实体零售店的数字化应用技术策略研究

基金项目：2019年度广西高校中青年教师科研基础能力提升项目《基于人工智能技术的广西连锁零售业业务流程优化设计研究》（编号：2019KY1520）

摘 要：随着信息技术的发展，线下零售企业积累了大量消费数据，如何合理利用数字化技术成为新时代实体零售店发展的关键。本文从精准商品推荐与优化购物流程两方面分析实体零售店数字化技术的应用策略。一方面，找出目标用户、保健品消费用户在购物行为方面的整体相似程度，以此得出与设定阈值相符的相似用户集合，同时把集合当中设定的相似用户所购买的保健品商品类别视作其喜好，并最终得到目标用户在保健品商品挑选方面的兴趣状况，获得结论;另一方面，针对当今实体零售业受到电商冲击面临压力的现状，从五个方面探究如何运用数字化手段提升用户体验的具体方法。

关键词：零售店;数字化应用;推荐算法;流程优化;策略研究

当下来看，虽然电子商务的整体发展态势十分迅猛，实体店购物作为一种不仅能够满足物质消费，同时还能够满足心理消遣的休闲方式，仍旧为现代生活所必不可少的娱乐方式，实体店也在这当中展现出了持久的生命力。当顾客逛街购物时，其最为注重的就是消费体验。在大数据时代，实体零售店只有积极地寻求创新，利用数字化技术优化服务流程与提高营销水平，才能确保实体零售店在新时代不被电子商务所取代。本文将从精准商品推荐与优化购物流程两方面分析实体零售店数字化技术的应用策略。

一、基于数字化应用的实体零售店精准商品推荐

传统实体零售相比电子零售而言，最大的缺点在于便捷性不足。然而，通过应用数字化技术，可以解决实体零售业便捷性问题，例如可以通过为用户提供精准的商品推荐，减少用户在店选购过程所需时间。然而，商品推荐的主要应用场景主要在于电子商务，电子商务由于每日产生的数据量大，因此实现精准推荐的难度远低于每日数据量较少的实体零售店。本文假设一个实体零售店商品推荐场景：一家百货超市希望提高其保健品商品的销售情况，因此希望在借鉴顾客个人购物行为数据的基础上为其寻找匹配的商品，并以商品作为标准制定属于用户自身的“标签”，从而进行更加精准化的商品推荐。

若想实现此种运营方式，其中有两个难点需要进行考虑：其一，精准推荐技术所依据的是大量的数据，从用户单独个体方面来讲此条件可能是与其不相符的，然而若将实体零售企业数年的数据进行统计的话，则可获取十分丰富的基础数据。其二，将保健品的购买状况进行个体分配之后，相应的数据会大大减少，然而并非代表保健商品无购买需求。

1.推荐算法思路

雖然用户购买保健品的数据较少，然而可将保健品消费者看作是优质用户资源，之后进行剩余顾客购物行为的分析，判断其和优质用户在行为方面的整体相似度。简单来讲，若某个用户未消费过保健品，同时又必须设计出针对此种用户的保健品精准推荐方案的话，则可就其整体的购物行为展开数据分析，探析其和优质用户间在购物行为方面的整体相似度，若相似度存在的话，则两种用户间有一致的兴趣偏好类型，购买习惯方面也具备相似性。因此，若优质用户消费过某款保健品的话，则此类用户可能也存在潜在的消费欲望。

基于上述内容，本篇将展开针对用户购物行为方面的精准推荐技术设计，即在探析用户购物行为的基础上，尽可能地降低直接分析数据偏少的保健品数据，而是在其中纳入用户购物行为相似度这个参数，从而得到优质相似用户，再以优质相似用户的兴趣作为前提，为用户提供针对性的精准推荐结果。

（1）基于购物行为分析的推荐算法设计

此算法核心内容为：若用户所购买的商品方面具备一致偏好的话，则其于保健品方面同样具备偏好一致性。以此作为中心思想，探寻和目标用户相符的消费过保健品的优质用户，此种做法的目标即是为目标用户进行精准推荐。在进行具体设计时大致可划分成三个步骤：第一，关于用户相似性方面的计算。把在保健品方面消费过的人群当作优质用户，以此获得商品评分矩阵，由此来进一步计算优质用户、目标用户两者的购物行为相似性;其次，明确出最近邻集合。获取和目标用户相似性较高的优质用户，以此当作最近邻;最后，以最近邻作为基准进行推荐。于最近邻集合当中分析最近邻所消费过的保健品，进而获得推荐结果。下述内容是就几个步骤展开的详细论述：

