智能售卖柜有哪些识别方案？

智能售卖柜三种识别方案，购物流程很简单：

1、扫码/刷脸开门；2、选取商品；3、关门；4、系统自动结算。

看起来分为4步，其实顾客实际购物体验要简洁的多，刷脸开门拿取商品关门就行了，就是这么简单。

无人售货柜主要有以下三种识别方案：

1、称重识别。

这是一种比较古老的识别方式，每层货架上都有一个很精密的电子秤，顾客拿走商品后根据商品重量发生的变化，系统就能判断出顾客拿走了哪些商品。当然，该方案的弊端也是很明显的，重量相同或者非常相近的商品无法有限判断。

2、RFID方案。

这种方案大家都很熟悉，各种门禁各种刷卡就是这种原理。在每件商品上张贴电子标签，顾客拿走商品时在商品经过无人售货柜门框的时候就会被感知到，系统以此进行结算。

该方案的弊端是电子标签有单独的物料成本（01-02元一个），还需要单独粘贴，也有额外的人工成本。用得越多，成本越高！

3、视觉识别。

该方案依靠摄像头实时监控把画面上传到后台服务器，后台服务器使用人工智能+图像识别技术进行对比判断，从而判断出顾客拿走了哪些商品从而自动结算。该方案后期使用成本低，但前期软件开发以及服务器成本比较高，只有大批量运营时才有优势。

才十多台电脑，这样的服务器要求不会很高，甚至好一点的PC都可以了。专业的服务器可以找一下戴尔这些品牌商，价钱在1-3万可以完全满足你们需求。甚至低配点的，几千块都可以，而且，服务质量还跟你们网络有关，可以适当提高一下网络带宽。

我是做ERP这块的，广东地区感兴趣可以大家互相交流一下。

眼下，中国共计装有近2亿个视频监控摄像头，而具备AI能力的摄像头仅占其中的1%。

在高清监控摄像头数量与AI渗透率不断递增的情况下，由摄像头采集的图像、视频流数据，需要更强大的分析引擎对其进行分析、处理和训练。

以北京地铁站为例，北京1000多个地铁站中平均每站都有上百个摄像头，平均每个地铁站每天流通8到10万人较为常见。保守预估每个相机每天看见1万个人，再假设对比库中有1万个目标（对于公安数据库来说并不大），这个相机每天要回答的问题就是一亿零一万个！

显然，在当前各类安防项目中，依靠纯嵌入式智能DVR和NVR均无法满足严苛的计算要求。

面对万亿级AI安防市场，在技术落地成花的十字路口，所有的安防企业高管们都会面对一个终极命题：AI安防究竟需要一款怎样强大的服务器？
谈到安防服务器，X86无处不在，一直以来，它都是包括安防在内等多个行业的“宠儿”。

“眼下安防市场很多的管理平台，譬如流媒体服务器、转发服务器、主控服务器基本基于X86架构建设，它的最大优势是比较容易开发、上手比较快，大多工程师更擅长在X86架构上做研发。”

华泰科捷CEO傅剑辉告诉雷锋网，考虑到它表现不俗的性价比，X86服务器一直都是我们采购的首选。

由此，过去多年来，X86服务器也获得了全球顶尖服务器供货商的青睐。

遗憾的是，各科成绩均“达标”的 X86服务器，在如今大热的AI浪潮面前，却遇到了一些“偏科”难题。

傅剑辉透露，从安防用户实际使用角度考量，目前X86服务器应用在安防行业主要存在三大问题：

一、CPU负责逻辑运算的单元并不多，在多任务处理时效率低下。面对海量视频信息，传统X86服务器单纯以CPU为核心的数据中心部署已经不能很好地满足并行灵活计算、多变环境的计算需求，很难在安防企业级服务器市场有惊艳的表现。

“以前的视频数据只需存在后台，做少量分析即可，也就是说存储足够大就行；今天，很多客户都希望我们能够实时处理这些海量视频信息并反馈结果，而这就意味着系统需要同时做解码、做视频结构化、做识别、搜索等等，X86明显就不够用了。”

换句话说，X86可以类比手机里的功能机，它能够满足单一的通信处理需求，而AI融入的安防市场，更需要一台强大的智能手机，配备更强大的性能以适配 游戏 、处理等个性需求。

