在多个开源和闭源的通用大语言模型之上，蒙牛基于内部积累的领域知识，打造了多个垂直的领域模型，面向B端和C端提供服务。
面向C端消费者，蒙牛在其WOW小程序上打造了“AI营养师蒙蒙”，作为消费者身边的“营销健康专家”；面向B端（企业内部），基于各个领域小模型（管理模型、营销模型、供应链模型等）打造AI场景工厂，为员工赋能，激发员工生产力。
完整内容：蒙牛大模型应用实践
业务部门当前数据洞察的流程较长，需要提出数据需求给数据部门，数据产品部门对数据进行梳理后交给数据执行部门执行，执行后再将结果转交给业务部门，整个流程最快也需要2-3天。因此，星巴克探索NL2SQL，协助业务部门快速执行业务洞察。
完整内容：星巴克大模型应用探索
服装行业线下门店缺少有效工具来捕捉和分析消费者行为，导致无法构建完整的转化率漏斗，难以实现精准营销和库存管理。
波司登通过在门店服装上安装芯片并结合大模型技术，实现了对线下门店顾客行为的精准分析。这种“AIOT+大模型”的解决方案，不仅提高了门店的转化率，还优化了库存管理和商品补货策略，使得决策过程更加数据驱动，显著提升了业绩和品牌价值。
完整内容：波司登基于“大模型+AIoT”的线下门店经营实践
在大模型和生成式AI的浪潮下，雅戈尔积极创新，依托数据中台实现的高质量数据存储和挖掘，在基于钉钉的“夸父办公”平台上线了“夸父有数”智能BI应用，实现了自然语言条件下的智能化数据分析及问答能力。
雅戈尔ChatBI实现了问答的任意组合，降低了获取数据的门槛，能在海量数据中快速发现规律、获取洞见，辅助经营决策；
为了提高数据的使用率，ChatBI让系统变得免培训，即时获得，例如原本搜索结果为三个数字，让其成为三个看板；数字增多后，成为表格形式；根据不同员工对“业绩”说法的不同，或为“有效金额”，或为“销售”，让系统自动理解同义名词，自动切换。
案例选自：《2024年生成式AI案例研究简报（6月）》
高露洁正在试点一个生成式AI驱动的数据分析机器人，旨在实现数据民主化，加快数据洞察。通过将虚拟货架的数据分析与内容创建结合起来，该工具收集有关定价、库存水平、产品详情页内容、搜索位置、评级、评论、竞争对手分析的数据；员工可以对话询问机器人有关数据的问题，例如“薄荷美白牙膏的销售额是多少？”，还可以检索缺货数据，如产品层面的缺货频率和缺货持续时间。
案例选自：《2024年生成式AI案例研究简报（6月）》
