​提到新零售，你的第一印象是什么？

早上吃饭，煎饼果子可以手机支付了；

中午休息，外卖来得越来越快了；

加班的晚上，发现去年刚装的无人货架，今年因为销售量太低而拆掉了；

回家的路上，一窝蜂建起的无人便利店落满灰了；

躺沙发上刷刷手机，猜你喜欢，似乎已经比伴侣更合心意了；

不知什么时候开始，亲人租赁也成为一种产品了；

人造节日越来越多了，双11也开始走向线下了；

当年神仙打架散下来的补贴，算算也还得差不多了。

互联网公司、咨询公司、甚至传统软件公司都在谈新零售和数字化转型，模式之纷繁，链条之广袤，史无前例——似乎不谈谈流量变现，不说说几个O，不把人从业务环节中消灭，不烧烧钱看个热闹，都不好意思说自己是零售从业者了。

粉丝经济也好，O2O也好，无人也好，补贴也好，都只是零售行业中似新而不算新的手段，并不构成新商业模式——沃尔玛在二十世纪七十年代就推出了电话订货，门店送货。然而今天卷土重来的这场零售变革似乎并未转瞬即逝。眼前的“新零售”，它究竟“新”在何处？能带来什么样的企业价值？如何为企业赋能？未来潜力在哪里？今天我们一起通过真实案例，来看看这场热闹背后，到底是“无法阻挡”，还是“无能为力”。

这一轮新零售的契机在于数字化基础设施能力大幅提升

其“新”体现于人的比特化、货的产销化、场的无界化

在零售行业，企业和消费者求变的渴望存在已久。企业有营销预算，逐渐不知道花在哪里才有回报；消费者要求更高，不像上一辈那样认为消费能满足温饱就好。然而真正让这一轮零售变革无法阻挡的，是技术的发展，是数字化基础设施能力的大幅提升。

随着数据采集方式的丰富，数据的维度也愈发饱满起来。从前我们只能对发生交易的顾客进行分析，而现在已经能通过线上埋点、线下WIFI探针、物联网技术、移动支付、位置服务对交易前各个“场”在不同阶段的交互行为进行分析，形成POS前洞察。表面形式上的花样翻新治标不治本，真正的变革是建立在行为的数字化及数据资产的积累基础之上的。企业可以通过设置场景、增强与既有顾客和潜在顾客的互动来丰富数据资产。互动越多，就越有可能产生更深度的交流，留下更多“痕迹”，让企业为顾客提供更贴心的服务。

新零售的“新”，归根结底依然围绕三个核心元素——人、货、场，具体体现为人的比特化、货的产销化、场的无界化。

1、人的比特化——行为更加清晰，人群范围扩大

比特化就是通过数字化，以最小的单元，对人的特征及行为进行记录和传载。

从前企业只能对自有会员的交易数据进行分析，如今在RFM+模型和CLV+模型中，我们加入交互行为和场的数据，让既有顾客行为更加清晰，将顾客人群的范围扩大。当我们说高价值顾客的时候，会多思考一层——以哪个渠道？是购买金额最高的顾客？是利润最高的顾客？还是传播力最强的平民KOL？同样是新客户期，到底是有活跃到访但没有发生购买的顾客，还是根本没有到访行为的顾客？此外，通过一三方数据相结合的数据挖掘，我们能够客观洞察顾客在品牌外的价值主张，投其所好，并且在第三方池触及潜在顾客群。

了解顾客后的下一步是什么？杀熟吗？当然不是。对顾客的运营要坚持利他原则，一切从顾客的角度出发。

在与某零售企业合作中，我们结合一三方数据，探索注册未购买顾客和活跃顾客的APP行为习惯偏好、品类偏好、客单价分布、购买时间分布，设计恰当的推广品类，利用品牌自身线下流量规模与第三方置换异业权益。在这场活动中，品牌摆脱了传统的积分换购和特殊折扣等影响毛利的减法行为，而采用降维打法巧妙避开价格战，顾客以远低于市面上的价格获得心仪的权益，创造商家与顾客共同获益的双赢生态模式，首次活动便创造20%的销售增量，经过迭代之后更是创造了200%的销售增量。

2、货的产销化——人货交互可见，销售即是生产

顾客付款之前的行为是可洞察的，最早从线上开始——通过线上埋点，品牌能够分析出哪些顾客加了购物车但是没有购买，浏览了A商品的顾客又看了哪些其它商品。随着物联网的不断发展，线下的人货交互行为洞察，也成为可能。人货交互的可见让货品的设计、生产及陈列不再由品牌自己决定，而是让顾客也能够参与其中，产销者的概念由此而生。

