大数据背景下传统零售企业精准营销探析

李卫华

内容摘要：随着大数据时代的到来，消费模式和行业创新发生了翻天覆地的变化。如何整合消费者信息、洞察消费者需求、实施精准营销、打造新型零售模式，成为传统零售企业亟需解决的问题。围绕上述问题，本文从历史背景、实施困境、对策建议等方面进行深入分析，研究大数据在传统零售企业精准营销中的应用。

关键词：大数据   传统零售企业   精准营销

研究背景

大数据是指能够更经济、更有效地从高频率、大容量、种类结构复杂的数据中获取有价值的信息架构技术，既包括信息爆炸时代里产生的海量数据，也包括与之相关的技术发展和创新。大数据是数据分析的前沿技术，能够从繁杂、海量的数据中快速捕捉、分析并提取有价值的信息。1999 年，美国的Lester Wunderman提出了精准营销的概念，2004年，Zabin和Brebach提出了精准营销的4R法则，亦即正确的顾客、正确的信息、正确的渠道以及正确的时刻。与传统营销不同，精准营销有较高的精确要求，利用顾客数据库与有价值顾客建立关系，有针对性地对目标消费群推送合适的商品并进行跟踪，企业的动作与顾客需求形成最佳匹配，实现顾客满意度最大化和企业效益最大化的双赢目标。

理论上讲，大数据技术日趋成熟，精准营销理论提出也20年了，零售行业应该积极实践，充分释放大数据在流通产业发展中的变革作用，加速传统零售经营管理方式变革、服务模式和商业模式创新及产业价值链体系重构。然而实际情况是，进入二十一世纪后，传统零售行业遭遇前所未有的经营困境，全行业商品零售额增速连年下滑、关店潮频现。电子商务的兴起，人力、租金等经营成本攀升等因素一定程度上冲击了传统零售企业，但更本质的原因在于传统零售企业一直以来增长模式粗放，未能做到以消费者为中心，无法匹配目前越来越个性化的消费需求，逐渐被消费者抛弃。

所以很有必要分析为什么在理论成熟、技术进步、政策推动等多个利好因素的背景下，传统零售企业在精准营销方面却步履蹒跚。本文借鉴已有成果，对基于大数据驱动的传统零售企业精准营销进行深度剖析，并提出相应建议。

传统零售企业实施精准营销的困境

（一）行业剧变下的战略迷思

纵观过去几年，创新成了整个零售行业的共同目标，各种战略思潮争相斗艳，让传统零售企业在战略选择上眼花缭乱。人类进化的启示。在这波浪潮中，如果把零售企业比作是一个人，大家都在试图改变其各个身体部位：从手、脚、躯干到五官。首当其冲的就是手，手就像是CRM，要去服务消费者，就得有CRM去触达消费者。当然消费者是谁，目前几乎没有几个零售企业能够了解透彻，更惘论理解之后采取系统性和针对性行动。其次便是脚，脚是O2O（或者叫全渠道）。为了迎合消费者随时随地购买需求，O2O便成为零售企业的另外一只脚，现在很多新业态的探索和尝试就是伸出更多只脚。躯干就像零售企业内部的核心ERP、POS、供应链等系统。很多零售企业面对一些老牌ERP厂商的老去和全渠道所带来的改变，苦不堪言。这个躯干老化不堪，想动它，可是怎么动都觉得别扭，而且不动也不行，于是在各种纠结之中缝缝补补，无法真正让躯干快速焕然一新，当然也无法支撑运营体系向全渠道新零售的转型。再看五官，以往零售商更多靠调研问卷了解消费者，领先的企业搞一套客流系统监测，但是识别和感知个体消费者的能力目前还差强人意。

