零售业求增长?让数据科学来破题

零售业求增长?让数据科学来破题

零售业求增长?让数据科学来破题

1 August 2019

从1994年互联网接入中国,发展到2019年,已经整整25年。25年的时间,一个出生婴儿已经长大成人,意气风发并可以独步江湖了。

1999年是中国电商起步的一年,当时eBay和亚马逊仍是商业媒体的焦点,直至2008年以阿里巴巴和京东为代表的中国电商开始腾飞。谁能想到仅仅8年之后,中国的线上交易量就能够超过美国,并在此后3年仍保持强劲增势。eMarketer提供的一组数据中显示,中国零售市场到2020年网购交易额将达到2.5万亿美元,是美国的3.5倍,网购人数将占全世界线上交易人数的60%,但只占中国总人口的一半不到,中国的线上销售额将增长24%,增长速度冠绝全球。

2008年也是《自然》杂志专刊首次提出BigData概念的时候,随后的2年大数据逐步从成熟走向应用,一直到今天,学术界及企业界对于大数据应用研究的讨论火热依旧,渗透在商业、科技、医疗、政府、教育、经济、交通、物流及社会的各个领域。

那么2019年,数据科学在零售业领域面临哪些挑战和机遇呢?以下是我的一些观点。

零售供应链变革

零售业应用大数据和数据科学最直接的目的是帮助零售商实现精准营销,从而降低营销成本,扩大销售额,同时帮助厂商减少产品过剩。随着C2M(Customer to Manufactory)的时代来临,消费者将主导市场,从零售到制造,市场驱动力和驱动方向发生逆转,供应链的变革随之而来。在新的供应链模式到来之际,数据科学的应用会进一步深入。

如果营销是商家的脸,产品和运营是气质和才华,供应链就是经脉和血液。供应链模式变革会从本质上改变零售商和制造商的命运,这一方面包括通过供应链的结构优化来提升快速反应能力,另一方面是通过供应链的数字化来提升需求管理能力。

自动算法和机器学习自动化

在中国,电商的爆发式增长引发了一定的大数据热潮,如今电商巨头将触角伸向了线下零售,因此很多企业把数据科学作为技术投资的一个主要领域,数据量随之快速大幅度增长。

随着数据科学家拥有越来越多的数据和工具,自动算法和机器学习自动化将被用来探索更多假设,比如以前是人工凭经验去调整参数,这个过程比较繁琐,时间也很长,现在将通过机器学习的方法代替人调整参数。Gartner预测,到2020年,超过40%的数据科学任务将实现自动化,那将是所有人都能成为数据科学家的时候,数据洞察将在整个企业中得到更广泛的应用,

然而,实体零售业实现数字化的压力不小

线上零售相比实体零售具有一定优势,首先是比较容易获得数据,再加上有阿里巴巴、腾讯这些公司的一系列投资行为,线上在数据科学应用和覆盖面上相对来说比线下要好很多,同时也能更好地切入到运维中去。

如果线上零售的数字化程度是10分,那么线下零售可能只能打5分。线下零售的问题很大程度上,一是因为数据本身很难收集到,各个零售商和品牌商各自有各自的数据,彼此之间很难去打通,二是有了这些数据,做完分析之后,很少能够呈现成运维的工具,比如消费者的洞察报告很难落实到执行层面。由于有很多因素不能被量化,使得部分数据在一开始做数据分析的时候就没有被带入进去,结果是报告存在没有被考虑的方面,最后报告的结论也不一定能够被执行。

换句话说,因为很多环节是由人来操作的,所以线下很多场景的数据不像电商那样,可以将所有消费者行为数据一五一十地记录在后台。

比如传统上做海报的选品,评估海报选品效果,用历史的记录迭代式地更新下一次选品性能提升,以前主要是人为操作,只是用IT的系统做辅助的数据记录,甚至一些地区门店在IT设置方面都不到位,基础的信息捕捉都没有,所以运维上的其他信息就更难获得。

人、货、场全链路数据洞察

从0到1,零售行业大数据整合应用全攻略一文中说到转型成为数据驱动的企业需要长远规划和坚定实施,就是说要转型成为数据驱动的企业在基础设施上需要加大投入,并且有很多需要变革和改进的地方,包括建立围绕人、货、场的消费者、产品、营销、渠道、物流等建立全面深度的数据体系。

“人”就是顾客洞察或者消费者洞察,包括从大数据形成基于顾客群的分类和顾客洞察,他们是谁?喜欢什么?购物的偏好是什么?网上社交媒体行为是怎么样的?这些数据量很大,通过机器学习的方法可以获得方方面面的顾客洞察,用来指导营销决策,甚至于形成将来一些新的趋势,帮助产品研发做前期的调研。虽然线上数据更多,但是如果只用线上数据会有偏颇,加入线下数据能够更完整地画出顾客画像。

“货”就是产品,包括通过销售数据和顾客数据,指导淘汰老品或者新品上市,产品的概念本身从何而来也可以通过大数据做调研,新品价格和定位、新品上市后做跟踪、新品表现、营销活动表现、营销策略的制定、媒介推广的不同媒体渠道哪个ROI效果最好,背后也可以有很多的数据科学做帮助。

比如当品牌商想做精准营销时,我们根据品牌商的目的去做人群的筛选,可以通过一些KPI指标将目标人群过滤出来,通过我们内部的一些算法标签知道具有哪些标签的用户当你给他做产品推广的时候,更容易接受优惠券。

我们的精准营销能力已经得到业界的认可,并在腾讯开发者大会上被当做经典案例被分享。目前已经服务过31家知名的品牌商,包括宝洁,玛氏,百威英博,可乐,美素佳儿,亿滋等等。

“场”可以是线上线下的各种消费场景。从中获得的各种数据,经过有效的整合、分析、应用能够帮助零售商和品牌商做出更正确的商业决策,提升顾客购物体验,增加企业运营效率。例如选品工具可以协助零供双方做到千店千面的货架陈列和品类管理;门店诊断工具,可以帮助零售商快速识别问题门店及其整改策略。

邓韩贝在全球范围内拥有30年零售行业经验,由于始终专注于零售业,我们从合作伙伴身上获得了很多行业特色的数据能力。我们涉及但不限于快消、金融服务、医药连锁行业的顾客洞察、顾客战略、定价与促销、品类管理及零供合作等各个方面。

与零售商和品牌商直接合作的方式,让我们有颗粒度最细的数据,在这个基础上我们用数据科学打标签,那么形成的洞察对于这个特定零售商体系内是最完整最精准的。

此外,我们可以基于顾客购买的真实数据提供数据产品和服务,这比通过采样得到的调研数据或二手三手数据更精准、更有效。

总结来说,数据价值存在很大的挖掘空间,有效使用数据能够帮助企业降低成本、增加收益、优化营销、预测未来,比如千人千面的广告是营销方面的数据科学应用。供应链方面的数据科学应用是新零售下一个要解决的问题,也就是怎么用更低的成本更快速地将产品交到消费手上。现在微软、亚马逊、阿里巴巴等大企业纷纷把能力放在各自的云服务上,当更多企业都能够接受把数据布局在云上,可以像水电煤气费一样简单地调用,AI的普及将会更快……

数据科学无论在学术领域还是应用领域的讨论从未间断,多元化全渠道的趋势给行业带来更多挑战和机会,未来数据科学的探索领域也会不断扩大。

原文最先刊载于邓韩贝官方微信公众号:邓韩贝dunnhumby(ID: dunnhumby-China,扫描下方二维码关注我们,获得更多精彩。

Research Data Science Manager, China R&D

  Back to all content