第3章〓数据成就智慧飞翔
3.1顾客数据整合运营的价值
新零售模式下线上线下的多渠道之间被打通，由此带动了顾客数据收集和管理方面的飞跃。新零售的顾客数据整合首先是打破数据孤岛，传统的零售数据来源单一，而且由于数据管理手段的落后，消费者的消费数据难以被有效地整合。在新的技术手段和商业模式的推动下，新零售打通多方数据源，使得营销数据可以充分匹配并得到统一管理。第一方的实时数据被收集和运用，并实时积累和整合。例如零售企业的CRM数据，数据仓库，注册会员信息以及顾客实时的线上线下行为数据将充分整合，共同支撑企业内部的营销决策和营销推广。
新零售的顾客数据整合运营的商业价值体现在以下几个方面。
1.  充分了解和挖掘顾客
了解和挖掘顾客的工作包括详细掌握现实顾客是谁，从哪里来，到哪些店铺，何时离开，潜在顾客是谁，在哪里。在新零售时代，线下与线上融为一体，O2O流量十分庞大而且复杂。因此，在架构上，要求把零售主数据（包括商品、顾客、价格）、动态数据（包括库存、订单）集中处理，沉淀到数据中台中，作为唯一可信数据来源的数据中台在其中可以对接多样的业务前端，支持业务前端的灵活变化，将这些功能从相对死板的ERP、CRM中解放出来，解决了商业套件不适应全渠道时代的问题。要充分利用好消费者在线上线下平台沉淀的数据，研究顾客的消费轨迹。建立分析顾客需求特征的指标体系，基于指标体系和算法，运用信息系统定期分析每个顾客的需求特征，基于每个顾客的需求特征预测其需求，包括商品风格款式、价位、折扣偏好、购买时间偏好等，根据需求预测生成每日顾客价值开发任务列表，执行任务并评估效果，进行持续改进。在线上运营过程中，零售企业可以了解网页有多少访客，这些访客浏览了多少页面，从而对成交量进行评估。在线下运营过程中，零售企业可以借助对用户的智能手机等随身携带的移动终端数据进行搜集及分析，精准地了解用户的消费需求、购买习惯等，从而为在线下门店进行个性化及定制化的精准营销打下坚实的基础。有了数据之后就需要使用适合的方法来理解顾客行为，在传统市场营销实践中主要是市场细分，很多细分变量（如人口因素、地理因素、心理因素等）都只能提供较为模糊的顾客轮廓，其决策依据依赖少量调查样本和传统经验。大数据时代则能够从利用大数据技术收集的海量、多维、立体的非结构信息中快速筛选出对公司有价值的信息，对顾客行为模式与顾客价值进行准确判断与分析，深度细分，有可能甚至深入了解每一个人，进行顾客画像，顾客画像让企业从追踪消费行为升级到抓住消费者内心。企业将消费者数据从多个维度进行分类，赋予不同的数据标签，标签内部具体描述某类标签顾客的年龄、性别、地域、接受教育程度、手机号、上网时间、上网频率、购买频率、购买偏好、购物习惯等特征，完美地抽象出一个顾客的商业全貌。除了顾客画像，依托整合的顾客数据，企业还可构建不同的营销模型，如顾客活跃度模型、流失预警模型、顾客价值分析模型、顾客忠诚度模型、品牌关联规则模型等，深度分析数据。
新零售第3章数据成就智慧飞翔2. 能够对顾客进行的精准监控与实时追踪分析
我们已经知道，用户的页面浏览数（PV）直接反映出用户在网站中的浏览深度。当用户在网站内的PV值较高时，表明了其停留时间相对较长，对网站的忠实度较高。当用户在某一页面的跳出率较高时，反映出用户无法在页面上找到其感兴趣的信息。还有一个指标称为点击路径分析指标，这个指标能够让商家分析出消费者是在哪个节点进行了交易或者购买，对用户在首页、搜索页面、产品详情页面、购买页面、支付页面等所有页面的停留时间与页面跳出率进行统计与分析。与此同时，借助无线技术，通过室内WiFi可以对3～5m的用户进行精准定位，统计一定范围内的顾客热点活动区域。当布局足够多的WiFi设备时，零售企业可以对店内的所有事情进行实时监测，包括顾客在店内的停留时间，常光顾的区域，并据此实时做出调整。例如，如果顾客付款时间过长并且商品遗弃率很高的话，企业就应该加快结账过程，或是增加高峰时段的员工数量。如果顾客在鞋区的徘徊时间长于内衣部，但是买下的内衣数量却又多于鞋类的话，企业或许应该搞清楚原因，并且重新思考该怎样安排店内空间。由此，零售企业可以通过页面浏览、点击路径、实体店动线等整合数据，分析每个顾客在线上和线下的关注点，对顾客进行实时追踪分析。
