什么是新零售？——人、货、场深度分析

如今，随着互联网的发展和技术的更新，在新的零售行业，数据和算法将被应用于数字化人、领域和商品，重建和准确分析；这篇文章的作者分享了对新零售中的人、领域和商品的分析，让我们一起来看看。

新零售场景数据的价值与挑战

沃尔玛是行业标杆：从开店、仓库选址、物流、品类优化等整个供应链的不断优化，所有业务都可以数字化；尤其是消费者的可识别性使得个性化成为电子商务的标准，更好的产品服务消费者，更好的供应链效率降低成本，这两者都离不开数据的能力。

整个零售业下的数字化、数据化、智能化升级的全过程，在国外已经经历了几十年。凭借中国互联网的后发优势，希望我们的能力能够在几年内达到并超过国外的先进水平。

新零售要完成人、货、场的重建。在业务方面，要完成线上线下的深度融合，利用互联网赋予传统零售业力量；这要求在线和离线业务都需要完整的数据和算法，这些数据和算法在业务链接中运行。

系统地说，在数据和算法上，要把人、货、场数字化、数字化，通过智能重构它们的关系。

面向消费者的场景识别技术

1、实时场景推送

比如给加班的外卖客户深夜优惠；对异地旅游的消费者给予景区门票优惠；推送用户在城西银泰抓猫抓猫的通知。

场景识别能力和无线推送相结合，可以通过线上手段更好的引导消费者线下场景的需求；目前推送场景的能力已经开辟了手淘、天猫、飞猪、短信等各种终端。手淘每天上千万推，开盘率比平均值高30%-50%。

2、场景化服务

比如外卖，会员码业务竞争对手淘有战略意义。准确的场景识别可以让消费者在网络场景中随时张开双手，获得想要的服务。比如他们可以准确识别城西银泰，直接拿出银泰的会员代码。

3、预测与推荐

比如我们可以预测未来15天消费者是否会有长途需求，提前到达推荐中的运输产品；或者，在盒马生鲜的推荐逻辑中，加入消费者与社区关系的因素进行关联推荐。

4、LBS搜索

比如在家装中，消费者在搜索手里的沙发时，会透露出家具店目前或居住场所周边的沙发商品信息，引导消费者线下体验消费，已经证明可以获得更好的转化效果。

面向商家的数据化经营产品

1、精准获客与营销

互联网的优势在于流量，商家对平台最迫切的需求也是流量。首先提供给商家的是线上线下结合的精准客户获取能力，效果可以追踪。

在线营销：地震仪提供了到达LBS广告的能力。商家可以通过阿里妈妈的广告和阿里内部的营销渠道，精准到达店内周边的潜在客户；比如一个美妆商家通过线上功能挖掘出该品牌的潜在客户，将线下体验优惠券发送给距离其所有线下专柜500米的客户，引导用户在线下专柜体验购买。最后，他们的柜台率是百度LBS广告的5.5倍；同时转化率是天猫旗舰店的2.3倍，整个过程可以通过线上线下的转化链接进行追踪。

线下营销：地动仪提供的能力更脑洞开阔，盒马的打开很大程度上是社区推动的；地动仪提供了拉新地图的能力，让店长在开店时就能洞察到淘宝会员数量和服务范围内所有社区的潜在客户数量；通过对潜在游客的数量和距离进行分类，商店经理可以安排蜜蜂向社区发送传单

这样就可以继续有针对性有计划的迭代。渗透率稳步上升时，可以停止社区的推广，提高营销效率，降低成本；同时短信也能精准到达，ROI是bee的10倍以上。

线下也可以做定向投放：比如线上销售线线下宝就是提供线下定向投放的平台，广告资源提供商在这个平台上传公交、楼宇、户外等线下的数字信息；商家可以根据标签选择目标人群，地震仪通过人群的轨迹信息计算每个广告点对人群的到达率；帮助商家选择到达率高的广告点投放广告，并在广告期间跟踪到达效果。目前18W点数字化已经完成。

