提到新零售，你的第一印象是什麼？
早上吃飯，煎餅果子可以手機支付了；
中午休息，外賣來得越來越快了；
加班的晚上，發現去年剛裝的無人貨架，今年因為銷售量太低而拆掉了；
回家的路上，一窩蜂建起的無人便利店落滿灰了；
躺沙發上刷刷手機，猜你喜歡，似乎已經比伴侶更合心意了；
不知什麼時候開始，親人租賃也成為一種產品了；
人造節日越來越多了，雙11也開始走向線下了；
當年神仙打架散下來的補貼，算算也還得差不多了。
互聯網公司、諮詢公司、甚至傳統軟件公司都在談新零售和數字化轉型，模式之紛繁，鏈條之廣袤，史無前例——似乎不談談流量變現，不說說幾個O，不把人從業務環節中消滅，不燒燒錢看個熱鬧，都不好意思說自己是零售從業者了。
粉絲經濟也好，O2O也好，無人也好，補貼也好，都只是零售行業中似新而不算新的手段，並不構成新商業模式——沃爾瑪在二十世紀七十年代就推出了電話訂貨，門店送貨。然而今天捲土重來的這場零售變革似乎並未轉瞬即逝。眼前的“新零售”，它究竟“新”在何處？能帶來什麼樣的企業價值？如何為企業賦能？未來潛力在哪裡？今天我們一起通過真實案例，來看看這場熱鬧背後，到底是“無法阻擋”，還是“無能為力”。
這一輪新零售的契機在於數字化基礎設施能力大幅提升
其“新”體現於人的比特化、貨的產銷化、場的無界化
在零售行業，企業和消費者求變的渴望存在已久。企業有營銷預算，逐漸不知道花在哪裡才有回報；消費者要求更高，不像上一輩那樣認為消費能滿足溫飽就好。然而真正讓這一輪零售變革無法阻擋的，是技術的發展，是數字化基礎設施能力的大幅提升。
隨著數據採集方式的豐富，數據的維度也愈發飽滿起來。從前我們只能對發生交易的顧客進行分析，而現在已經能通過線上埋點、線下WIFI探針、物聯網技術、移動支付、位置服務對交易前各個“場”在不同階段的交互行為進行分析，形成POS前洞察。表面形式上的花樣翻新治標不治本，真正的變革是建立在行為的數字化及數據資產的積累基礎之上的。企業可以通過設置場景、增強與既有顧客和潛在顧客的互動來豐富數據資產。互動越多，就越有可能產生更深度的交流，留下更多“痕跡”，讓企業為顧客提供更貼心的服務。
新零售的“新”，歸根結底依然圍繞三個核心元素——人、貨、場，具體體現為人的比特化、貨的產銷化、場的無界化。
1、人的比特化——行為更加清晰，人群範圍擴大
比特化就是通過數字化，以最小的單元，對人的特徵及行為進行記錄和傳載。
從前企業只能對自有會員的交易數據進行分析，如今在RFM+模型和CLV+模型中，我們加入交互行為和場的數據，讓既有顧客行為更加清晰，將顧客人群的範圍擴大。當我們說高價值顧客的時候，會多思考一層——以哪個渠道？是購買金額最高的顧客？是利潤最高的顧客？還是傳播力最強的平民KOL？同樣是新客戶期，到底是有活躍到訪但沒有發生購買的顧客，還是根本沒有到訪行為的顧客？此外，通過一三方數據相結合的數據挖掘，我們能夠客觀洞察顧客在品牌外的價值主張，投其所好，並且在第三方池觸及潛在顧客群。
瞭解顧客後的下一步是什麼？殺熟嗎？當然不是。對顧客的運營要堅持利他原則，一切從顧客的角度出發。
在與某零售企業合作中，我們結合一三方數據，探索註冊未購買顧客和活躍顧客的APP行為習慣偏好、品類偏好、客單價分佈、購買時間分佈，設計恰當的推廣品類，利用品牌自身線下流量規模與第三方置換異業權益。在這場活動中，品牌擺脫了傳統的積分換購和特殊折扣等影響毛利的減法行為，而採用降維打法巧妙避開價格戰，顧客以遠低於市面上的價格獲得心儀的權益，創造商家與顧客共同獲益的雙贏生態模式，首次活動便創造20%的銷售增量，經過迭代之後更是創造了200%的銷售增量。
2、貨的產銷化——人貨交互可見，銷售即是生產