二、在行业出现算力不够的大背景下，很多厂商打出X86服务器加上若干GPU卡的组合拳，而这种为了单纯解决算力而“拼凑”出的方案大大增加了服务器的功耗和用户成本。

从行业采用情况看，如果涉及人脸识别等AI项目时，大部分厂商会采用GPU作为人像数据结构化的处理单元，特别是在X86服务器集群中，GPU更是成为唯一选择。

在某种程度上，GPU的确解决了部分算力不足的问题，却也存在两个致命硬伤。

一是功耗大，需依托X86架构服务器运行，不适用于更为广泛的AI方案开发； 二是成本高昂，比如采用GPU方案，折算单路人脸识别成本在万元以上，相较其他千元级，甚至是百元级的方案，毫无成本优势可言，这两个致命短板，也让很多企业不得不寻求新的方案。

三、由于X86更多采用的是较为开放的LinuX系统，而非封闭的AIX系统，在稳定性和可维护性上略显不足。

“未来的市场必定是数据规模和计算能力的角逐。”

浪潮商用机器有限公司产品部张琪告诉雷锋网，随着越来越多新应用的出现，传统的X86计算架构会遇到很多瓶颈，包括数据瓶颈（处理器的计算单元以多快的速度获取和交换数据）、计算瓶颈（单位空间内能集成多少计算能力）、延迟瓶颈、通信瓶颈。

就像设计时速30码的道路难以承载均速100码的车辆通行一样，很短时间内就可造成道路拥堵甚至瘫痪。

今天来看，面对大计算、智能化场景，谁能够最先解决算力问题，又能够更好降低功耗与成本，谁就能在AI浪潮下引领鳌头。

在张琪看来，基于POWER9的高性能服务器能够很好满足AI安防时代下的高智能需求。
从AI安防实际场景所需出发，浪潮商用机器有限公司近期推出了基于POWER9服务器，搭载UltraVision视频智能分析系统的AI视觉分析智能分析解决方案(UltraVision on Power)。

AI视觉分析解决方案可以看作一个超级高效的AI大脑，它软硬结合，能够实时、准确、智能、节能地完成包括安防在内各个行业所需的复杂性数据处理工作。

“硬”，体现在POWER9架构上，它能够提供强大的图像视频的计算处理能力。相比其他处理器，POWER9支持了PCIe40、NVlink20等新一代I/O协议，能够在AI等应用中展示出更好的应用表现。

具体来看，相比X86，其单节点视频处理路数提升近3倍，达38倍提升深度学习框架AI模型训练效率，18倍更好的加速数据库性能，IO能力提升了近5倍。

另外，执行视频和图像编解码，查询搜索任务时，整机可提供单精度56TFlops和双精度28TFlops超强算力，和比X86服务器相比，单块GPU即可提供比纯CPU服务器高30倍的推理能力。

值得一提的是，该方案独有的CAPI技术，可以将延迟降低至1/36，全面加速图像处理，同时功耗降低高达30%。

18倍、38倍、3倍、5倍、30倍，看起来不大的几个数字对于安防行业来说，都是庞大数量级的提升。

这几个数字的变化，能够将各类犯罪和严重的暴力事件的防控手段从事后介入提前到事前或事中，大大减少安全事件的发生，实现公共安全从被动防御到主动防御的业务转变。

除了POWER9提供的超强算力硬核外，在软件层面，该方案还有高重UltraVision视频智能分析技术加持，如目标检测（PD）、行人重识别（RE-ID）等多项计算机视觉技术，提升目标识别准确率高达94%。

毋庸置疑，软硬结合的AI视觉分析解决方案在实际落地过程中，能够实实在在地为用户解决AI时代下的高算力与低功耗问题。

除此之外，相比其他热门方案，该方案还有两大优势不得不提。

其一、独有的利旧能力降低客户成本。

通常来说，一般的AI视频系统想要实现某些功能必须接入具备AI技术的感知摄像头，该方案在部署过程中不需要更换原有摄像头，只需要旁路接入视频采集端，即可实现AI系统；

另外，该方案还可以兼容不同品牌、不同制式的任何摄像头；可以不改变客户原服务器等硬件架构的情况下直接部署，有效降低客户部署成本。

其二、就浪潮商用机器公司本身来说，依托其在服务器领域的引领地位，拥有强大的定制化落地能力，缩短交付周期从月到天。
该方案无论是面对大数据处理、机器学习这样的AI应用，还是软件定义存储、内存数据库这一类的开源应用都会有比较好的性能表现。