①用户相似性计算

在原始购物数据当中获取用户购物数据，以此获得用户商品评分矩阵Rmn，计算公式如下：

上图所展示的是m*n阶矩阵，在这当中m所代表的是用户数目，n所代表的是商品数目。R矩阵当中的所有元素ri，j均是户i在物品j方面所给出的评分，因为系统当中关于用户、商品方面的评分数据所代表的均是购物行为数据，在这当中评分ri，j代表的即是用户i在商品方面的总购买次数。除此之外，矩阵当中的数据同样会将用户类型作为基础把用户划分成两个内容：其一，未消费过保健品的一般用户方面额商品评分，在矩阵当中展示的即是第1行到第k-1行的内容，其二，消费过保健品的优质用户所对应的商品评分，在矩阵当中所展示的即是第k行到第m行的内容。

因为本篇当中谈到的用户相似性方面的计算，均是基于线下零售方面的，所以个体用户的数据比较稀疏，与欧式距离标准不符。本篇在用户相似性方面的内容计算所使用的是余弦相似度的方式，此方式可凭借多维空间当中的向量夹角作为基础展开策略，能够很好的展现不同用户在方向这个维度方面的状况，此种计算方式能够让用户相似性方面的计算和背景贴近。

②确定最近邻集合

在明确最近邻集合方面共有三类方式可供挑选：其一为TOP-K排序法，此种办法的操作方式即是获取和目标用户在相似度方面最相匹配的K名用户，把此些用户视作近邻集合;其二为阈值截取法，即是凭借筛选的方式获取和目标用户相似度高于阈值相似用户的数据，以此当作近邻集合;其三是将第一、第二类方式进行融合的方式，首先是以阈值截取的办法获取相似用户群体，之后在借助TOP-K排序法找到和目标用户相似度最相匹配的k名用户，获取到的这些用户即是近邻集合。

有关参数方面的设定，在购物小票当中的推荐栏内能够展示的保健品数量最多是四类，同时因为保健品消费用户的购买类别多是一种，所以必须挑选3名-4名相似用户，才能够符合推荐结果数量，因此把K值明确为4，这样既与数量限制相符，同时也能够很好地展示空间。所以如何明确最佳的阈值T即是最近邻确定方面的内心内容。本篇选取了历史购物数据量较大的用户数据，同时挑选了2.5万份在保健品方面消费过的人群，并在数次阈值设置的基础上获得到了目标用户比例结果、每个用户的平均相似用户数量结果，详细内容展示在表1。由平均相似度用户数量、目标用户覆盖率这两个方面来讲，把阈值分别设定在0.55、0.65、0.7、0.75的时候，对应的平均相似用户数量和参数尤值的接近度是最高的，同时也有着较佳的用户适用性。当阈值设定在0.65与0.55的时候，获得到的值与k相比偏高，但是阈值设定在0.75的时候又偏低，所以综合考虑之后把阈值T设定值确定为0.7。

表1 阈值设定结果表

③根据最近邻产生推荐

当下已经获取到目标用户方面的最近邻集合，之后需要依据最近邻集合来获取保健品推荐结果。由原始数据当中找到优质用户保健品购买行为，之后展开分析，得到保健品评分矩阵，在这当中a代表的是消费保健品的用户数目，b代表的是保健品种类总数，H矩阵当中元素hij代表的是用户i在保健品j方面给出的评分，用户在保健品方面的评分数据和商品相似，所代表的均为购买行为方面的数据，因此评分hij即是用户i在保健品j方面的总购买次数。

根据最近邻产生推荐的公式如下所示：

P（x，i）代表的为目标用户x在近邻保健品i方面的兴趣状况;NX代表的是目标用户x自身的最近邻集合;用户y为目标用户x的最近邻居之一;Sim（x，y）代表的为余弦相似度计算公式当中用户x、y两者间的相似状况;hy，i代表的为用户y在保健品i方面的评分，因为用户和保健品方面的数据都是购买行为数据，所以hy，i所代表的就是用户y在保健品i方面的整体次数。