2、经营过程的标准化与优化

可以实时看到客流统计、客流结构、客户画像、店内动线，以及每一类客户、每一个活动、每一个品类、每一个渠道的转换效果。

通过长期沉淀，像在线一样，可以沉淀出一套规范的、最优的商业行为和sop，包括：新策略、会员关系维护、品类优化、货架摆放优化等。这样每个店铺的运营就不再依赖店长的经验了。

3、经营过程的智能化

1）选址

以盒马来语为例。每个新的候选商店网站都会评估其商业潜力。

通过已开店的数据，结合人口结构、竞争店铺和新候选点周围的微观环境数据，细化每个个体的购物习惯和偏好，预测6个月开店后的顾客数量；甚至每个细胞的穿透率目前都能达到80%-85%的准确率；之后我们再进一步预测销量，再加上财务成本，就可以预测能不能盈利，什么时候盈利。

2）品类选择和优化

北京和上海的用户对商品的偏好不同，上海的市区和郊区不同，文教区和商业区也不同。

选择的好坏直接影响收益；因此，我们需要根据消费者偏好、消费趋势和服务区的季节性因素，构建基于消费者需求预测的产品选择模型和系统；此外，它可以与渠道提供商连接，自动选择和补充产品，并不断提供和更新最符合其对该地区消费者需求的产品。产品选择是箱包零售业务中非常重要的一环。

3）门店配送

新零售模式的另一个重要特征是商店配送，这是一个很大的成本组成部分；开店初期，通过预测各个小区的渗透率，可以圈定收益/配送成本最佳的配送区域；在配送过程中，基于消费者的位置和配送路线进行订单收集和路线规划的优化，以提高单个快递员单位时间的配送数据，降低配送成本。

人才知识结构

机器学习：这是数据挖掘的一般能力，可以利用海量数据构建合适的机器学习模型，挖掘有价值的信息，预测未来。

运筹学和机器优化：对于选址和产品选择等新的零售业务优化问题，它能够使用运筹学算法或机器优化算法结合机器学习来构建智能算法。

时空数据挖掘：由于我们面临着大量的时空数据，我们需要具备时空数据的知识和时空数据的分析方法。

零售业分析：零售业的很多方法论都是建立起来的，需要具备零售业的专业背景，并结合先进的数据技术来升级零售业的传统分析方法。

可视化：离线空间数据的特殊性很难理解，这使得数据可视化对于理解数据非常重要。

数据与算法技术与挑战

痛点：线下行为数字化。

1、数字化

数据的基础是业务的数字化。互联网的优势在于，每个用户的行为、商品的详细信息、交易和物流环节都已经完全数字化；但是，在脱机状态下

店铺、商品、交易的数字化，需要商家的力量，通过无线支付，调出线下店铺、商品，沉淀交易信息；比如Box Horse，线上和线下库存一样，店铺没有现金支付，可以实现和线上几乎一样的数字化水平。

2、消费者的可识别

数字化对应的是在线，只是业务环节的点信息。需要将这些信息融合并挖掘到结构化数据资产中，以发挥其价值。

从整体架构来看，是关于人、财、场的属性及其关系。大部分逻辑都是和网上数据的构建一致的。然而，由于离线数据的稀缺性和特殊性，数据挖掘的方法是不同的。

3、门店、商品、交易的数字化

重点构建客流还原模型，从20%的可识别数据，结合消费者行为规则，完整重构每一个品类甚至每一个消费者从线下到店内和线上购买行为的信息，从而从线下推导出准确的客流。

店内行为识别：以前我们线下行为识别的深度只到达店面，没有获得店铺与商品的互动和动线。这些数据对于品类规划和动线设计具有重要意义；目前，我们正在结合高精度WIFI、视频、物联网等手段，实现消费者在店内的无意识轨迹和行为识别，包括在货架前的停留时间、拿起和放下商品的时间。

4、数据化

电子商务90%的智能在于个性化，让消费者以最少的决策成本得到想要的商品；然而，新零售的智能化需要深入供应链。门店、前端仓库、分级仓库、经销商重新进入整个商业环节，而供应链中的在线需求、数据、算法积累都非常薄弱。

通过整个环节完整的消费者消费和偏好模型，可以在各种业务场景下生成准确的消费者和商品粒度需求预测。

将运筹学和机器学习相结合，构建机器优化算法，并针对每个应用场景生成智能模型。