3. 能够提高顾客的转化率、提袋率和复购率
网站转化率在电商运营中是一个十分关键的经营数据，传统零售行业对于数字化营销意识和数字化营销工具都十分缺乏，在没有有效的营销手段的支撑下，客人都犹如一张白纸，买与不买全凭顾客的自然偏好做主，其转化数据都是未知的，没有产生引导、培养的环境自然也很少有复购发生，销售的数值相对比较稳定。零售企业缺乏有效手段对转化率进行分析，仅是简单地从成交额的视角来分析店面的坪效，而不是从顾客角度思考。新零售时代，零售企业可以通过借助各种智能化及自动化的设备，来对店面的转化率数据进行分析，了解新老用户对产品及品牌的忠实度，指导运营人员对门店运营做出及时有效的调整。以服装卖家为例，春装上新阶段每日运算的重点是根据上架新款匹配顾客需求预测，筛选出符合要求的目标顾客，根据顾客价值数据指标和促销优惠规则计算每一名顾客的促销优惠方案，生成执行列表。如果到了季末出清阶段，每日要分析各款的尺码和颜色售罄状况，用款式风格、尺码、颜色匹配顾客需求，筛选出目标顾客，根据顾客价值数据指标和促销优惠规则计算每一名顾客的促销优惠方案，生成执行列表。只有在运营中不断动态调整，才能激发用户购买的意愿，真正发挥出数据整合后带来的精准营销的优势。
3.2顾客大数据的内容
消费者大数据是零售业大数据的重点。作为一种新的发展技术，大数据的特点主要体现在数据量大、速度快、数据类型多、价值密度低、真实性五个方面，其中数据量大是指所获取、存储和处理的数据数量和规模十分庞大；速度快是指对数据搜集、处理时效性很高，能够在最短的时间内完成相应的处理任务；数据类型多是指获取和最终输出的数据的类型十分丰富，既包括结构化的数据，也包括半结构化和非结构化数据，从而满足各种数据处理的需要；价值密度低是指虽然数据的数量庞大、种类庞杂，但其中只有部分数据拥有积极的价值，会给人们的活动带来好处，但要想真正发挥出这些价值，还需要通过有效的方式加以处理；真实性是指最终出具的数据分析结果的质量是真实有效的，这主要是基于大数据分析算法的严谨性和科学性而言（辛志斌，2019）。对新零售而言，需要重点关注的消费者大数据包括消费者管道数据、消费者搜索数据、消费者到店频率数据和消费者购买数据等。对于零售业来说，更重要的是从这些数据中挖掘其潜在的巨大价值。这些消费者大数据具体内容如下。 
1. 消费者管道数据
消费者管道数据是指消费者注册的相关数据信息，即消费者基础数据。零售企业一旦掌握了消费者基础数据，就能够将自己的营销信息第一时间传达至消费者的手机中。消费者管道数据除了个人基本特征数据之外，还可能包括消费者行为特征数据，如消费者活跃特征，是否为新增消费者，客户价值，产品偏好等。同时，企业还可以探寻消费者是如何找到这一平台进行注册的，该平台吸引顾客注册的特质是什么，从而有利于该平台吸引新的用户。
2. 消费者搜索数据
企业通过消费者的搜索数据，能判断消费者的购买意向，从而做出精准的推荐。在线上，企业可以很容易做到对消费者的搜索数据进行统计和分析。在线下，企业可以通过分析消费者在商场内的走动路线和某品牌店铺的位置驻留时间来判断他的品牌倾向。例如，消费者如果长期驻留在某个商品大类（例如化妆品区域）前，这也是一种消费者搜索的反映。消费者在商场中某品牌店铺的驻留时长对企业后期的精准营销有极大的帮助。消费者的搜索有时更多体现为一种潜在需求，有时需要特定的场景才能转换为实际的购买行动，这就需要商家对消费者的潜在需求进行挖掘和培育，或者利用各种方式营造可能促成消费者购买此类产品的场景。
3. 消费者到店频率数据
