UBS：WES领跑澳大利亚零售与消费AI采用，COL、WOW、EDV和BRG表现靠前

概览

UBS对澳大利亚零售与消费覆盖公司进行了AI采用基准分析。报告认为AI是可能改变行业竞争格局的转型技术，尤其会影响成本、收入、客户体验、供应链效率和营运资本效率。AI使用已经覆盖全部18家公司，但领先公司通常拥有长期忠诚度计划形成的一方数据、大规模组织能力、正式治理框架，以及从单点用例扩展到全业务流程的部署深度。

核心观点

核心观点是：AI采用的竞争优势正在向规模较大、数据资产更强、组织治理更成熟的公司集中。WES是最突出的领先者，COL、WOW、EDV和BRG也显示出较完整的AI部署。相反，PMV、UNI和LOV在公开证据下得分较低。UBS同时提示，公开披露并不等同于真实能力的完整映射，因此评分应被视为初始比较框架，而不是最终投资结论。

分析框架

报告借鉴UBS美国软线零售团队的AI评分卡，将每家公司按六个维度打分：供应链与物流、营销、销售与客户体验、门店运营、组织与支持职能、产品开发与创新。每个适用维度给出0、0.5或1分，并对适用维度求平均得出总分；不适用项目从平均值中剔除。

方法论与常识提炼

• AI采用基准UBS AI评分卡

  六维AI采用评估

  评分覆盖供应链与物流、营销、销售与客户体验、门店运营、组织与支持职能、产品开发与创新；0代表无证据，0.5代表部分或早期证据，1代表明确采用。

• 证据约束公开信息披露法

  披露偏差

  数据基于公开信息，可能无法反映所有AI进展；公司可能因商业化保密而少披露，也可能因投资者关注度上升而夸大AI重要性。

• 投资影响框架ROI驱动因素归因

  AI财务影响路径

  报告将AI潜在收益归因于更低CODB、更低COGS、更高收入和更高营运资本效率，同时提示竞争、消费者接受度和成本投入可能削弱收益。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• WES

  AI采用领先者

  优势

  在供应链、营销、客户体验、门店运营、组织能力和产品创新均有明确用例；OneData拥有1250万独立客户记录，Bunnings、Kmart和Officeworks均有AI应用。

  劣势

  领先优势依赖持续投入、治理和跨业务执行，公开披露仍可能无法完全量化财务贡献。

  对比

  覆盖范围内唯一总分1.0/1.0的公司，明显领先同业。

  风险

  AI项目投资回收期、数据治理、隐私、安全与门店执行复杂度。

• COL

  高分AI采用者

  优势

  在Ocado CFC、预测式AI最后一公里配送、Flybuys个性化营销、ChatGPT Enterprise和mycoles assistant等方面有明确进展。

  劣势

  产品开发维度没有明确AI使用披露。

  对比

  总分0.83，处于第一梯队。

  风险

  履约自动化复杂度、门店损耗控制技术接受度、AI工具规模化落地风险。

• WOW

  高分AI采用者

  优势

  AI拣货优化使拣货路径减少15%，Auburn自动化CFC每周可处理最高6万订单；Quick Assist覆盖约6000名门店领导并节省每店每周约10小时。

  劣势

  部分产品创新相关证据相对有限。

  对比

  总分0.83，与COL和EDV同属高分组。

  风险

  大规模内部用例筛选、员工采用、系统集成和治理成本。

• EDV

  高分AI采用者

  优势

  在Criteo广告、AI促销建议、EndeavourX个性化推荐、图像搜索、排班与门店流程优化、后台自动化和品类优化方面均有证据。

  劣势

  部分ERP和下一代AI洞察仍偏前瞻，报告未将其计入当前AI使用。

  对比

  总分0.83，显示多维部署能力。

  风险

  技术分拆、ERP重构和AI应用落地节奏可能影响收益兑现。

• BRG

  高分AI采用者

  优势

  BRG AI用于客户服务，披露了入职时间下降75%、客服流失下降65%、通话处理时间下降25%、故障排查有效性提升60%等量化效果。

  劣势

  产品开发维度没有明确AI披露。

  对比

  总分0.80，低于WES、COL、WOW和EDV但仍处领先组。

  风险

  客户服务AI效果可持续性、全球扩展、治理和质量控制。

• TWE

  专项AI应用者

  优势

  使用AI与机器学习进行14天天气预测、喷洒窗口规划和物候阶段预测；还用GenAI支持内容生成、消费者趋势分析和新产品开发。

  劣势

  销售与客户体验维度没有明确AI用例披露。

  对比

  在农业、内容和产品创新场景有差异化应用。

  风险

  天气预测准确性、农业场景数据质量和消费者趋势模型偏差。

• PMV、UNI、LOV

  公开证据下的低分组

  优势

  报告没有提供足够证据显示这些公司已形成广泛AI部署。

  劣势

  公开披露的AI采用较少，总分分别为0.08、0.17和0.33。

  对比

  显著落后于WES、COL、WOW、EDV和BRG。

  风险

  若真实采用不足，可能在效率、客户体验和数据能力上落后；若只是披露不足，则评分可能低估真实进展。

关键数据

• 覆盖公司数量18家公司报告称AI已被覆盖范围内全部公司使用，但实施和披露差异很大。
• 最高总分WES：1.0/1.0WES在所有适用AI维度均显示明确采用证据。
• 高分公司COL、WOW、EDV：0.83；BRG：0.80这些公司在多个业务环节展示了较系统的AI部署。
• 低分公司PMV：0.08；UNI：0.17；LOV：0.33根据公开信息，相关公司AI采用证据较少。
• 组织与支持职能采用率83%包括内部LLM工具、战略合作、治理体系和员工赋能。
• 营销采用率83%包括个性化营销、促销优化、零售媒体、内容生成和一方数据使用。
• 销售与客户体验采用率72%包括客户代理、搜索工具、联络中心和质量控制。
• 供应链与物流采用率72%包括需求与库存预测、履约执行、配送中心AI、电商履约和天气预测。
• 门店运营采用率44%包括一线AI助手、动态降价、安全与损耗控制、排班优化和代理式系统。
• 产品开发与创新采用率21%包括产品设计、上市速度、品类优化和消费者趋势识别。

影响与含义

投资含义在于，AI不只是效率工具，也可能逐步变成零售与消费公司的结构性竞争变量。具备一方客户数据、跨业务部署能力和治理体系的企业更可能把AI收益转化为成本优势、收入增长和更高客户黏性；但对披露不足、规模较小或仅处于试点阶段的公司，AI对财务表现的贡献仍需要后续验证。

风险

• 公开信息可能低估或高估真实AI采用程度。
• 公司可能因商业保密少披露AI进展，也可能因投资者关注而过度强调AI叙事。
• AI收益可能被竞争加剧、消费者接受度、实施成本和治理成本部分抵消。
• 大规模AI部署涉及数据隐私、模型治理、网络安全、员工采用和系统集成风险。
• 部分项目仍处于试点或未来规划阶段，不能直接等同于当前财务收益。

后续跟踪

• 领先公司能否把AI用例从单点效率提升扩展为跨业务复利效应。
• CODB、COGS、收入增长和营运资本效率是否出现可量化改善。
• 低披露或低得分公司后续是否补充AI战略、治理和落地案例。
• 美国零售AI用例是否继续领先澳大利亚，并对澳大利亚公司形成可复制路径。
• AI在产品开发与创新中的采用率是否从当前较低水平提升。
• 监管、数据隐私和门店安全场景中的AI治理要求是否提高。