上述姑且称之为传统零售企业的数字化改造。人类之所以进化到今天所谓的“智人”，本质上来讲并不是手、脚、躯干等部位变得更加强壮，或者五官变得更加秀美。“智人”之所以能够击败其他类猿人，本质在于其大脑构造以及大脑消耗的能量远大于其他猿类。因此，虽然本轮新零售运动搞得如火如荼，但是在各种巨额投入后，效果好像一般，或者好像没法落地。这背后的原因就是因为，要想进化成真正的新零售这样的“智人”，最关键的“人体部位”要投入重金改造和升级，那就是让零售业的大脑更有智慧。

智慧零售的战略选择。“智慧零售”虽然是苏宁提出的概念，但用它来概括整个时代特征也非常贴切。“智慧零售”所对应的自然就是“非智慧零售”。在“智慧零售”的逻辑之中，传统线下传统零售是非智慧的，线上电商也是非智慧的。电商将零售场景从线下转移到线上，但早期电商平台只是类似于一个线上百货商场，把分散在各地的经销者和购买者集中到一个虚拟的平台之上，零售业商业模式并没有本质变化。电子商务虽然在成本方面具有不可比拟的优势，但也暴露出一系列问题。因此，从“智慧零售”的逻辑出发，零售业的演进路线本质上与线下线上无关，而与商业模式有关，最主要的突破点就是如何以顾客为中心打破渠道边界和精准营销。

利用新科技打破线上线下单边发展的局面，通过新思维、新技术作为桥梁，充分将两者优势进行完美融合。在这个过程中，随着场景和入口的无限增加，顾客开始成为零售的真正中心，即一切以顾客为中心。此时，以数据为基础的“智慧”，为零售者提供了更加简洁有效的解决方案，传统零售瞄准的是大众市场，提供的是批量商品，未来的感知技术将会赋予企业洞察每个消费者个性化需要的能力，可以通过连接外部资源灵活实现个性化需求，还可以通过智能算法使互动和交付更高效。

所以说目前的做法，虽然各种改造有其相当价值，但是无异于用“手脚决定脑袋”，因此无论做了多大投入，最后都会发现可能效果不那么显著，出现各种不协调或是混乱无序。也正因如此，很多人都认为零售革命或将重新定义，找到了行业本质，才有可能从眼花缭乱的概念中确定转型方向。

（二）运营基因带来的数据缺陷

零售企业的数据基础伴随其IT構建的历史，既是一部系统发展的历史，也是零售业自身升级成长的历史。回顾几十年中国零售企业的发展，数据基础大致可以分为以下几个阶段：

单一功能软件数据阶段。改革开放后国内零售行业刚刚开展信息化建设时，大家的认识还停留在解决某个单一问题上。以收银设备为例，最初零售商甚至并不愿意使用昂贵的计算机设备和软件来替代手工写单和收银。只是随着商品国际条码在国内的逐渐普及以及超市业态的不断兴起，零售行业的信息化需求才被打开。在这个阶段，商品销售数据仅作为统计销售额的原始流水，在完成对账和记账后（上述工作仍通过传统账簿记录），甚至根本不作保留，当时人们对数据作用的认识可见一斑。当然，这也和当时IT设备的计算能力、存储能力的限制是分不开的。

系统集成应用数据阶段。随着IT技术的发展和各种连锁商业模式的兴起，零售企业从前台到后台，从顾客到供应商，不同系统产生了许多数据，如：进销存数据、财务数据、会员数据等。但是数据主要局限于企业内部业务数据，在外部数据如详细顾客数据收集上还很不理想。