二、基于数字化应用的实体零售店购物流程优化

就实体零售业方面来看，物联网的普及与产品自身智能化的走向均推动着实体零售店的发展。将来对于实体零售店的发展来讲，零供关系将不再是主要矛盾，限制其发展主要是看其在消费者需求、高效整合供应链方面的能力，看其是否能够更好地满足消费者的需求，是不是能够进一步地凭借智能化手段拓展传统零售业的服务体验。在这当中，信息科技水平、商店展示、运作管理、用户体验等将变成竞争的主要内容。零售业与民众生活的关联度是十分密切的，而零售智能化、优化用户体验也将是未来發展的核心关注点。本篇将在下面的内容当中把服装零售店作为案例，从5个不同的角度分析数字化手段在优化用户体验方面的效能：

1.智能橱窗

在智能化水平的不断发展之下，服装店橱窗方面的设计也不会仅仅以静态模式进行展示，为了具备更佳的视觉效果，橱窗也开始走向动态化，互动化的模式。举例来讲，以透明屏、人脸识别技术、激光投影等方式能够直接感应人的动作，之后依据算法的帮助，橱窗即可展现出对应的湖面，从而达到和消费者进行互动的目标，除此之外，消费者方面的数据同样可被看作是潜在交互信息，由橱窗方面进行记录。因此，与电商平台当中的二维广告相比，智能橱窗不仅能够提升消费者的购物体验，同时还能够进一步地提升品牌效果。

2.智能展示

电商店家虽然在致力于全方面为消费者展现产品，但是消费者对于二维类的设计广告已经没有了更多的设计。对于智能服装零售店来讲，其能够凭借虚实集成与多元化的方式，让消费者享受最佳的商品互动模式。举例来讲，当消费者看上展示台上的一个商品并把它拿在手上的时候，商店内部顶端的投射灯与动作感应装置可以直接以顾客动作方向为其展示商品图像，消费者在点击图像之后，即可掌握关于商品方面的详细信息，如颜色、价格、尺码等，以此来达到最佳的互动效果。

3.智能试衣

对于实体店来讲，试衣为其最大的竞争优势。对于智能服装零售店来讲，消费者所能够体验到的优势不会仅涉及到试穿，其同时能够让顾客在“魔镜”的帮助下找寻最佳的服装。消费者站在“魔镜”前的时候，无需移动，仅仅凭借手势即可直接更换款式与颜色。除此之外，对于店家方面来看，试衣镜同样能够帮助其获得更多的用户数据，这样不仅能够让用户体验到个性化的服务，同时还能够帮助其优化营销策略。

4.智能定制

批量化的生产模式对于快消盛行的市场来讲已经不能占据优势，消费者也开始找寻差异化的装扮体现个性。将来在智能化技术方面的方式会更加偏向于私人定制方面，有关私人定制方面的实现模式，当某个顾客想进行定制时，直接以3D扫描仪获得虚拟模型，再以全息投影进行展现，这样顾客即能够很方便地进行自由剪裁、搭配，也能够设计出与自身喜好相符的服装。以智能设备测试顾客在喜好、压力、兴趣等方面的内容，智能设备即可以测试结果作为基础，直接找寻与顾客需求最符合的服装款式。

服装定制必须有消费者自身身体参数作为依据，但是当下的服装经销商所能够服务的仅是提供尺码信息，并不能辅助消费者进行测量。为了解决无法准确获取到人体参数的问题，实体店可以让用户穿着特殊服装后通过拍摄的彩色照片来提取用户的人体参数。利用价格低廉的深度相机Kinect作为摄像头，通过这种相机获取用户方面的深度图像数据，其中涵盖所有用户的身体参数数据。基于卷积神经网络技术对采集到的深度图像进行训练，最终得到人体参数的准确预测，使智能定制成为可能。

