新零售到底是什麼？——深度剖析人、貨、場

編輯導語：如今隨著網際網路的發展以及技術的更新，如今在新零售行業裡，會運用到資料與演算法，從人、場、貨進行資料化，進行重構，精準分析；本文作者分享了關於新零售中的人、場、貨的分析，我們一起來看一下。

一、新零售場景資料的價值與挑戰

沃爾瑪是行業標杆：從開店、倉配選址、物流、品類最佳化整個供應鏈的持續最佳化，一切業務都可以數字化；特別是消費者的可識別，使得個性化成為電商的標配，更好的產品服務消費者，更優的供應鏈效率降低成本，而二者都離不開資料的能力。

對整個零售下的數字化、資料化與智慧化做整體的升級，在國外這個過程已經經歷了幾十年，中國網際網路的後發優勢，希望透過我們的能力，可以在幾年之內可以達到並超越國外的先進水平。

新零售要完成要完成人、貨、場的重構，在業務上來說要完成的是線上與線下的深度融合，用網際網路的手段去賦能傳統零售業；這就要求不管線上與線下業務，都需要完整的資料，以及貫穿經營鏈路的演算法。

系統性地來說——在資料與演算法上，我們要完成人、貨、場的數字化、資料化，以及透過智慧化重構他們的關係。

二、面向消費者的場景識別技術

1）實時場景推送

例如，給正在加班的外賣老客發宵夜優惠；給在異地旅遊的消費者發景點門票優惠；當用戶在城西銀泰時推送捉貓貓通知。

場景識別能力與無線端推送相結合，可以用線上的手段更好地引導滿足消費者線下場景的需求；目前場景推送能力打通了手淘、天貓、飛豬、簡訊等各個端。手淘上每日千萬的推送量，開啟率比均值高30%-50%。

2）場景化服務

例如外賣、會員碼業務對手淘具有戰略意義。而精準的場景識別，可以使消費者線上下場景隨時開啟手淘就能得到他想要的服務，例如可以精準識別出在城西銀泰，直接出來銀泰的會員碼。

3）預測與推薦

例如，我們可以預測消費者未來15天會不會產生長距離的需求，提前在推薦裡進行交通產品的觸達；或者在盒馬生鮮的推薦邏輯裡，加入消費者同小區關係的因素，進行關聯推薦。

4）LBS搜尋

例如家裝，當消費者在手淘搜尋沙發時，透出當前或者居住場所周邊的傢俱店的沙發商品資訊，引導消費者線下體驗消費，已經證明可以獲得更好的轉化效果。

三、面向商家的資料化經營產品

1。 精準獲客與營銷

網際網路的優勢在流量，商家對平臺的最急迫的需求也是流量，向商家提供首要的就是線上和線下相結合的精準獲客能力，並且做到效果可跟蹤。

線上營銷：地動儀提供LBS廣告觸達的能力，商家可以透過阿里媽媽廣告、以及阿里各個內部營銷渠道，精準觸達門店周邊的潛客；例如某美妝商家，透過線上的特徵挖掘出品牌的潛客，對靠近其所有線下專櫃500米的客戶，傳送線下體驗優惠券，引導使用者到線下專櫃體驗購買，最終其靠櫃率是百度投放LBS廣告的5。5倍；同時轉化率也是天貓旗艦店的2。3倍，整個過程在線上、線下的轉化鏈路，可以做到可跟蹤。

線下營銷：地動儀提供的能力更加開腦洞，盒馬的開店，很大程度是透過小區地推來拉新的；地動儀提供拉新地圖的能力，讓店長在開店時，就能洞察服務範圍內所有小區的淘寶會員數和潛客數；透過潛客數和距離的排序，店長可以安排小蜜蜂到小區裡發傳單，並且引導小區裡的大爺大媽們下載盒馬完成首單交易，同時利用交易資料就可以計算每個小區的滲透率。

這樣可以持續有目標有計劃地迭代，當滲透率穩定增長後就可以停止該小區的推廣，提高營銷效率降低成本；同時也可以透過簡訊的手段進行精準觸達，ROI是小蜜蜂的10倍以上。

線下廣告也可以做定向投放：比如網銷寶線下寶是一個提供線下廣告定向投放的平臺，廣告資源提供方在這個平臺上上傳公交、樓宇、戶外等線下廣告的數字化資訊；商家可以根據標籤選擇定向人群，地動儀透過人群的軌跡資訊，計算每個廣告點位對人群的觸達率；幫助商家選擇觸達率高的廣告點位進行投放廣告，並且跟蹤廣告投放期間的觸達效果，目前已經完成 18W+點位的數字化。

2。 經營過程的標準化與最佳化

可以實時地看到每個門店的客流統計、客流結構、客戶畫像、店內動線，每類客戶、每次活動、每種品類、每個渠道的轉化效果。

透過長時間的沉澱，可以跟線上一樣，沉澱出一套標準化最優的經營實踐和SOP，包括：拉新策略、會員關係維護、品類最佳化、貨架擺放最佳化等等，使得每個門店的經營不再依賴於店長的經驗。