不同的产品都会有一个消费的频次和需求的问题，一定是更高频，更刚需的产品客户的活跃度和复购率更好；比如某些行业，像婚纱摄影、装修、家具家电，人们更换的频次非常低，同时这样的产品客户的活跃度和复购率在这个层面上肯定是不高的。但是，不管是消费者购买频次高的行业还是购买频次低的行业，企业都需要掌握消费者的购买频次，才能更好地做出决策。消费者多久才来一次？什么时候来？逗留多久？企业如果通过前期数据采集获取了消费者的到店频率数据，该数据将为促销信息的发送时间提供可靠依据。有效分析每位顾客的到店频率并根据规律定时投放促销信息，会显著提升消费者的到店体验。
4. 消费者购买数据
消费者最终购买了什么商品？他的购买偏好是什么？这部分数据特别有价值——已经购买过你产品的客户不仅知道某一品牌，还很有可能购买该品牌的另一款产品，尤其是当他们对首次购物体验感到满意的情况下。企业可以收集关于购买数量、平均订单价值、产品类别和购买时间的数据，以更好地了解客户生命周期。企业通过采集、分析消费者购买数据，可以进行精准营销： 一方面通过精准的促销吸引消费者到店消费，另一方面可以通过电子商务方式实现线上的消费者二次购物消费。同时，可以将消费者不同时间购买的消费数据进行比较，分析消费者购买的趋势，进而制定出更加符合消费者的个性化营销方案。
当然，以上数据只是顾客大数据中的一部分，对于顾客大数据的应用也不仅仅局限于上述的举例。例如，顾客本身的信息也会为企业的营销所利用，例如顾客生日当天为顾客提供更大的折扣优惠，这可能会让顾客与产品或平台之间产生更为紧密的情感纽带。运用跟踪工具的加持，企业可以测量消费者的地理数据，分辨出顾客在哪个大陆、国家、地区，甚至可以精准到哪栋大厦。通过地理位置的细分，企业可以向受众推送适合当地气候的服装。此外，还可以访问设备数据，以便更好地了解受众是如何找到该产品并进行互动的。此外，不同群体分析消费者数据的侧重点也会有所不同，对于零售商来说，数据挖掘主要是指客流分析、用户画像分析、消费路径分析以及消费品关联度分析。此外，企业还可以利用大数据实现“预判发货”。对于正在网购的顾客，在其还未下单时，亚马逊就将包裹寄出。预判发货的核心还是基于对大数据的挖掘和分析，其本质就是通过预测，把发货这个过程“外包”给“算法”，让“算法”自动发货，实现智能化。根据数据分析结果，亚马逊如果判断某位顾客对一件新商品有购买意愿，就会直接将商品寄给他，或者将该商品发送到离他最近的仓库，这样顾客一旦下单，收货时间就将以小时而不是以天计算。除了亚马逊，成功运用顾客大数据提升自己业绩的公司还有很多，Zuji是一家国际旅游网站，它根据游客以往的互动行为（如搜索行为、访问次数）为他们推送个性化的广告，以增加转换的可能性，而且他们的个性化推送服务只针对最密切相关的用户。他们的目标是根据一个人过去在网站上的行为，将其细分成不同的市场，通过投资这种方法，他们的投资回报率提高了100倍。国际流媒体和内容创作公司Netflix的成功，也部分得益于其先进的商业分析能力。它通过一项名为CineMatch的服务向用户推荐媒体，该服务利用客户行为、购买模式和反馈，将用户链接到他们可能喜欢的内容集群。Netflix希望成为一个“适应个人品味”的网站，利用其庞大的数据库和预测算法，为客户提供令人愉快的个性化流媒体体验。
3.3顾客运营的数据赋能
顾客是零售品牌重要的战略性资产。如何能够提升对顾客数据的洞察力，测量每一位顾客的价值，对不同价值的顾客实施差异化策略，是顾客运营的核心。消费者数据应该被放在战略的高度去审视它，企业通过收集和分析消费者数据，精准定义受众的偏好并提供与之相关的服务，从而真正为客户创造愉快的交互体验。企业适当地收集和负责任地使用数据，保持信息和内容以个人为中心，而不是以渠道或产品为中心，是对抗广告盲区最有效的营销自动化策略。
顾客运营的数据赋能是通过数字化转型，让品牌能够更好地遵从消费者决策链路节点（认知—兴趣—购买—忠诚），对海量多维的顾客个体行为数据（包括购买行为、兴趣偏好、生活方式）进行诠释，最终以高效、精准和智能的方式帮助零售企业更好地运营顾客关系和制定决策。