互联网化的数据应用阶段。在企业自有顾客数据收集还没有做到位的时候，电子商务、O2O、SCRM、移动支付等新的商业模式和新的商业应用场景接踵而至。在此背景下，零售企业营销所需要的数据也不仅局限于企业内部数据，各种渠道获得的社交数据、评价数据、客流数据、位置信息等，甚至像天气、舆情等外部数据，都将成为整个零售大数据的组成部分。此时，零售信息化系统必须满足越来越多的对接需要，打破原有封闭格局，与网上各种平台和应用程序实现数据交互，成为整个社会零售信息和物联网的组成部分。但是由于企业部门之间的系统分散开发，没有统一的数据规范和标准，造成数据整合的不便，产生了信息孤岛，很多企业内部还无法做到数据完全打通，更何况是与企业外部打通。加上有的零售企业战略格局比较封闭，信息不想透明。因为有了这些不透明性，给了零售企业带来了很多实实在在的短期好处。这些因素的存在，推动信息的打通和外部共享就变成了一种对既得利益的威胁，因此在推动落地层面上，如果领导者短期内看不到实在的成绩（比如销售提升），那么就会开始质疑数据共享的价值，而不是那些真正影响执行的“内部阻力”，那么希望运用数据来提升企业运营效率也將注定会是水中望月。

（三）社会化大分工的技术短板

零售业属于劳动密集型行业，大多数企业本身并不具备相应的大数据技术开发能力，尤其是大数据在营销领域的使用最起码涉及三个学科，既包括计算机或者信息管理学科在IT技术方面做研发，也涉及统计学科在数学建模方面作支撑，还涉及商业管理学科在应用上提创意，这三者合到一起，远远超出传统零售企业的认知。对于大多数零售企业而言，自己研发基于大数据的精准营销软件基本上不现实，不仅投资巨大而且还未必能够见效，所以借助外力可能是最佳选择。然而在目前，我国有能力去帮助零售企业建立智慧大脑的人才和团队寥寥无几，很大程度上是因为近10年来我国零售业虽然高速发展但还是比较粗放，并没有产生对这方面的强烈需求，市场供给自然也不旺盛。这两年随着市场需求的凸显，也确实出现了一些技术供应商，但是从行业实践来看，有的技术供应商之所以能存在并不是因为技术有多么成熟，而是由于资本市场的加持而频频曝光。

纵观新零售数字化技术领域的变化，2012-2015年，大数据的概念广泛出现于各种零售论坛，成为热门词汇，似乎不谈点大数据概念的企业甚至会被视为异类或者是落伍的代名词。但是在这个阶段，大数据只存在于概念，连形式都很少，由于面临多种挑战，真正运用大数据指导决策的企业可谓凤毛麟角，真正能够落地并创造规模化价值的企业更少。进入2016年后，随着大数据的概念被持续炒作但未见明显落地成效，概念逐渐淡化之际，人工智能（AI）的概念开始升温，特别是马云在2017年初提出的“新零售”概念席卷整个零售圈，也炒热了资本市场，对各种新业态（包括无人零售）的尝试层出不穷。但在这个阶段，绝大多数还是在讲故事和小规模试点，市场尚未出现成熟的、大规模的落地解决方案。进入2018年以来，随着零售赋能商的积极努力，这种情况才有所好转。

综上所述，战略迷思、数据缺陷和技术短板造成了传统零售企业在精准营销具体落地上效果不佳。

传统零售企业实施精准营销的建议

（一）数据收集与整合—生态数据的打造

真正支撑精准营销的数据需要融合多方数据，在具体操作上可根据企业规模和预算情况适当调整。

零售企业数据的收集。第一方数据为企业在自身平台上收集的属于自己的数据。第一方数据的优势是数据由企业自主采集，采集数据的广度和深度由企业自己做主，而且数据可信度相对高。

第二方数据为在外部平台上收集的属于自己的数据，主要包括社交媒体和电商数据两大类。社交媒体提供的API接口数据包括顾客在企业所属社交媒体账号上的行为数据。第二方数据的优势是有最大的数据真实性，顾客在社交媒体上的一言一行、在电商平台上购买的商品等数据的真实性很高，用第二方数据作为基础进行营销可以实现最大的精准度，并且由于通过实时方式采集数据，因此可以支撑实时场景营销。第二方数据能收集的数据类型完全取决于这些外部平台的开放程度。

第三方数据为外部供应商拥有的数据，企业只能通过购买、交换、租赁等方式使用这些数据。

第四种为开放数据。互联网上存在大量数据，这些数据有各种类型，并且会自动更新，配合不同应用场景有相当高的价值，通过爬虫技术，可以把互联网上这些可见信息扒取下来，供营销使用。