毫无疑问，专为AI、云计算、大数据等新兴应用而生的AI视觉分析解决方案在客户面对严苛业务挑战时，提供了更多元化的选择。

依托这款高性能产品，用户可以更快地部署各类智能应用，缩短安防AI应用的技术迭代周期。

与此同时，性能卓越的浪潮商用机器服务器的应用不仅限于安防行业，在互联网、金融等对安全性要求高的领域，其也可以施展拳脚。

安防之外，整个 社会 正在向规模化、自动化、智能化转型升级。其中，智能化的应用方向涵盖四大方向：前端化、云端化、平台化和行业化。

在这个升级过程中，新的平台需要有新的能力做新的认知，新的认知催生新的需求和应用。

对于包括浪潮在内的 科技 公司来说，这是一次巨大的机会，同时也是一个不小的挑战，路漫漫其修远兮，必须上下而求索。雷锋网雷锋网雷锋网

我们都知道“瞎子摸象”的故事。不同的瞎子对大象的认识不同，因为他们只认识了自己摸到的地方。而企业如果要避免重犯这样的错误，那就离不开商务智能（BI）。专家认为，BI对于企业的重要性就像聪明才智对于个人的重要性。欧美企业的经验也证明，企业避免无知和一知半解危险的有效手段就是商务智能。商务智能旨在充分利用企业在日常经营过程中收集的大量数据和资料，并将它们转化为信息和知识来免除各种无知状态和瞎猜行为。
最近的一项调查显示，绝大多数的企业高级管理人员都饱受“报告之苦”。每个月，高级管理人员都要花费大量的时间来准备业务报告，而且当获取数据的能力得到改善之后，高管人员还需要一种解决方案，能把信息以更加直观和有吸引力的方式，快捷、简便地呈现出来。BI就是高管人员完成这些工作的有力工具。在被称为“BI年”的2006年，应用BI的趋势将比想像得要猛。
商务智能最早是由Gartner Group提出的，是指对商业信息的搜集、管理和分析过程，目的是使企业决策者获得知识，促使他们做出对企业更加有利的决策。商务智能被认为是将存储于各种商业信息系统中的数据通过智能手段转换成有用的信息以帮助企业提高决策能力来解决商业问题的概念、方法和技术的集合。
商务智能是一套完整的解决方案，它是将数据仓库、联机分析处理(OLAP)和数据挖掘等结合起来应用到商业活动中，从不同的数据源收集数据，经过抽取(Extract)、转换(Transform)和加载(Load)，送入到数据仓库或数据集市，然后使用合适的查询与分析工具、数据挖掘工具和联机分析处理工具对信息进行处理，将信息转变成为辅助决策的知识，最后将知识呈现于用户面前，以实现技术服务与决策的目的。

商务智能的四大关键技术

商务智能的支撑技术主要包括ETL（数据的提取、转换与加载）技术和数据仓库与数据集市技术、OLAP技术、数据挖掘技术与数据的发布与表示技术。

1．数据仓库技术
实施BI首先要从企业内部和企业外部不同的数据源，如客户关系管理(CRM)、供应链管理(SCM)、企业资源规划(ERP)系统以及其他应用系统等搜集有用的数据，进行转换和合并，因此需要数据仓库和数据集市技术的支持。
数据仓库(Data Warehouse)是指从多个数据源收集的信息，以一种一致的存储方式保存所得到的数据集合。数据仓库创始人之一WHInmon的定义为：“数据仓库是一个面向主题的、集成的、稳定的、包含历史数据的数据集合，它用于支持管理中的决策制定过程”。在构造数据仓库时，要经过数据的清洗、数据的抽取转换、数据集成和数据加载等过程。面向不同的需求，对数据进行清洗以保证数据的正确性，然后对数据进行抽取，转换成数据仓库所需形式，并实现加载到数据仓库。
数据仓库是一种语义上一致的数据存储，充当决策支持数据模型的物理实现，并存放企业战略决策所需信息。数据仓库的数据模型有星型模式、雪花模式。星型模式最为常见，有一个包含大批数据并且不含冗余的中心表，每维一组小的附属表。雪花模式中某些维表是规范化的，因而把数据进一步分解到附加的表中，模式图形成了类似雪花的形状。对数据仓库的研究集中在数据集成中数据模式的设计、数据清洗和数据转换、导入和更新方法等。
数据仓库通常是企业级应用，因此涉及的范围和投入的成本非常巨大，使一些企业无力承担。因而，他们希望在最需要的关键部门建立一种适合自身应用的、自行定制的部门数据仓库子集。正是这种需求使数据集市应运而生。数据集市( Data Mart) 是聚焦在选定的主题上的，是部门范围的。根据数据的来源不同，数据集市分为独立的和依赖的两类。在独立的数据集市中，数据来自一个或多个 *** 作的系统或外部信息提供者，或者来自在一个特定的部门或地域局部产生的数据。依赖的数据集市中的数据直接来自企业数据仓库。