3。 經營過程的智慧化

1）選址

拿盒馬來舉例，每家新店候選點，都做商業潛力的評估。

透過已開店的資料，結合新候選點周邊的人口結構、競爭店、微觀環境資料，細化到每個個體的逛街購物習慣與偏好，預測開店6個月後的客戶數；甚至到每個小區的滲透率，目前可以達到80%-85%的準確率；後面會進一步預測銷售額，再加入財務成本，就可以預測能否贏利，什麼時候會贏利。

2）品類選擇和最佳化

北京和上海的使用者對商品的偏好不一樣，上海的城區和郊區也不一樣，文教區與商業區也不一樣。

選品的好壞，直接影響到營收；因此，我們需要根據服務區域內消費者的偏好、消費趨勢以及季節性因素，構建基於消費者需求預測的選品模型與系統；並且與渠道商對接，做到自動的選品與補貨，為區域的消費者持續提供和更新最符合其需求的商品，選品在盒馬與零售通業務都是非常重要的環節。

3）門店配送

新零售模式還有一個重要的特點是門店配送，這是很大的成本構成；在開店之初，就可以透過每個小區滲透率的預測，劃定營收/配送成本最優的配送區域；並且在配送環節基於消費者的地點以及配送路徑進行集單與路徑規劃的最佳化，提高單個快遞員單位時間送貨的資料，以減少配送成本。

四、人才知識結構

機器學習：這是資料探勘的通用能力，有能力利用海量資料，構建合適的機器學習模型，挖掘有價值的資訊，並對未來做預測。

運籌學與機器最佳化：面向選址、選品等新零售經營最佳化問題，有能力使用運籌學演算法，或者結合機器學習的機器最佳化演算法來構建智慧化演算法。

時空資料探勘：由於我們面向大量的時空資料，需要具備時空資料的知識，以及時空資料的分析方法。

零售行業分析：零售行業的許多方法論是成立的，需要有零售業的專業背景，與先進的資料技術結合起來，升級傳統零售業的分析方法。

視覺化：線下空間資料難以理解的特殊性，使得資料視覺化對於理解資料是非常重要的。

五、資料與演算法技術與挑戰

痛點：線下行為的數字化。

1。 數字化

資料的基礎是業務的數字化，網際網路的優勢是將使用者的每個行為、商品的詳細資訊、交易及物流整個鏈路都做了完整的數字化；然而，線下的資訊沒有那麼理想。

2。 消費者的可識別

網際網路最大的優勢是對消費者完整路徑的可識別，甚至可以細化到滑鼠在某個業務上停留了多長的時間，而對線下行為的識別，就差很多。

3。 門店、商品、交易的數字化

門店、商品、交易的數字化，需要藉助於業務的力量，將線下的門店、商品上翻，並且透過無線支付沉澱交易資訊；例如盒馬做到線上線下同庫存，門店無現金支付，可以做到與線上幾乎同水平的數字化程度。

4。 資料化

數字化對應於線上，僅僅是業務鏈路的打點資訊，這些資訊需要融合、挖掘成結構成的資料資產，才能發揮價值。

從整體架構上，是關於人、貨、場的屬性，以及他們的關係，大多數的邏輯是與線上資料的建設是一致的，不過由於線下資料的稀缺性和特殊性，資料探勘的方法是不同的。

5。 用抽樣的資料還原消費者完整的行為

重點建設客流還原模型，從20%可識別的資料，結合消費者的行為規律，完整地重建出每類甚至每個消費者線下到店的資訊，線上購買的行為，由此推匯出線下準確的客流。

店內行為識別：之前我們對於線下行為識別的深度僅僅到達到店面，但是店內與商品的互動以及動線，是沒有獲取到的，這些資料對於品類規劃、動線設計有非常重要的意義；目前我們正在結合高精度WIFI、影片、IoT等手段，做到消費者在店內無感知的軌跡以及行為識別，包括在貨架前的停留時間，拿起、放下商品。

6。 智慧化

電商的智慧化，90%在於個性化，使消費者以最小的決策成本獲得他想要的商品；但是新零售的智慧化，就需要深入到供應鏈，門店、前置倉、分級倉、渠道商重新進入整個商業鏈路，而線上在供應鏈端的需求、資料以及演算法積累是非常薄弱的。

透過完整的消費者全鏈路的消費與偏好模型，在各個業務場景產生精準的消費者和商品顆粒度的需求預測。

結合運籌學以及機器學習，構建機器最佳化的演算法，產生面向各個應用場景的智慧化模型。

本文由 @熊繹 原創釋出於人人都是產品經理，未經許可，禁止轉載

題圖來自 Unsplash，基於 CC0 協議