将数据进行匹配整合。同一个顾客出现在同一个企业的多个数据收集渠道中是一个普遍现象，识别这个顾客并拼合多个数据源的行为能帮助企业更加精准地了解顾客，同时找到更加精确的营销推送渠道。如何将这些线上线下不同来源的数据进行整合，需要通过一个共同项将不同来源的数据打通聚合。数据匹配的责任就是收集同一个顾客在多个数据源中的顾客识别码，通过连通这些顾客识别码来拼合数据，起到用户ID管理的作用。

数据生态圈的融合。通过数据的挖掘、整合及标准化，将原来静止的、孤立的、片段化的数据整合成动态的、相互关联的用户数据链，企业就可以通过这些识别码连通不同平台对顾客进行360度全方位覆盖。

每天我们使用的各种终端（手机、电脑、PAD、电视、智能家电、智能穿戴设备等）及第三方设备（街头的广告屏、自动售货机、电梯里的广告屏等）上的应用都可以基于某种顾客识别码进行个性化推送，当顾客在一种设备上的行为被识别后，他就可能在另一种设备的应用中收到营销推送信息。2018年被有些专家称为零售企业选边站队的一年，就是因为我国零售行业出现了以阿里为主导的阿里系生态圈和以腾讯、京东为代表的腾讯系生态圈，这种生态圈的出现，迫使零售企业必须选边站队，否则其不仅无法享受这种生态圈所带来的数据优势，而且需要面临被生态圈赋能之后的竞争对手，迫使其不得不思考选边站队，除非能够打造为自己所用的区域数据生态圈。

（二）数据洞察与分析—深度掌握顾客

有了数据之后就需要使用适合的方法来理解顾客行为，从而制定符合自身需求的顾客战略。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。

（三）个性化推荐—精准营销

精准营销模型。精准营销要求企业在“正确的时间”针对“正确的顾客”在“正确的渠道”以“正确的促销方式”推送“正确的内容”，满足顾客真实需求，这就是个性化营销的目的，但是整个过程需要大量计算，只能通过系统完成。如图1所示是以营销自动化工具为核心的个性化精准营销闭环。

从图1中可以看出，在实行个性化营销前，企业首先需要同时建立4套营销资产：顾客数据库：360度顾客画像，包括顧客联系方式和可用于营销的识别码体系。营销内容库：基于企业产品各类卖点的营销内容“集市”，企业将营销内容进行标准化，每个内容都标以兴趣图谱代码，对接不同顾客画像的标签，做到针对不同的顾客画像推送不同的兴趣图谱内容。兴趣图谱的建立是一个根据营销结果逐渐新增、细分的漫长过程。促销内容库：促销内容库中存储了企业当前可用的促销政策，促销内容往往以促销代码形式存在。营销渠道库：基于收集的顾客识别码，企业可以在不同平台上对顾客进行营销接触。虽然这些营销平台根据其知名度对顾客有不同程度的信任背书，但由于投放价格有相当大差别，企业更愿意选择成本和效果较平衡的营销接触点平台。

基于以上4套营销资产，企业以顾客数据为出发点，对接内容、促销和营销渠道，实现个性化营销。如图1中①、②、③的主动触发场景，企业通过营销自动化工具，利用低频率、低成本但可收集顾客反馈的渠道对顾客进行接触，主要目的是收集顾客反馈，发掘顾客真实需求。另一种场景是图1中④和⑤的被动触发场景，通过在众多接触渠道中设置顾客可能的触发点，一方面在这些营销接触平台上进行触发营销，另一方面收集顾客的识别码和行为数据。经历了以上主动和被动触发两种场景后，如图1中⑥所示，将收集的顾客行为归集到原来的顾客数据库中，需要通过自我学习方式更新顾客标签，最终如图1中⑦所示，基于更新的顾客标签，重新调整营销内容、促销和渠道，进行更精准的二次营销，至此完成顾客接触—反馈收集—顾客标签更新—再营销的闭环。在这个过程中，有两项技术需要进一步说明，一个是个性推荐技术，另外一个是自动化营销的触点技术，两者是目前相对较难的关键技术点。