零售企业可以通过搭建顾客运营平台来实现数据赋能。顾客运营平台可以基于数据能力，帮助零售业识别不同价值人群，并通过精细化的有效触达与营销服务，实现顾客的可识别、可洞察、可触达和可服务，最终实现运营效率的提升。通过顾客运营平台精细化地运营顾客，帮助零售企业提高转化率、回访率、复购率来提升整体的顾客价值。可以说，顾客运营平台就是对零售业进行赋能，有效洞察顾客需求并提供个性化的营销和服务，建立消费者和零售企业的黏性。
顾客运营的数据赋能最终将带来彻底的顾客关系重构。这种关系重构涉及交易链路上“引流—转化—复购”这些关键节点，并对所有节点均有增量贡献。零售企业应该从增加引流增量开始，利用智能技术赋能商业行为，提高消费者转化和复购比例。智能变革为品牌和零售实现顾客关系重构提供了支撑。零售企业应当在统筹考量自身商业基础设施的基础上选择最高效的方式实现顾客触达、识别，作为业态改造和运营决策的基本输入。同时，建设相应的组织和流程使消费者需求即时同步给市场销售、生产、研发等所有核心环节，以实现数据最大使能。并且，要在内部培养或合作获取数据智能化的能力。
3.4数字化的全供应链
当集中于前端的、针对顾客群体的数字化沉淀模式逐渐趋于明确时，细颗粒度的市场数据流在智能分析的基础上重构企业运营、供应链、生产制造流程，实现基于真实市场需求的柔性生产和柔性供给，形成数字化的全供应链。信息流在供应链管理中非常重要： 首先，数字化的全供应链依赖数据作基础，即标准化、海量、准确的数据。需要收集到供应商端、客户端、生产制造端，以及采购市场、销售市场的相关数据，不仅要全还要准确。建立数字化系统非常艰难，但又不得不做。因为只有数据正确全面才是建立数字化系统的基础。其次，各种精确的算法作为支撑，实现数字化、智能化功能，即相应的软件、系统把供应链中的各个环节的数据有效地链接起来，最终实现自动化响应与智能化决策。再者，零延迟无死角的信息传输使得数字化的全供应链成为可能。面临即将到来的5G时代，利用高速运转的数据和飞速的传输手段，使真正的万物互联互通成为可能。
供应链能力的提升离不开卓越的流程，清晰明确的流程设计，建立标准的、操作性强的符合企业实际的管理体系对打造高效供应链系统非常重要，采购供应的管理体系通常包括供应商的开发与寻源，供应商的评估，供应商风险管理，供应商绩效管理，供应商关系管理，供应商的发展等。一个零售商可能要管理的几十万个SKU和几万个供应商，都可以通过构建一个全供应链平台，将供应链和客户、仓库连接起来。有了规范、标准的流程，数字化系统的建设就有了基础。全供应链可以利用大数据实现需求预测，提高零售企业满足市场需求的反应速度。还可以结合库存数据自动生成采购订单，提高库存管理水平，降低资金占压。此外，通过全供应链可实现简化管理，提高透明度。过去单纯靠人工的采购存在大量的管理弹性，采购人员与供应商在长期的合作中难免会产生一些腐败现象，这种腐败会使企业对供应链的把控能力下降，不仅增加了自身的采购成本，同时也会威胁到自身的采购质量，进而对整合产品和服务质量产生不良影响。数字化全供应链的实施大大压缩了管理的弹性空间，这会大大减少采购过程中的内部和外部腐败。
人工智能、AR/VR、物联网、大数据等新技术日益成熟，使零售更加智能化。从用户识别、用户触达到用户服务，所有商品、用户和消费行为可以实现数字化。互联网的运营思路得以在传统经营中发挥作用，帮助经营者挖掘更大的价值空间。从采购端、物流端、消费端到服务端覆盖全产业链条的数据收集与分析，电商、实体店的供应链、仓储、数据将打通，形成一体化管理。同时强化用户体验的概念，从流量中心向用户中心转型。这些数字技术可以极大地提升消费者全旅程体验，提高运营效率，降低成本。在实体店内部署人工智能技术，结合摄像头、智能货架、移动支付等技术，使店铺对消费者外貌特征、产品偏好、情绪变化、消费记录等进行汇总，实现线下流量的数据化。