90后乃至00后新生代的一人经济、共享经济、KOL经济、情绪态度消费、去中心化消费，对产品设计、生产、互动触点、传播方式产生了摧枯拉朽般的颠覆。这一代消费者已经不再满足于坐等“货”被品牌生产出来——从江小白的用户生成内容到肯德基的点歌服务，无不体现了消费者对影响产品和服务的热情。

3、场的无界化——交易交互无界，虚拟场域概念

场的无界化的第一层意义是，OMO 融合带来了触点争夺的白热化。有人说OMO是线上线下导流，事实上OMO不是企业在自己的主场导流，而是到顾客的战场去——毕竟坐在自家花园里靠品牌影响力等顾客上门的日子已经过去了。交易交互的场已经无界，今天是王者，明天可能是吃鸡，今天是游戏，明天可能是短视频；目前，许多消费者在本地生活圈服务平台的年消费，甚至比第三方电商加起来还多。哪里有流量，哪里都可以做生意。去年九月份的时候，四个星期之内，市场上出现了七款吃鸡游戏，从王者荣耀7000万的日活里面，生生撬出了4000万的活跃用户。如果有客观的数据支撑你看准这样一个流量去经营，就能实现一轮收割。

流量场不断快速更换的局面已经超出了单纯依赖经验的判断已经无法应对不断快速切换的流量场。这迫使企业要借助数据，用更客观敏捷的方式判断，跟上节奏，捕捉管理适合自己的触点。

场的无界化的另一层含义是，场域概念的虚拟化。如今的实体店，是门店，是展室，也是仓库。企业可以利用虚拟现实技术创造虚拟场，或以前置仓覆盖消费者所在的生活圈服务。两者都需要考虑坪效设计品类，例如生鲜类值得前置，但洗衣液也许就要多加考虑。

新零售对企业的价值——通过业务标签化、流程自动化、分析模型化、应用场景化实现效率和收益的平衡和共进。

传统企业往往紧盯投资回报率或直接收入，而在目前的商业条件下，零售企业可以通过数据实现的商业价值更广，包括效率和收益两个维度。

1、效率的提升

提到新零售对效率的提升，也许你的第一个反应是“无人”。无人技术的发展是人工智能的一大步，但为了无人而无人，和把顾客在线上线下间无意义驱赶的O2O一样，只是新零售的伪创新。新零售对效率的提升应该体现在企业的整个运行链路当中，通过业务标签化、流程自动化和分析模型化，减少跳入跳出时间和重复工作量，最终实现决策数字化。数据资产的建设、数字化平台的建设、数字化决策能力的建设，都是效率提升的基础。

在与某服装企业的合作中，我们在私有化DMP平台中进行数据资产积累，根据属性、行为、既有标签构建一、二、三方标签，并在基础标签之上，构建自定义标签、算法标签、聚合标签，实现业务标签化；之后将标签部署在平台上，并与营销投放平台全面打通，在一个生态中完成人群筛选调用、投放、数据回流、追踪的全链路，实现一站式营销流程自动化。在每次营销活动之后，该企业根据回流数据分析结果、顾客价值及生命周期变化，判断人群标签有效性，固化成自定义标签，后续即可一键调用，避免重复工作量。标签式人群筛选及放大，颠覆了以往数据库捞人的模式，节约营运时间75%以上，提高企业敏捷应对能力。

在零售选址方面，企业可以通过实时客流热力，直观了解城市主商区、次级商区、辐射商区覆盖域；在客流热力基础上叠加自有门店、竞品门店、增益品牌信息，寻找空缺覆盖片区；结合对目标选址行政区、目标营业时段的选择，采用5C选址方法做多因素综合评分；在优选片区中选定精确店址并继续深化选址研究，利用步行等时圈更科学划定局部商圈，快速获得多址终选的决策依据。

值得强调的是，如今的数据分析对象早已不仅仅局限于数字，还包括图像、语音、文本、社交关系等。我们紧抓这一浪潮，与某舆情公司合作，尝试分析多个历史网红产品的双微传播路径，聚焦核心传播节点和脉络，设定自由度和凝固度阈值，在发酵期以矢量定位网红食品新词，并追踪其后续声量，帮助企业发现网红食品，及时量产。该分析创造了新的业务细分产品，将过去的人为搜索和预测自动化，大大提高网红食品识别的时间和财务效率，及时捕捉市场热情。

