
专家谈零售大数据:以前没想到能做的现在可以做了
国内第一代大数据创业家柏林森先生是国内大数据技术和实践的先驱,先后创立百分点科技、信柏科技两家大数据公司,是中关村高端领军人才、海淀区创业领军人才、中关村十大海归新星。现在柏林森先生正领导“信柏科技”致力于“用消费大数据来帮助线下零售业O2O转型“的事业,零售行业内大数据标杆性项目——朝阳大悦城大数据体系系统就是由柏林森先生领导的大数据团队助力而完美落地的。
在最近的亚太零售创新峰会2014上,柏林森先生发表了关于“零售大数据”的独特又深刻的演讲,指出做零售大数据的重点以及驱动零售业创新发展的几类大数据应用,让人耳目一新,醍醐灌顶。
大数据概念大家讲了很多年了,有时候讲得挺复杂的,我们对大数据的认识比大家通常讲的要简单直接很多。大数据第一件事肯定要产生业务价值,不产生业务价值的大数据应用是没有任何意义。
在零售领域里面,我们认为大数据做的事就是用数据驱动运营每个环节。
首先我们需要确定数据源 ,针对线下零售来讲,数据源有三类:第一类是整个零售系统不管是ERP,还是供应链等,这些数据要整合在一个平台;第二类数据源就是消费者的行为数据;第三个是我们对于外部第三方的数据整合起来,这构成我们的数据源。
在数据源的基础上我们进行分析、挖掘,无非这个数据的作用一个是在经营分析管理环节,另外一个是对顾客营销环节发挥作用,简单来说零售大数据做的就是这样的事情。
信柏从今年开始专注做线下零售大数据和O2O这一块,做了朝阳大悦城、万达集团、兴隆大家庭、毅德集团、时光海、索尼等多个项目,在不断的项目实践中加深了零售行业大数据应用的理解。第一个,数据要和行业做结合,脱离行业纵深的数据应用很难发挥价值。从零售角度来讲,像百货、或者购物中心,他们对数据的需求有相当大的差别,所以零售大数据的应用一定是纵深的应用。第二个,数据的维度和质量是特别重要的。数据维度好比原料,有了好的原料,好的厨师所需要做的就是消费者需要什么,把这些好的原料简单加工就可以提供非常好的服务。
零售大数据的特点是以消费者为中心的数据,打通消费者在线上线下的各个ID,关注消费者在线上线下各个品类的消费偏好这些数据。比如他在线上母婴、化妆品方面喜欢的品牌是什么,他的需求是什么,他最近有什么购买特点,包括线下他去过周边哪些店,这些是我们所关注的。以人为中心,现在信柏覆盖了5亿消费者,其中包含线上线下整体打通的数据覆盖了2亿多的消费者。
说到线下零售的行为数据是怎么采集的?最关键的就是现在智能手机以及智能硬件的普及。通过智能手机以及其他智能硬件技术手段的辅助,如Wifi接触点、交互的大屏、智能POS等这些用户处理,信柏可以知道消费者在一个店什么区域逛过、停留多长时间、买了什么东西,这些构成线下消费者的数据基础。
从线下零售数据,我们关注的是线下零售实体业务结构,消费者在线下消费的数据,这构成线下零售全数据的数据基础,在此之上信柏通过分析挖掘做具体的数据应用。信柏的零售大数据应用方面无非是三类: 第一类是零售在做,但做不好的事;第二类零售一直想做,但做不了的事;第三类零售之前都没有想过这件事是可以这么做的事。
第一类:零售在做,但做不好的事
例子1:选址和招商。之前零售如果要做选址,以购物中心为例,他会请营销策划公司分配人员站在路口分析这个购物中心所在地点的消费行为分析,花一两个月时间收集300到500份问卷,根据问卷营销策划公司给出周边的消费者是什么情况。但由于以下两个因素,这种传统的做法误差较大:一是样本量不多,调研深度也不够;二是接受问卷的消费者当时主观上是乐意还是牵强。
同样是选址和招商这件事,从信柏消费大数据的角度来看很简单,因为信柏知道周边所有消费者的数据,可以定位到商圈和小区,所以信柏5亿的消费者大数据库可以轻松知道选定的这个地点周边消费者的样本,包括这些消费者在线下其他地方的消费偏好、他们的收入水平、家庭构成以及在线上的浏览和消费偏好,几分钟可以出这样的报告。
如果连锁店选址准备开100家店,那么潜在的选址可能要有1000个,如果对1000个做筛选可能基本上一个团队全年工作,但如果有了大数据,这件事情只需几个人就可以完成。借助信柏消费大数据覆盖的数据,零售商任意给一个地点,信柏就能知道周边人口的构成、家庭的构成、消费购物的构成。招商也是一样的,招商什么品牌完全根据周边消费者的偏好定。选址这件事就销售商之前在做的,在没有大数据的帮助是非常繁重的事,基本上靠一点信息拍脑袋形式构成的。
例子2:营销活动策划。购物中心、百货、品牌等线下实体零售都会经常策划营销活动,显然很多促销活动其实是针对特定人群而做的。例如,六一儿童节、三八妇女节做促销活动。零售商一般都是拿着会员资料来猜女性有多少、带家庭的人口有多少、可能是怎样的来策划活动。
但有了信柏消费大数据的帮助,信柏可以给全局消费者、会员人群做非常清楚的消费者画像,告诉零售商这群消费者特点是什么、这个促销活动针对的消费者有多少,哪些是目标消费者、目标消费者的长期偏好和短期需求是怎样的?
第二类:零售一直想做,但做不了的事
线上零售希望有线下实体的接触点,当零售商做线上线下整合的基础就是希望知道其客户群不仅是在本品牌的需求,还想知道消费者在其他品牌上的需求,但这种需求零售商自身是做不了的。对于信柏这个消费大数据公司,因为多年以来积累大量到亿级个消费者的消费行为数据,加上专业的大数据挖掘和分析能,就可以得到一个消费者或者一群消费者在各个消费环节上的需求数据。
第三类:零售之前都没有想过这件事是可以这么做的事
之前零售商可能没有想到可以做的是,但是现在有了数据就可以做了。很多品牌会有户外广告的需求,比如说楼宇的广告、公共设施上的广告,过去零售商说在什么地方投什么广告皆有广告策划的人来决定,现在还有专业的大数据分析方案来辅助零售商精准投放。
假设三星出了一款新手机想在上海投广告,他想专门针对苹果手机的用户投放和展示这个广告,以前这件事是大家想都没想过能这样做的事,现在从信柏的消费者大数据出发就可以画上海整个苹果用户的分布,可以告诉三星的人苹果用户都在哪些区域聚集,三星就可以非常清楚的知道一个广告应该投放在哪些场所.
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03