在整合上游供应商和下游顾客的数据的基础上，数字化的全供应链有利于产品生命周期管理 (PLM)。虽然PLM系统不是新的，但仍然有很大的空间来采用和集成到供应链中，这些供应链仍然以ERP系统为中心。一项研究预测，到2022年，超过40%的制造商将把PLM应用程序的数据整合到他们的供应链数据中，以提高服务水平。来自PLM系统的数据提供了从概念到交付的产品生命周期的更全面的视图。这使公司能够无缝地连接制造、产品开发和客户需求，以提供性能更好的产品和改进的服务。PLM的另一个组成部分是供应商生命周期管理，它提供了供应商和零售商/品牌之间更大的可视性和集成。
根据当前的经济发展模式不难看出，数字化供应链是时代的趋势，谁抢得先机，谁将在竞争中胜出。而要打造真正意义上的数字化智慧供应链，还有很多扎实的基础工作要做。随着科技经济的不断发展，未来数字化全供应链的实现将指日可待。
案例分享： 蒙牛零售的智能数字化改造
乳品快消行业销量波动频繁，保鲜要求度高，产线供给复杂，物流网络庞大，因而内部成本控制的复杂度非常高。智能数字化为蒙牛的效率提升和成本改善提供了有效的途径。在阿里云技术的支撑下，蒙牛从销售、排产、物流等几个方面深入进行了智能数字改造，从而实现了成本的显著降低和效率提升。
1. 销售预测与市场洞察
乳制品销量波动频繁，天气、促销、舆情等各类因素都会对销量产生影响。销售人员如果单纯根据订单历史和经验，对下个月的销售额做出人为判断，会出现预测颗粒度不够、准确度不高的问题——一方面直接影响排产计划准确度，另一方面会导致产品与订单需求不完全匹配。此外，依赖各级经销商平台收集的线下经销数据也往往不能完全反应市场的真实需求。
基于阿里云MaxCompute大数据平台，蒙牛在自有CRM等系统之上集成品牌线上实际销售、线下直营经销商实际销售等数据，结合背景环境因子进行销量建模，致力于将“基于订单历史的人工预测” 改变为“基于实际销量的智能预测”，提升预测准确度。
在未来数据生态逐渐建立的情况下，蒙牛还可以将该预测结果反向输出给下游经销商和零售商，指导其订单发布，实现经销链条的成本最大节约和共赢。
2. 排产优化
鲜奶等乳制品对于保质期要求极高，这就需要生产企业根据销售预测进行精确的排产，否则极易产生大量库存浪费。人工排产一方面无法做到快速应对市场变化（只能做到按月排产，不能做到按月、按天），另一方面就每次排产计划而与销售部门之间产生的大量沟通和人工录入、修正，也成为排产效率的瓶颈。
在精准预测的基础上，蒙牛针对企业内部机制打造的定制化智能排产解决方案，可以在销量预测结果上，根据实际订单对排产计划进行实时迭代，排产周期因此可以缩短一半以上。智能订单系统可以结合产能规划、库存信息等进行建模和计算，自动将订单分解并派送至相应工厂，取代了人工匹配订单，提升了企业运营效率。
3. 物流网络优化
物流成本是乳品快消企业最主要的成本之一。蒙牛目前在国内拥有50多家工厂,16个常温奶配送中心，日平均运输量在1000t以上。随着市场、销量增长，商品宽度的增加，如何根据市场需求的变化进行包括产线布局、仓储布局、奶源供应商管理等在内的物流网络的优化，提升物流满载率，快速响应渠道需求，是企业需要迫切考虑的问题。
通过大数据分析，根据模型计算结果，蒙牛可以实现对营销资源布局，工厂生产资源布局，配送资源布局的通盘考虑，实现物流网络的最优建设；同时，从全链路角度，以数字化的方式为企业1～5年资源规划提供建议，协助企业实现“去产能，去产线，去品相，优布局” 的优化目标。
在通过智能数字化手段提升运营效率，降低成本的基础上，蒙牛还将致力于建设自己的品牌数据链，在增进终端客户了解，产业及数据拉通上持续发力，形成依托在商业生态之上的数据生态，彻底实现数字智能化的转型。
（案例来源： 阿里云研究中心）第Ⅱ部分新零售的线上线下


零售商要做到打通商业全链路，首先是要实现线上和线下的全面数据融合，即综合处理线上和线下的消费者需求信息，共同应用于更准确的消费者定位和适当的品牌建设。线上和线下从对立到融合的关系正在悄然发生。而在我们所探讨的新零售领域，线上和线下融合的核心就是实现虚拟生态和现实生态的深度融合，最终形成虚拟生态和传统生态合二为一，产生虚拟和实体相互融合的零售生态圈。