2、收益的提升

分析对收益的提升往往建立在效率提升的基础之上，通过应用场景化实现，体现于会员结构优化、销售增长和成本下降。

某零售企业利用其会员线下POI数据、APP数据和WIFI数据，打造定制化标签，在未购买咖啡的会员当中筛选出潜在咖啡客进行分群、分时、分文案投放，总体响应率比盲投提高约120%。同时，通过分析识别长距离通勤人群等响应率为历史响应率3.5倍的超高质量咖啡潜客群，日后可以作为种子进一步通过在第三方人群池进行放大、LBS或微生态拉新，实现低成本咖啡新客规模化获取。响应率提升带来的销售增长和营销成本的节约可以反哺，为顾客带来更好的产品。

传播行为数据的可获取性，让零售企业可以通过最小可行化产品（MVP）测试，对权益、渠道、媒介、人群参数等进行效果回收迭代，减少时间及财务浪费。迭代不仅仅是为了找到对的方向，还包括找到该绕开的错误。国内当前注册在案的网红120万个，去年下半年，企业就已经可以以小时为单位来数字化展现网红的效果；人工智能已经能够自动化生成千人千面的素材——人跟品牌之间的交互节奏极快，规模极大，成本极低，因此与其让运营方、设计师绞尽脑汁猜几百万用户怎么想，不如让几百万人来投票。新办法层出不穷，今天最有效的方式是“裂变红包”，明天可能就是“邀请得券”，所谓方法论不是一两个金点子，而是一套敏捷的发现、验证、推广新技巧的机制，在找准现金牛的同时，也做好弯道超车的准备。 

在线下营销活动期间，某品牌业利用DID双重差分模型分析活动中的显著指标，设定核心KPI，为导购行为提供科学指导；利用随机森林聚类和分类模型判断影响人群是否购买及购买金额的因子变量，指导后续人群筛选。此举颠覆了以往对管理经验和传统认知的过度依赖，大幅提高决策客观性，缩短人群及店铺筛选时间，降低人员培训成本。

3、新零售的赋能——自动化洞察降低数据科学门槛

目前，大量零售企业依然缺乏针对数据科学技术的整合方式，错失了人群、商品、价格、竞争环境、周边环境、交通状况、店面属性等元素中蕴藏的大量尚未被完全解读的商业机会。

数据科学平台为零售企业赋予基础数据科学能力，让其能够首先在数据目录中将散乱的数据整理出结构和组合，之后在数据工厂中按照场景或项目目标，对数据进行处理、建模，输出数据集至数据目录或建模结果，在数据报表中实现可视化，最后在数据仓库沉淀。

4、新零售的未来潜能

新零售是“无法阻挡”的。其在“人”和“场”方面的能力已经形成，并将随着数据采集硬件的发展、数据捕捉与应用场景的丰富而逐渐增强。随着这一代消费者生活方式的改变，在“货”方面将涌现出更多类型的实物、虚拟物和服务作为产品出售；生产速度和个性化程度，都将超越当前的初级柔性供应链，在生产端3D打印技术的升级中实现突破。

此外，在人员赋能方面，目前数据科学的自动化仍然处于组件单一自动化的早期阶段。特征工程之前的步骤，依然主要由人工完成，尚未形成“策略库”。特征工程、模型选型、评估的单一组件自动化可以实现。后期迭代优化部分，能自动化实现模型的选择和调参，但建模部分依然需要大量人工干预。打破这一壁垒之后，自动化数据科学将真正实现大数据的赋能——降低工具门槛、人才门槛和预算门槛。更多小品牌也能受益于大数据和人工智能手段，大型企业和中小企业间的基建差距将缩小，中小企业将有更多机会跑出，竞争也将更为激烈。

新零售中的大数据和人工智能，作为底层建筑或者基础设施在升级改造产业，也有其“无能为力”之处。在定位其价值时，管理者应该接受其带来的洞察有其概率性和量化的不确定性，是决策的辅助者而非替代者。

看似普适的理论往往价值有限，只有那些敢于下水，拿到分析洞察之后拥抱实验文化的挖掘者，才会切实尝到数据带来的甜头。新零售也不是互联网企业的专属，所有的传统行业，都值得用互联网思维再思考一次，否则就会像大润发董事黄明端所言——“我赢了所有竞争对手，却输给了时代”。

TalkingData集合数据、产品和咨询的全域服务，拥有多年零售龙头企业合作实施落地经验，愿以企业价值为终极目标，携手企业以效率数字化为起点，提升横纵向生态聚合、业务经营能力、平台支撑能力与商业运营模式，以效益数字化为节点，全面提升数字化能力，稳固提高产出价值。