零售業大數據：形成、應用及啟示

鄭淑蓉

〔摘要〕 數據是各種信息原始記錄的數值，零售業數據經歷了手工記錄和電子收款機、PC機和POS系統、用戶原創的互聯網以及移動和感知式物聯網四個階段的演進，從而形成零售業大數據。零售業大數據的應用，有利于新型數據競爭力的構建、顧客需求的精準化洞察以及數據創新思維的實現；云計算、關系數據庫、數據挖掘等技術，為零售業大數據應用提供了強大的技術支撐；零售業大數據應用的內容包括大數據抽取與集成、數據分析及數據解釋。零售業大數據的形成和應用給我們的啟示是：大數據意識與思維正成為零售業創新的知識準備，大數據可以為零售企業提供精準的顧客價值主張，零售業面臨著大數據管理的挑戰。

〔關鍵詞〕 零售業，大數據，物聯網，顧客價值主張

〔中圖分類號〕F49 〔文獻標識碼〕A 〔文章編號〕1004-4175（2014）02-0090-05

新興信息技術與應用模式的不斷滲透和推陳出新，使得全球數據量呈現出前所未有的爆發式增長態勢 〔1 〕。根據國際數據公司（IDC）的研究報告，2011年全球被創建和被復制的數據總量為1.8ZB（數據存儲單位，澤字節，等于1024艾字節或270個字節），且增長趨勢遵循新摩爾定律，預計到2020年，全球數據量大約每兩年翻一番，全球將擁有35ZB的數據量 〔2 〕 （P15-16 ）。海量數據被收集、交換、分析和整合，將和企業的固定資產、人力資源一樣，成為企業生產經營的一種基礎性資源，大數據所積蓄的價值將驅動經營和決策的管理變革，大數據將是創新、競爭和提高生產率的下一個領域 〔3 〕，大數據蘊含著經營創新的新市場機會和新利潤空間。

一、零售業大數據的形成

（一）零售業的數據演進。人類歷史上從未有過哪個時代和今天一樣產生如此龐大的數據，零售業數據的產生已經完全不受時間和地點的限制，從解放初期采用的手工記錄作為數據管理的主要方式開始，數據的存儲與產生方式大致經歷了四個階段，由此最終導致零售業大數據的產生。

1.手工記錄和電子收款機階段。20世紀80年代之前，數據的產生主要依靠手工記錄、人工盤點、算盤結算，數據管理沒有太高的科技含量。20世紀80年代初，終端經營網點引入電子收款機，電子收款機的實際使用有如下特點：（1）模仿重復手工勞動和進行簡單的計算；（2）僅在工資管理、合同管理和財務管理等小范圍內使用；（3）僅限于前臺結賬收款，沒有形成與后臺連接的網絡系統。與今日的數據量比較，此階段的數據無疑是非常有限的。

2.PC機和POS（Point of sales）系統階段。20世紀80年代中后期，企業在大型機上部署財務、銀行等關鍵運營式應用系統，存儲介質包括磁盤、磁帶、光盤等，PC機應用后，企業內部出現了以公文檔為主要形式的數據，包括Word、Excel文檔、圖片、圖像、影像和音頻等。20世紀90年代，數據存儲與產生進入POS階段，POS系統是由電子收款機和計算機聯機構成的經營終端前臺網絡系統，該系統能直接入賬、實時處理，顯示即刻時點的所有銷售信息。90年代后期基于POS系統的條形碼技術、色碼技術、銀行卡互聯互通技術、POS服務的管理信息系統、財務管理軟件和系統集成產品廣泛應用。2010年，基于智能手機和平板電腦的移動POS開始在零售企業出現，老一代POS正在被新一代開放、全功能POS平臺所代替，全功能POS除滿足傳統的銷售管理外，能支持退貨退款、卡處理、執行PCI安全標準、庫存查閱、員工培訓、忠誠度計劃、網上銷售、人力管理、自助結賬、全渠道營銷、二維碼讀取、數字數據、近場通信（NFC）、移動商務等功能，新一代POS已成為現代零售企業無可替代的神經中樞系統，POS的功能從Point of Sales逐漸演變為Point of Services，極大地促進了零售業數據量的增長。