5.智能支付

目前来看，日常生活中大家使用“支付宝”进行支付的模式已经得到了认可与推广。而智能手表与智能手环穿戴设备也将逐步在支付平台出现并得到推广。在科技不断发展的当下，民众在实体店的消费中将不会出现排队等候结账的现象，其更多的是自由进行结账，系统自动在用户账户上进行扣除，以此来帮助消费者最便利的完成购物。除此之外，随着人脸识别技术的不断成熟，未来可以采用人脸识别技术实现无人化的实体零售店管理，消费者只需“刷脸”即可完成购物，不仅购物效率大大提高，而且结合RFID等技术也可以更好地避免出现偷盗事件。

6.案例分析——以数字化技术在橱窗设计中的应用为例

我们在生活中，无意识消费行为所占的比重也是比较大的。举例来讲，周末逛街仅想放松一下，但是被道路两旁的橱窗吸引，看到里边的商品又可能是需要的，这样即会出现消费心理。所以橱窗在推动用户消费方面的作用是很大的，之前的商业橱窗在设计方面大多参考的是商品业主、设计师方面的观点，当然经验很丰富的设计师可能会为商品店铺吸引较高的回报。然而对于数字化时代来讲，单纯的对用户喜好、位置、背景等进行分析与当下的需求是不符的，当下所进行的更多的是精准化数据的挖掘，这样的数据基础也让橱窗展示更具科技化。其实无意识消费即为此种精准化数据挖掘时代到来的重要特征，除此之外，对于部分商品，如较为昂贵的或是体型较大的商品是不能让消费者使用的，这样的状况也可能会导致一些消费者流失。

3D全息技术的出现，便可很好地化解这一类型的矛盾。下图是一个基于3D全息的橱窗设计案例。

借助特殊化的仪器，比如辐射扫描仪与热感应等把顾客身体进行精细的扫描，之后凭借现有的数据库予以计算，并以实时化的方式为顾客呈现。通过数据计算的方式，将搭配、季节与场所等设置成相应的参数，借助激光投影方式把顾客的立体形象进行呈现，这样的方式一方面能够让消费者需求得到满足，另一方面也能够吸引潜在消费者的购买欲。3D全息技术同时还能够帮助消费者以自由方式控制片段播放与产品的播放，这样能够帮助观看者與商品两者间进行更好的互动。3D橱窗在安全性方面的性能也是较佳的，全息投影属于激光投影技术，是一种虚拟物品，不会发生盗窃事件，但是同时可以让消费者了解产品，可谓是一种双赢的模式。

商业领域借助3D技术，能够将原本平静的空间活跃起来，全方面的优化消费者的视觉体验。高新技术的使用一方面能够让商家获取更多的利润，另一方面也能够为消费者提供更多的商机。其实从设计本身来讲，其即是以顾客需求为导向，这样才能服务顾客。在技艺不断发展的基础上，3D全息橱窗的模式很好的优化了街窗原有的展示特性，我们也迎来了一个更具时尚感，更现代化的橱窗时代。

三、结语

消费群体在服务、体验与产品方面的预期不断提升，智能化的应用水平也随之提升，实体零售店在未来可能走向软硬结合、交互化的方向进行。特别是对于零售行业，传统零售店逐步走向智能化的趋势，一方面能够增加消费者在购物方面的体验水平，另一方面也能够帮助商家获取更多的信息来进行进一步的营销策略制定。整体来讲，智能零售店的未来发展前景是十分广阔的，在智能技术商店进行购物的体验值得期待。

参考文献：

[1]周功建.“新零售”时代传统零售企业转型策略研究[J].电子商务，2018（07）：3-4.

[2]杨海平.大数据与零售银行数字化管理[J].中国金融，2014（10）：81-82.

[3]项安达，王鸿.数字化变革：零售银行面临的机遇与挑战[J].新金融，2012（12）：19-24.

[4]Gong， S.（2010）.A collaborative filtering recommendation algorithm based on user clustering and item clustering. JSW，5（7），745-752.

[5]Onuma， Kensuke， Hanghang Tong，and Christos Faloutsos.“TANGENT：a novel，‘Surprise me，recommendation algorithm.” Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM，2009.

作者简介：刘岳恒（1982- ），女，广西贺州人，研究生学历，广西工商职业技术学院讲师，主要从事连锁经营管理、大学生创新创业教育研究