个性化推荐技术。目前基于机器学习的推荐系统不断迭代，越来越懂顾客所想，在具体操作上，主要有如下三种算法：

第一种是基于物品的推荐算法研究。原理是推荐与顾客喜欢或购买过的商品类似的商品，这种方法可以避免Item的冷启动问题。与之对应的另外一项技术是交叉销售技术，主要是按照关联技术，也即通常所说的购物篮分析，发现那些有较大可能被一起采购的商品，将其进行有针对性的促销和捆绑，这就是交叉销售;二是借鉴响应模型的思路，为某几种重要商品分别建立预测模型，对潜在消费者通过这些特定预测模型进行过滤，然后针对最有可能的前5%的消费者进行精确营销推广;三是仍然借鉴预测响应模型的思路，让重要商品两两组合，找出那些最有可能消费的潜在客户;四是通过决策树清晰的树状规则，发现基于具体数据资源的具体规则，相应建模技术主要包括关联分析、序列分析，即在关联分析的基础上，增加先后顺序的考虑，以及预测（响应、分类）模型技术，诸如逻辑回归、决策树等。

第二种是基于顾客的协同过滤推荐算法研究。以顾客为本，找到和A顾客相似的B顾客后，推荐B顾客买了而A顾客没买的商品。这种方法基于其他顾客行为集，可以保证个性化程度高，容易让顾客发现新的兴趣，但是由于必须基于顾客历史行为，所以对于新顾客推荐效果就很差。

第三种是基于标签的推荐算法研究。主要是通过标签这种特征形式去联系顾客和商品，给顾客推荐那些具有顾客喜欢的特征的商品。所以计算标签推荐的方法是建立顾客和标签之间的关联度，再计算标签与商品之间的关联度，两者相乘即为顾客对某商品的感兴趣程度。此方法的难点在于如何为商品打上合适标签。

没有放之四海而皆准的算法，在不同产品中，在不同业务场景中，需要的算法也是不一样的。实际上，由于每种算法各有优缺点，因此往往需要混合多种算法，取长补短，从而提高算法精准性。

自动化营销的触点技术。同样的一次内容推送，在不同场景会有不同效果，如一个出现在养生网站上的网游广告会让顾客非常诧异而不感兴趣，而在健身房的场景给顾客发送有关运动装备的内容引起顾客兴趣的概率就很高，这就是场景营销。这就要求企业在信息推送时需要根据一些触发因素，以秒为单位及时推送。触点技术需要提前预判一些目标顾客行为，这些行为可能代表顾客采购阶段的某种特征。常规用来判断顾客需求的触发包括浏览行为（某些固定的URL）、下载APP行为（如下载了跑步记步类APP，表明顾客有健身需求）、地理位置（与顾客需求高度关联的经纬度）、沟通行为（如拨打某产品的400电话、加了某些微信公众号进行询问等），以及结合以上几种的综合行为。

结论

传统零售企业面对新零售模式的来势汹汹，必须认真思考大数据可能为企业带来的营销价值，积极拥抱大数据，打造自己的数据平台，深层次挖掘隐藏在海量数据中有价值的信息，指导企业制定各项决策，建立符合自身实际情况的精确营销体系，有针对性地实施营销计划，增强自身竞争力。

参考文献：

1.国美于斌平.基于用户画像的精准营销.联商网-资讯动态-信息化栏目-应用指南， http：//www.linkshop.com.cn/web/Article_News.aspx？ArticleId=362005&sf=wd_search

2.刘国华，苏勇.新零售时代[M].企业管理出版社，2018

3.杜凤林.新零售—打破渠道的边界[M].南方出版社，2017