3.用戶原創的互聯網階段。進入21世紀，互聯網的興起促成了數據量的大規模增長。互聯網時代，幾乎全民都在制造數據，然而真正的數據爆發產生于Web2.0時代 〔4 〕 （P286-287 ），參見表1。與此同時，數據的形成也極其豐富，一方面，既有社交網絡、多媒體、協同創造、虛擬服務等應用所主動產生的數據，另一方面，又有搜索引擎、網頁瀏覽過程中被記錄、被收集的數據。該階段數據的特點是用戶原創、主動、交互。

表1 從Web 1.0到Web 3.0的演變

4.移動和感知式物聯網階段。隨著移動互聯網、感知物聯網和云計算的廣泛使用，數據存儲和產生實現了從手工被動到原創主動再到智能自動的時空跨越。布置于社會各個領域的傳感器設備，能夠全天候監控和源源不斷地自動產生新數據。零售業無線射頻技術（RFID）的大規模應用，不僅提高了數據采集的粒度，而且增強了數據采集的頻度，極大地推動了零售行業數據量的增長。

（二）大數據的內涵及零售業大數據的形成。零售業數據的存儲與產生經歷了四個階段的演進，這些手工被動、原創主動和智能自動的數據共同構成了零售業大數據的數據來源，其中自動式的數據才是零售業大數據產生的最根本根源。

數據是信息的原始記錄，2011年，麥肯錫闡釋了大數據概念，認為現在的數據相比30年前更大量、多樣和實時，即大數 〔5 〕。維基百科將大數據定義為“無法在一定時間內用常規軟件工具對其內容進行抓取、管理和處理的數據集合”；美國國家科學基金會（NSF）將大數據定義為“由科學儀器、傳感設備、互聯網交易、電子郵件、音視頻軟件、網絡點擊流等多種數據源生成的大規模、多元化、復雜性、長期性的分布式數據集”。著名咨詢機構IDC把大數據的技術定義為：通過高速捕捉、發現或分析，從大量數據中獲取價值的一種新型技術架構。大數據的特點可以概括為4V，即Volume（能量）、Velocity（高速）、Vaviety（多樣）、Value（價值） 〔6 〕。大數據之大體現在數據規模、數據復雜性和數據產生速度三個方面均大大超出了傳統的數據形態，以至突破了傳統數據處理能力的極限，并帶來了產業融合、經營創新、理念革新、流程變革、營銷決策等方面的巨大影響和挑戰。

由于數據收集意識的增強和新技術的出現，很多零售商擁有的數據量在過去3年里增加了5倍 〔7 〕。大數據的意義不在于數據量大，而在于數據價值的最大化。2008年卡內基梅隆大學的R.E.Bryant、加利福尼亞大學伯克利分校的R.H.Katz、華盛頓大學的E.D.Lazows-Ka聯合業界組織“計算社區聯盟”，發表了白皮書《大數據計算·商務·科學和社會領域的革命性突破》 〔8 〕，使得企業界意識到大數據真正重要的是數據的新用途和帶來的新見解，而非數據本身，這些認識是大數據分析和應用的前提。

零售業有價值可拓展的大數據總體可以分為兩個部分：一是大交易數據，即零售企業交易產生的數據，包括商品數據、銷售數據、運營數據、財務數據、顧客關系數據和市場競爭數據；二是大交互數據，即由POS機、互聯網、物聯網、移動終端、智能終端、傳感器和觀測設備等產生的關于零售企業與顧客信息的交互數據，主要包括社交網絡數據、射頻識別數據、時間和位置數據、文本數據和觀測數據。

二、零售業大數據的應用

（一）應用的必要性。大數據時刻都在源源不斷地滲入現代零售企業的日常管理和經營運作中，零售企業從不斷生成的交易與交互數據中獲取澤字節的有關消費者、供應商和運營管理方面的信息，大數據的形成與應用必將對現代零售業的數據競爭力、經營運作理念、組織業務流程、市場營銷決策以及新型商業模式等產生巨大影響，使得零售企業經營管理決策越來越依賴于數據分析而非經驗甚至直覺 〔9，10 〕。零售業大數據應用的必要性體現在以下三個方面：

