新零售到底是什么？——深度剖析人、货、场

如今随着互联网的发展以及技术的更新，如今在新零售行业里，会运用到数据与算法，从人、场、货进行数据化，进行重构，精准分析；本文作者分享了关于新零售中的人、场、货的分析，我们一起来看一下。
新零售场景数据的价值与挑战
沃尔玛是行业标杆：从开店、仓配选址、物流、品类优化整个供应链的持续优化，一切业务都可以数字化；特别是消费者的可识别，使得个性化成为电商的标配，更好的产品服务消费者，更优的供应链效率降低成本，而二者都离不开数据的能力。
对整个零售下的数字化、数据化与智能化做整体的升级，在国外这个过程已经经历了几十年，中国互联网的后发优势，希望通过我们的能力，可以在几年之内可以达到并超越国外的先进水平。
新零售要完成要完成人、货、场的重构，在业务上来说要完成的是线上与线下的深度融合，用互联网的手段去赋能传统零售业；这就要求不管线上与线下业务，都需要完整的数据，以及贯穿经营链路的算法。
系统性地来说——在数据与算法上，我们要完成人、货、场的数字化、数据化，以及通过智能化重构他们的关系。
面向消费者的场景识别技术
1、实时场景推送
例如，给正在加班的外卖老客发宵夜优惠；给在异地旅游的消费者发景点门票优惠；当用户在城西银泰时推送捉猫猫通知。
场景识别能力与无线端推送相结合，可以用线上的手段更好地引导满足消费者线下场景的需求；目前场景推送能力打通了手淘、天猫、飞猪、短信等各个端。手淘上每日千万的推送量，打开率比均值高30%-50%。
2、场景化服务
例如外卖、会员码业务对手淘具有战略意义。而精准的场景识别，可以使消费者在线下场景随时打开手淘就能得到他想要的服务，例如可以精准识别出在城西银泰，直接出来银泰的会员码。
3、预测与推荐
例如，我们可以预测消费者未来15天会不会产生长距离的需求，提前在推荐里进行交通产品的触达；或者在盒马生鲜的推荐逻辑里，加入消费者同小区关系的因素，进行关联推荐。
4、LBS搜索
例如家装，当消费者在手淘搜索沙发时，透出当前或者居住场所周边的家具店的沙发商品信息，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
互联网的优势在流量，商家对平台的最急迫的需求也是流量，向商家提供首要的就是线上和线下相结合的精准获客能力，并且做到效果可跟踪。
线上营销：地动仪提供LBS广告触达的能力，商家可以通过阿里妈妈广告、以及阿里各个内部营销渠道，精准触达门店周边的潜客；例如某美妆商家，通过线上的特征挖掘出品牌的潜客，对靠近其所有线下专柜500米的客户，发送线下体验优惠券，引导用户到线下专柜体验购买，最终其靠柜率是百度投放LBS广告的5.5倍；同时转化率也是天猫旗舰店的2.3倍，整个过程在线上、线下的转化链路，可以做到可跟踪。
线下营销：地动仪提供的能力更加开脑洞，盒马的开店，很大程度是通过小区地推来拉新的；地动仪提供拉新地图的能力，让店长在开店时，就能洞察服务范围内所有小区的淘宝会员数和潜客数；通过潜客数和距离的排序，店长可以安排小蜜蜂到小区里发传单，并且引导小区里的大爷大妈们下载盒马完成首单交易，同时利用交易数据就可以计算每个小区的渗透率。
这样可以持续有目标有计划地迭代，当渗透率稳定增长后就可以停止该小区的推广，提高营销效率降低成本；同时也可以通过短信的手段进行精准触达，ROI是小蜜蜂的10倍以上。
线下广告也可以做定向投放：比如网销宝线下宝是一个提供线下广告定向投放的平台，广告资源提供方在这个平台上上传公交、楼宇、户外等线下广告的数字化信息；商家可以根据标签选择定向人群，地动仪通过人群的轨迹信息，计算每个广告点位对人群的触达率；帮助商家选择触达率高的广告点位进行投放广告，并且跟踪广告投放期间的触达效果，目前已经完成 18W+点位的数字化。
2、经营过程的标准化与优化
可以实时地看到每个门店的客流统计、客流结构、客户画像、店内动线，每类客户、每次活动、每种品类、每个渠道的转化效果。