顧客付款之前的行為是可洞察的，最早從線上開始——通過線上埋點，品牌能夠分析出哪些顧客加了購物車但是沒有購買，瀏覽了A商品的顧客又看了哪些其它商品。隨著物聯網的不斷髮展，線下的人貨交互行為洞察，也成為可能。人貨交互的可見讓貨品的設計、生產及陳列不再由品牌自己決定，而是讓顧客也能夠參與其中，產銷者的概念由此而生。
90後乃至00後新生代的一人經濟、共享經濟、KOL經濟、情緒態度消費、去中心化消費，對產品設計、生產、互動觸點、傳播方式產生了摧枯拉朽般的顛覆。這一代消費者已經不再滿足於坐等“貨”被品牌生產出來——從江小白的用戶生成內容到肯德基的點歌服務，無不體現了消費者對影響產品和服務的熱情。
3、場的無界化——交易交互無界，虛擬場域概念
場的無界化的第一層意義是，OMO 融合帶來了觸點爭奪的白熱化。有人說OMO是線上線下導流，事實上OMO不是企業在自己的主場導流，而是到顧客的戰場去——畢竟坐在自家花園裡靠品牌影響力等顧客上門的日子已經過去了。交易交互的場已經無界，今天是王者，明天可能是吃雞，今天是遊戲，明天可能是短視頻；目前，許多消費者在本地生活圈服務平臺的年消費，甚至比第三方電商加起來還多。哪裡有流量，哪裡都可以做生意。去年九月份的時候，四個星期之內，市場上出現了七款吃雞遊戲，從王者榮耀7000萬的日活裡面，生生撬出了4000萬的活躍用戶。如果有客觀的數據支撐你看準這樣一個流量去經營，就能實現一輪收割。
流量場不斷快速更換的局面已經超出了單純依賴經驗的判斷已經無法應對不斷快速切換的流量場。這迫使企業要藉助數據，用更客觀敏捷的方式判斷，跟上節奏，捕捉管理適合自己的觸點。
場的無界化的另一層含義是，場域概念的虛擬化。如今的實體店，是門店，是展室，也是倉庫。企業可以利用虛擬現實技術創造虛擬場，或以前置倉覆蓋消費者所在的生活圈服務。兩者都需要考慮坪效設計品類，例如生鮮類值得前置，但洗衣液也許就要多加考慮。
新零售對企業的價值——通過業務標籤化、流程自動化、分析模型化、應用場景化實現效率和收益的平衡和共進。
傳統企業往往緊盯投資回報率或直接收入，而在目前的商業條件下，零售企業可以通過數據實現的商業價值更廣，包括效率和收益兩個維度。
1、效率的提升
提到新零售對效率的提升，也許你的第一個反應是“無人”。無人技術的發展是人工智能的一大步，但為了無人而無人，和把顧客在線上線下間無意義驅趕的O2O一樣，只是新零售的偽創新。新零售對效率的提升應該體現在企業的整個運行鏈路當中，通過業務標籤化、流程自動化和分析模型化，減少跳入跳出時間和重複工作量，最終實現決策數字化。數據資產的建設、數字化平臺的建設、數字化決策能力的建設，都是效率提升的基礎。
在與某服裝企業的合作中，我們在私有化DMP平臺中進行數據資產積累，根據屬性、行為、既有標籤構建一、二、三方標籤，並在基礎標籤之上，構建自定義標籤、算法標籤、聚合標籤，實現業務標籤化；之後將標籤部署在平臺上，並與營銷投放平臺全面打通，在一個生態中完成人群篩選調用、投放、數據迴流、追蹤的全鏈路，實現一站式營銷流程自動化。在每次營銷活動之後，該企業根據迴流數據分析結果、顧客價值及生命週期變化，判斷人群標籤有效性，固化成自定義標籤，後續即可一鍵調用，避免重複工作量。標籤式人群篩選及放大，顛覆了以往數據庫撈人的模式，節約營運時間75%以上，提高企業敏捷應對能力。
在零售選址方面，企業可以通過實時客流熱力，直觀瞭解城市主商區、次級商區、輻射商區覆蓋域；在客流熱力基礎上疊加自有門店、競品門店、增益品牌信息，尋找空缺覆蓋片區；結合對目標選址行政區、目標營業時段的選擇，採用5C選址方法做多因素綜合評分；在優選片區中選定精確店址並繼續深化選址研究，利用步行等時圈更科學劃定局部商圈，快速獲得多址終選的決策依據。