1.構建零售業的新型數據競爭力。麥肯錫報告指出：已經有越來越多令人信服的證據表明，只要實施正確的政策和激勵，大數據將成為競爭的關鍵性基礎，并成為下一波生產率提高、創新和為消費者創造價值的支柱。托馬斯·達文波特指出：要做到“低成本、高效率”的運營及決策正確，企業必須廣泛推行以事實為基礎的決策方法，大量使用數據分析來優化企業的各個運營環節，通過基于數據的優化和對接，把業務流程和決策過程當中存在的每一分潛在的價值都“擠”出來，從而節約成本、戰勝對手、在市場上幸存。

2.實現零售企業對市場的實時化理解和對顧客需求的精準化洞察。大數據背景下，零售企業記錄或搜集顧客在各種渠道和產品生命周期各個階段的行為數據和偏好數據，通過數據分析，宏觀上可以把握顧客的結構、流量、購買周期以及不同顧客群的利潤率和貢獻率；微觀上可以具體到每一個顧客的購買頻率、購買興趣、忠誠度和流失的可能性。通過全息可見的消費者個體行為與偏好數據的點、線、面齊全分析，可以確定最忠誠的顧客群體，預測其消費意愿，主動為其提供專屬性的個性化產品和服務。從接觸顧客、吸引顧客，到管理顧客、專題促銷，再到最終的銷售，整個過程只在數據交互中實現，通過了解用戶行為數據，從而實現精準銷售。

3.實現零售企業基于大數據的創新思維。大數據環境下，零售業的創新思維涉及三個方面。其一，整合企業內部與外部的大數據，分析多渠道、互聯網與移動網、線上線下消費者行為圖譜及其聯系，通過顧客的數據識別，設計潛在的個性化服務，滿足不同細分市場的需求。其二，基于大數據平臺的數據實時分析，預測顧客實際行為的動態變化和設計與之適應的銷售策略更新。其三，基于大數據平臺的零售業新型商業模式創新，這種商業模式創新的源泉依賴于從海量的可拓展數據中挖掘有價值的信息，以及這些信息真正影響零售企業運營系統中的銷售模式、組織結構調整、勞動生產率、經營績效、管理決策和管理效率，實現大數據的商業模式創新給零售企業帶來的價值提升。

（二）應用的可能性。大數據價值的完整體現及其應用需要多種技術的協同，多種技術分三個層面：平臺層（并行構架和資源平臺，即硬件層面）、系統層（大數據存儲管理和并行編程模型與計算框架，即軟件層面）、處理層（數據挖掘與數據分析，即應用開發層面）。三個層面技術逐漸成熟，為零售業的大數據應用提供強大的技術支撐。

1.大數據的平臺層技術——云計算。大數據是存儲的內容，云計算是存儲大數據的IT架構，大數據的存儲與利用離不開IT計算資源池組織配置架構的云模式，云模式中資源池的核心內容是復雜的巨量數據。2006年，google首先提出云計算概念，支撐google內部各種大數據應用的正是其自行研發的一系列云計算技術和工具，包括文件系統、數據庫系統、索引與查詢技術、數據分析技術等，這些技術被廣泛了解并得到應用。正是云計算技術在數據存儲、管理與分析等方面的支撐，才使得大數據有用武之地。

2.大數據的系統層技術——關系數據庫。目前，Hadoop是應用最廣的大數據處理平臺，它已經發展成為包括文件系統、數據庫、數據處理等功能模塊在內的完整生態系統。實際上，Hadoop成為大數據處理工具的標準，其大數據處理主要集中在系統性能開放、高效查詢、索引構建和使用、構建數據倉庫、數據庫系統連接、數據挖掘和推薦系統等方面 〔11 〕。傳統數據庫技術面臨新的挑戰，一是大數據時代的數據量遠超單機所能容納的數據量，需要系統具有擴展性的分布式存儲方式。二是傳統數據庫比較適合結構化數據①的存儲，但是除結構化數據外，非結構化數據②將是大數據的重要組成部分。在此背景下，關系數據庫應運而生，關系數據庫追求的是普適性目標，希望將用戶從繁雜的數據管理中解脫出來，在面對不同時間、不同問題、不同數據類型時，從新理念出發，設計原子性、一致性、隔離性和持久性的新的數據管理方式。