2．联机分析处理技术(OLAP)
联机分析处理(Online Analytical Processing ，简称OLAP) 又称多维分析，由EF Codd 在1994 年提出，它对数据仓库中的数据进行多维分析和展现，是使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业维特性的信息进行快速、一致、交互地存取，从而获得对数据更深入了解的一类软件技术。它的技术核心是“维”这个概念，因此OLAP也可以说是多维数据分析工具的集合。
进行OLAP分析的前提是已有建好的数据仓库，之后即可利用OLAP 复杂的查询能力、数据对比、数据抽取和报表来进行探测式数据分析了。称其为探测式数据分析，是因为用户在选择相关数据后，通过切片(按二维选择数据)、切块(按三维选择数据)、上钻(选择更高一级的数据详细信息以及数据视图)、下钻(展开同一级数据的详细信息)、旋转(获得不同视图的数据) 等 *** 作，可以在不同的粒度上对数据进行分析尝试，得到不同形式的知识和结果。联机分析处理研究主要集中在ROLAP(基于关系数据库的OLAP) 的查询优化技术和MOLAP(基于多维数据组织的OLAP) 中减少存储空间和提高系统性能的方法等。

3．数据挖掘技术
与OLAP 的探测式数据分析不同，数据挖掘是按照预定的规则对数据库和数据仓库中已有的数据进行信息开采、挖掘和分析，从中识别和抽取隐含的模式和有趣知识，为决策者提供决策依据。数据挖掘的任务是从数据中发现模式。模式有很多种，按功能可分为两大类：预测型( Predictive)模式和描述型(Descriptive)模式。
预测型模式是可以根据数据项的值精确确定某种结果的模式。挖掘预测型模式所使用的数据也都是可以明确知道结果的。描述型模式是对数据中存在的规则做一种描述，或者根据数据的相似性把数据分组。描述型模式不能直接用于预测。在实际应用中，根据模式的实际作用，可细分为分类模式、回归模式、时间序列模式、聚类模式、关联模式和序列模式6 种。其中包含的具体算法有货篮分析(Market Analysis)、聚类检测(Clustering Detection)、神经网络(Neural Networks)、决策树方法(Decision Trees)、遗传算法(Genetic Analysis)、连接分析(Link Analysis)、基于范例的推理(Case Based Reasoning)和粗集(RoughSet)以及各种统计模型。
OLAP 与数据挖掘的区别和联系是：OLAP 侧重于与用户的交互、快速的响应速度及提供数据的多维视图，而数据挖掘则注重自动发现隐藏在数据中的模式和有用信息，尽管允许用户指导这一过程。OLAP 的分析结果可以给数据挖掘提供分析信息作为挖掘的依据，数据挖掘可以拓展OLAP 分析的深度，可以发现OLAP 所不能发现的更为复杂、细致的信息。数据挖掘的研究重点则偏向数据挖掘算法以及数据挖掘技术在新的数据类型、应用环境中使用时所出现新问题的解决上， 如对各种非结构化数据的挖掘、数据挖掘语言的标准化以及可视化数据挖掘等。

4．BI 的表示和发布技术
为了使分析后的数据直观、简练地呈现在用户面前，需要采用一定的形式表示和发布出来，通常采用的是一些查询和报表工具。不过，目前越来越多的分析结果是以可视化的形式表现出来，这就需要采用信息可视化技术。
所谓信息可视化是指以图形、图像、虚拟现实等易为人们所辨识的方式展现原始数据间的复杂关系、潜在信息以及发展趋势，以便我们能够更好地利用所掌握的信息资源。随着Web 应用的普及，商务智能的解决方案能够提供基于Web 的应用服务，这样就扩展了商务智能的信息发布范围。作为基于Web 的商务智能解决方案，需要一些基本的组成要素，包括基于Web 的商务智能服务器、会话管理服务、文件管理服务、调度、分配和通知服务、负载平衡服务和应用服务等。