值得強調的是，如今的數據分析對象早已不僅僅侷限於數字，還包括圖像、語音、文本、社交關係等。我們緊抓這一浪潮，與某輿情公司合作，嘗試分析多個歷史網紅產品的雙微傳播路徑，聚焦核心傳播節點和脈絡，設定自由度和凝固度閾值，在發酵期以矢量定位網紅食品新詞，並追蹤其後續聲量，幫助企業發現網紅食品，及時量產。該分析創造了新的業務細分產品，將過去的人為搜索和預測自動化，大大提高網紅食品識別的時間和財務效率，及時捕捉市場熱情。
2、收益的提升
分析對收益的提升往往建立在效率提升的基礎之上，通過應用場景化實現，體現於會員結構優化、銷售增長和成本下降。
某零售企業利用其會員線下POI數據、APP數據和WIFI數據，打造定製化標籤，在未購買咖啡的會員當中篩選出潛在咖啡客進行分群、分時、分文案投放，總體響應率比盲投提高約120%。同時，通過分析識別長距離通勤人群等響應率為歷史響應率3.5倍的超高質量咖啡潛客群，日後可以作為種子進一步通過在第三方人群池進行放大、LBS或微生態拉新，實現低成本咖啡新客規模化獲取。響應率提升帶來的銷售增長和營銷成本的節約可以反哺，為顧客帶來更好的產品。
在線下營銷活動期間，某品牌業利用DID雙重差分模型分析活動中的顯著指標，設定核心KPI，為導購行為提供科學指導；利用隨機森林聚類和分類模型判斷影響人群是否購買及購買金額的因子變量，指導後續人群篩選。此舉顛覆了以往對管理經驗和傳統認知的過度依賴，大幅提高決策客觀性，縮短人群及店鋪篩選時間，降低人員培訓成本。
3、新零售的賦能—— 自動化洞察降低數據科學門檻
目前，大量零售企業依然缺乏針對數據科學技術的整合方式，錯失了人群、商品、價格、競爭環境、周邊環境、交通狀況、店面屬性等元素中蘊藏的大量尚未被完全解讀的商業機會。
數據科學平臺為零售企業賦予基礎數據科學能力，讓其能夠首先在數據目錄中將散亂的數據整理出結構和組合，之後在數據工廠中按照場景或項目目標，對數據進行處理、建模，輸出數據集至數據目錄或建模結果，在數據報表中實現可視化，最後在數據倉庫沉澱。
4、新零售的未來潛能
新零售是“無法阻擋”的。其在“人”和“場”方面的能力已經形成，並將隨著數據採集硬件的發展、數據捕捉與應用場景的豐富而逐漸增強。隨著這一代消費者生活方式的改變，在“貨”方面將湧現出更多類型的實物、虛擬物和服務作為產品出售；生產速度和個性化程度，都將超越當前的初級柔性供應鏈，在生產端3D打印技術的升級中實現突破。
此外，在人員賦能方面，目前數據科學的自動化仍然處於組件單一自動化的早期階段。特徵工程之前的步驟，依然主要由人工完成，尚未形成“策略庫”。特徵工程、模型選型、評估的單一組件自動化可以實現。後期迭代優化部分，能自動化實現模型的選擇和調參，但建模部分依然需要大量人工干預。打破這一壁壘之後，自動化數據科學將真正實現大數據的賦能——降低工具門檻、人才門檻和預算門檻。更多小品牌也能受益於大數據和人工智能手段，大型企業和中小企業間的基建差距將縮小，中小企業將有更多機會跑出，競爭也將更為激烈。
新零售中的大數據和人工智能，作為底層建築或者基礎設施在升級改造產業，也有其“無能為力”之處。在定位其價值時，管理者應該接受其帶來的洞察有其概率性和量化的不確定性，是決策的輔助者而非替代者。
看似普適的理論往往價值有限，只有那些敢於下水，拿到分析洞察之後擁抱實驗文化的挖掘者，才會切實嚐到數據帶來的甜頭。新零售也不是互聯網企業的專屬，所有的傳統行業，都值得用互聯網思維再思考一次，否則就會像大潤發董事黃明端所言——“我贏了所有競爭對手，卻輸給了時代”。
TalkingData集合數據、產品和諮詢的全域服務，擁有多年零售龍頭企業合作實施落地經驗，願以企業價值為終極目標，攜手企業以效率數字化為起點，提升橫縱向生態聚合、業務經營能力、平臺支撐能力與商業運營模式，以效益數字化為節點，全面提升數字化能力，穩固提高產出價值。
閱讀更多 TalkingData 的文章