通过长时间的沉淀，可以跟线上一样，沉淀出一套标准化最优的经营实践和SOP，包括：拉新策略、会员关系维护、品类优化、货架摆放优化等等，使得每个门店的经营不再依赖于店长的经验。
3、经营过程的智能化
1）选址
拿盒马来举例，每家新店候选点，都做商业潜力的评估。
通过已开店的数据，结合新候选点周边的人口结构、竞争店、微观环境数据，细化到每个个体的逛街购物习惯与偏好，预测开店6个月后的客户数；甚至到每个小区的渗透率，目前可以达到80%-85%的准确率；后面会进一步预测销售额，再加入财务成本，就可以预测能否赢利，什么时候会赢利。
2）品类选择和优化
北京和上海的用户对商品的偏好不一样，上海的城区和郊区也不一样，文教区与商业区也不一样。
选品的好坏，直接影响到营收；因此，我们需要根据服务区域内消费者的偏好、消费趋势以及季节性因素，构建基于消费者需求预测的选品模型与系统；并且与渠道商对接，做到自动的选品与补货，为区域的消费者持续提供和更新最符合其需求的商品，选品在盒马与零售通业务都是非常重要的环节。
3）门店配送
新零售模式还有一个重要的特点是门店配送，这是很大的成本构成；在开店之初，就可以通过每个小区渗透率的预测，划定营收/配送成本最优的配送区域；并且在配送环节基于消费者的地点以及配送路径进行集单与路径规划的优化，提高单个快递员单位时间送货的数据，以减少配送成本。
人才知识结构
机器学习：这是数据挖掘的通用能力，有能力利用海量数据，构建合适的机器学习模型，挖掘有价值的信息，并对未来做预测。
运筹学与机器优化：面向选址、选品等新零售经营优化问题，有能力使用运筹学算法，或者结合机器学习的机器优化算法来构建智能化算法。
时空数据挖掘：由于我们面向大量的时空数据，需要具备时空数据的知识，以及时空数据的分析方法。
零售行业分析：零售行业的许多方法论是成立的，需要有零售业的专业背景，与先进的数据技术结合起来，升级传统零售业的分析方法。
可视化：线下空间数据难以理解的特殊性，使得数据可视化对于理解数据是非常重要的。
数据与算法技术与挑战
痛点：线下行为的数字化。
1、数字化
数据的基础是业务的数字化，互联网的优势是将用户的每个行为、商品的详细信息、交易及物流整个链路都做了完整的数字化；然而，线下的信息没有那么理想。
2、消费者的可识别
互联网最大的优势是对消费者完整路径的可识别，甚至可以细化到鼠标在某个业务上停留了多长的时间，而对线下行为的识别，就差很多。
3、门店、商品、交易的数字化
门店、商品、交易的数字化，需要借助于业务的力量，将线下的门店、商品上翻，并且通过无线支付沉淀交易信息；例如盒马做到线上线下同库存，门店无现金支付，可以做到与线上几乎同水平的数字化程度。
4、数据化
数字化对应于线上，仅仅是业务链路的打点信息，这些信息需要融合、挖掘成结构成的数据资产，才能发挥价值。
从整体架构上，是关于人、货、场的属性，以及他们的关系，大多数的逻辑是与线上数据的建设是一致的，不过由于线下数据的稀缺性和特殊性，数据挖掘的方法是不同的。
5、用抽样的数据还原消费者完整的行为
重点建设客流还原模型，从20%可识别的数据，结合消费者的行为规律，完整地重建出每类甚至每个消费者线下到店的信息，线上购买的行为，由此推导出线下准确的客流。
店内行为识别：之前我们对于线下行为识别的深度仅仅到达到店面，但是店内与商品的交互以及动线，是没有获取到的，这些数据对于品类规划、动线设计有非常重要的意义；目前我们正在结合高精度WIFI、视频、IoT等手段，做到消费者在店内无感知的轨迹以及行为识别，包括在货架前的停留时间，拿起、放下商品。
6、智能化
电商的智能化，90%在于个性化，使消费者以最小的决策成本获得他想要的商品；但是新零售的智能化，就需要深入到供应链，门店、前置仓、分级仓、渠道商重新进入整个商业链路，而线上在供应链端的需求、数据以及算法积累是非常薄弱的。
通过完整的消费者全链路的消费与偏好模型，在各个业务场景产生精准的消费者和商品颗粒度的需求预测。
结合运筹学以及机器学习，构建机器优化的算法，产生面向各个应用场景的智能化模型。