，就可以将它们摆放到最显眼的位置，满足顾客的即时需求。

通过利用实时数据、人工智能和机器学习，RaceTrac将这些技术置于业务的核心，实现了一个“Willy Wonkavator”（威利旺卡式升降机）般的网络：所有模型都在实时互相“对话”，不断调整和优化，整合数十亿个数据点，无论是上游、下游、左侧还是右侧的数据流，都汇聚在一起，向着满足顾客需求的方向移动，同时始终将“人”置于业务决策的中心。

“心跳”可视化：模型网络的运作奥秘

深入幕后，RaceTrac构建了一个复杂的数据与模型谱系图。Jacoby强调，这些数十亿行的数据赋予了他们更好的洞察力和预测顾客需求的能力。在图表的中心，是他们所称的“心跳”——一个将所有模型连接在一起的巨大网络，这些模型相互学习、相互调整，以适应业务中发生的外部因素和变化。

更具体地说，每个门店的预测模型都可以独立调整和优化。这意味着亚特兰大的一家门店可能采用一种模型，而新奥尔良的另一家门店则使用另一种模型，最终目标都是为了尽可能准确地预测需求。

实际的运营界面清晰地展现了这一点。例如，在某个门店的视图中，可以看到从销售历史、劳动力绩效、最佳运营时间到门店劳动力建议等各项数据。右侧显示了该门店依赖的57个模型。甚至在产品层面，Foundry也能提供超精细的洞察，例如，对于像魔爪能量饮料这样的商品，准确的库存和补货预测至关重要，因为“如果你不想让顾客失望，那绝对是那些通过静脉注射咖啡因的顾客群体。”

自动化与人工智慧的完美结合

这种超精细的粒度也带来了决策量的爆炸式增长，每天需要做出数以千计的决策。其中一个核心决策就是门店的员工配置。团队成员扮演着关键角色，RaceTrac有责任确保在正确的时间安排正确数量的人员，以满足顾客的期望。如果门店人手不足，他们就无法提供优质服务。

为了解决这个问题，RaceTrac构建了一个复杂的系统（尽管Jacoby没有深入探讨其“混合整数二次回归”的细节），该系统能够近乎实时地消耗所有数据，以优化工时和团队配置。他们还尽可能地实现了自动化，使用AI代理和业务规则的混合方法。

然而，RaceTrac最独到的地方在于，他们始终将“人”置于核心位置，并重视人工干预。手动覆盖与自动化决策同样重要，因为它们被视为学习的机会。“我们的业务专家了解业务，他们知道模型可能永远不知道的事情。”因此，系统允许业务专家覆盖建议，并将这些覆盖的数据反馈回“威利旺卡式”的模型网络中，形成一个持续学习和改进的闭环。

展望未来：便利店体验的新标准

RaceTrac正在构建下一代便利店体验。这是一种对顾客的执着，以及在正确的时间为团队提供正确决策的能力，同时尽可能快地将实时外部影响考虑在内。这是一种让“脉搏”始终保持在最前沿的方式，也是他们认为能够“未来化”客户体验的方式。如果他们能够迅速捕捉到趋势，就能及时做出调整。

Palantir Foundry赋予了RaceTrac前所未有的洞察力、敏捷性和决策能力。这不仅仅是关于优化运营，更是关于通过数据和AI的力量，重新定义便利店的客户体验，确保在不断变化的世界中，始终能够准确地“读懂”并满足每一位顾客的需求。这无疑为整个零售行业树立了一个新的标准，展示了AI如何帮助企业更好地理解市场脉搏，从而在激烈的竞争中脱颖而出。