商务智能市场强劲增长

商务智能软件已开始向全球市场稳步迈进。据Gartner预测，BI从2004年至2009年平均增长率将达到73%。 BI的增长率也随所处地区不同而有所不同，欧美市场已日臻成熟，增长速度趋缓，增幅仅在64%和69%之间。2003年，BI供应商由销售BI新软件许可证而得到的收入是18亿美元，到2005年已达23亿美元，到2009年则有望突破30亿美元。
随着越来越多的机构认识到BI的重要作用，越来越多的供应商开始提供易用的BI软件，在现有的客户群体中也出现了更多的销售机会。以前，BI应用软件的最早版本的编程和使用都必须是经过高级培训的技术人员，而现在已逐渐走向大众化。
Gartner的分析表明，使用BI系统，企业能够在实现与客户、供应商和股东的一体化方面以获得高的投资回报，这就使BI软件能够得到广泛应用。另一个潜在机会则是，已经实施BI的机构仍有大量潜在的用户未能获准访问现有的BI应用软件，他们随时都可能转变为BI用户。
虽然BI应用软件潜力巨大。但是，如果BI供应商们仍不能解决其系统和BI软件实施中的一些局限性，那么短期内BI市场需求不会有很大变化。
Gartner认为，BI与企业应用软件的整合仍是一个棘手问题，企业内部政策就是一大挑战，因为，企业内部人士认为企业范围的“事实的惟一版本”，对他们个人权力和“仿造”数据汇总给行政管理人员等行为构成了威胁。
D&B（原名为Dun & Bradstreet）市场和销售咨询企业解决方案的领头人Todd Withers也认为,整合工作是一项令人头疼的问题，往往会影响到BI的主动性。这些项目总的来说就是内容的管理，从定义开始――如什么是一个客户，举个例子来说，一个公司在一个季度内客户新增了1000个，但有可能这些新客户中有200个是重复记录的，但是却没有被识别出来。”
因此，BI成功实施应具备两大要素：来自资源系统的高质量信息和对系统数据的适当整合，首先掌握可靠数据是关键。尽管困难重重，企业仍会一门心思推进BI实施。越来越多的企业正依靠分析来制定部分基于产品突破点的定价决策，这些计算就必须使用到BI工具。
在中国，商务智能的重要性也被越来越多的企业管理者所认识，而在电信、金融、零售、流通等行业，商务智能已经成为信息化建设的重点。近几年，国内BI系统一直保持较快的发展速度，根据计世资讯(CCW Research)相关数据显示，2004年国内BI的销售额为42亿元，2005年则达到61亿元，增长率为45%，预计2006年国内BI市场将继续保持较快发展速度，销售额将达到86亿元。
随着BI系统在国内市场的不断普及，制约BI系统在中国市场快速发展的三大瓶颈逐渐显露出来。
第一，国内用户对BI的理解存在较大差别，基础数据没有引起重视。部分企业用户认为BI系统只是提供一些更加详细的财务报表，缺乏对BI系统在公司业务发展中所起到的辅助决策作用的认识。而另一部分客户则认为，BI系统高深莫测，其应用也将非常复杂，不但不能给企业的决策提供辅助支持，相反会给企业高层的决策增加障碍。还有少数企业高层管理者认为，使用BI系统将会影响高层管理者的地位。
第二，国内企业信息化基础薄弱，水平普遍偏低。计世资讯的调研结果表明，我国企业的信息化水平普遍偏低，目前仍处于初级阶段，其中，在大型企业中信息化水平处于业务整合阶段的比例为17%，达到成熟阶段水平的比例仅为1%，而在中小企业中，业务整合、系统整合和成熟阶段三个阶段之和占总体信息化水平的比例不足1%。BI系统是企业信息化进入成熟阶段后的企业的应用需求，因此如果不能快速提高国内信息化水平，未来几年BI系统在国内市场将很难得到快速发展。
第三，行业应用范围狭窄。目前国内应用BI产品的行业主要集中在电信、金融领域，而零售、能源、流通、制造行业中部分企业也在应用或者是将要使用BI系统，但总体来看，行业应用范围还比较狭窄，狭窄的行业市场空间也极大地制约了BI系统的快速发展。

商务智能发展存在五大问题

商务智能存在的问题主要包括：
1． 数据仓库的数据存储类型受到一定的限制，数据仓库的扩展性能还需要进一步加强。
2． 数据挖掘在标准化和通用性方面存在一系列问题，数据挖掘引擎与数据库系统还是松散耦合的。
3． 数据挖掘语言有待于向标准化方向发展。
4． 目前，OLAP 还是一种传统决策支持方法， 是一种用户驱动的验证性分析， 受到用户水平制约，使其作用没有得到充分发挥。
5． 目前大多数BI 系统功能集中在分析方面，对系统的智能性不够重视，决策支持功能主要还是依赖数据挖掘、OLAP 等工具的数据分析、趋势预测功能来实现，不具备专门的决策支持系统所提供的方案生成、方案协调、方案评估的功能，更不具备群体决策和智能决策的能力，也就是说BI的智能化水平还很低。

商务智能的五大发展趋势

随着应用的不断深入，市场需求对BI提出了新的挑战。具体来说，BI未来发展将集中于以下几点：
1）数据挖掘方法和算法研究将更加深入， 专门用于知识发现的数据挖掘语言有望进一步向标准化发展。基于数据仓库的数据挖掘与OLAP 将实现融合和互补，从而使分析 *** 作智能化，使挖掘 *** 作目标化。信息可视化进程进一步发展，以提供更优的洞察力。对非结构化数据的处理和分析，比如文本挖掘和WEB挖掘的能力将大大增强。
2）BI方案更开放、可扩展、可按用户定制，在保证核心技术的同时，提供客户化的界面。针对不同企业的独特的需求，BI系统在提供核心技术的同时，使系统又具个性化，即在原有方案基础上加入自己的代码和解决方案，增强客户化的接口和扩展特性；可为企业提供基于商务智能平台的定制的工具，使系统具有更大的灵活性和使用范围。
3）BI 方案的协同性将进一步提高。企业能够利用合作伙伴的数据仓库或Intranet 系统中的多维数据集进行决策分析活动， 并且OLAP 及其他BI的应用以Web 服务形式提供， 以XML 形式发放BI 应用的分析结果是新的发展趋势。
4）BI系统将更具专业化和行业化的特点，BI 根据每个领域关注的重点和分析模型， 提供针对具体企业进行扩展的解决方案。各种商业分析模型、数据挖掘算法将集成到BI 软件和分析应用之中，从而能够集中解决不同部门的需要。同时，BI应用与企业门户、企业应用集成紧密相连，新的BI 系统将不再是一个孤立的应用。
5）SOA与BI结合。面向服务的架构用来解决松散耦合、基于标准的和协议独立的分布式计算的需求。SOA提供了统一的环境以设计业务流程,管理业务 *** 作，持续地改进和优化业务过程。由于SOA并不是以数据为中心，因此必须对服务和数据模型之间的关系进行建模以结合SOA与BI,即需要从数据的视角出发看待服务，从而更好地利用SOA架构为BI提供潜在的巨大优势。

链接：商务智能的作用

商务智能可以说是企业“从数字上进行管理”的能力，这种能力是有效果和有效率的企业和经济制度的显著特点。商务智能的作用至少可以总结为以下四个方面：
● 理解业务。商务智能可以用来帮助理解业务的推动力量，认识是哪些趋势、哪些非正常情况和哪些行为正对业务产生影响。
● 衡量绩效。商务智能可以用来确立对员工的期望,帮助他们跟踪并管理其绩效。
● 改善关系。商务智能能为顾客、员工、供应商、股东和大众提供关于企业及其业务状况的有用信息，从而提高企业的知名度，增强整个信息链的一致性。利用商务智能，企业可以在问题变成危机之前，很快地对它们加以识别并解决。商务智能也有助于加强顾客忠诚度，一个参与其中并掌握充分信息的顾客更加有可能购买你的产品和服务。
● 创造获利机会。掌握各种商务信息的企业可以出售这些信息，从而获取利润。但是，企业需要发现信息的买主并找到合适的传递方式。

---