3.大數據的處理層技術——數據挖掘。數據挖掘是指通過特定的計算機算法對大量的數據進行自動分析，從而揭示數據之間隱藏的關系、模式和趨勢，為決策者提供新的知識。在數據挖掘過程中，根據不同的應用需求選擇不同的挖掘模型，對數據進行深度挖掘。數據挖掘模型有兩類，一是分析模型，主要有關聯規則分析、分類與聚類分析、社會網絡分析、變化與偏差分析。二是用戶模型，以人的性別、種族、年齡和興趣為角度進行分類，挖掘應用包括排名與個性化推薦、異常檢測、Web挖掘與搜索、大數據的可視頻化計算與分析等 〔12 〕。數據挖掘有兩個側重點，如圖1所示。數據挖掘把數據分析的范圍從已知擴大到未知，從過去推向將來，通過揭示規律和預測未來，做到前攝的、基于知識的決策。

（三）應用的具體內容。大數據和新的數據技術為零售業的經營提供支撐，通過各種平臺匯總的客戶消費記錄和企業數據集的應用與管理是個系統化工程，涉及眾多源系統的交互與協調，交互與協調的核心內容是對數據抽取與集成、分析和解釋，提高數據采集分析的速度，提升數據的質量與價值，為零售業的經營創新提供依據。

1.大數據抽取與集成。零售業大數據源之間存在交互，數據內容往往交叉，按照大交易、大交互的觀測數據進行分類，通過Needlebase等工具在用戶消費的過程或其他行為中收集數據。由于原始數據存在噪聲、冗余及缺失，所以需要分三步對數據進行抽取與集成。

首先，清洗、重構、填補數據，保證數據質量及可信性。

其次，將半結構化、非結構化數據處理成機器語言或索引，如自然語言——用戶評論、日志資料等，將結構化數據進行數據過濾，剔除無效數據，提煉出有意義的數據。

最后，檢測數據的相關性和關聯性，從用戶購買數據和時間數據中發現購買特定商品的頻率，關聯數據表現出更多的特定用戶活動特征；數據融合是將相關聯的數據連接在一起，形成一個新的商業應用；測算識別顧客之間關系所形成的圈子以及圈子中領袖者角色的判定，形成用戶影響力和價值的判斷，在此基礎上，幫助零售業經營創新，實現相關銷售活動和產品服務的推廣，提高零售業的運營管理效率。

2.數據分析。大數據的價值產生于數據分析，從異構數據源抽取和集成的數據構成了數據分析的原始數據，根據不同應用需求可以從這些數據中進行三方面的分析。

首先，顧客分析。即分析前臺的記錄，這樣做宏觀上可以把握顧客的結構、流量、購買周期以及不同顧客群的利潤貢獻率；微觀上可以確定每位顧客的購買頻率、興趣點、忠誠度和流失的可能性。有了這些點、線、面齊全的分析，零售商就可以確定顧客群體，預測其消費意愿，主動為其提供個性化的銷售和關懷指導服務，提高銷售額和利潤率。

其次，商品分析。基于數據分析，零售商可以確定以下幾個方面的商品問題：最佳的商品組合和庫存量；導入新商品，淘汰舊商品的時間；商品的分類上架和捆綁銷售；不同季節不同時段的商品定價；促銷形式；應對突發事件的措施等。

最后，供應鏈分析。具體包括選擇供應商，優化物流、現金流和配置人力資源等。利用大數據技術，優化整合供應鏈的各個環節，構建一個統一的供應鏈平臺，各部門共享供應鏈平臺的數據和服務，快速靈活地應對顧客消費變化，降低供應鏈成本，提高商品采購、倉儲管理、物流配送和最終銷售間的運行效率。

3.數據解釋。如果數據分析的結果正確，但是沒有采用適當的解釋方法，那么所得到的結果很可能讓人難以理解甚至起著誤導作用。小數據時傳統的數據解釋方法可以以文本形式輸出結果或者直接在電腦終端上顯示結果。但是，在大數據背景下，一方面數據分析結果海量，另一方面數據分析結果之間的關聯極其復雜，傳統的解釋方法不可行。這就需要從以下兩方面提升數據解釋能力：一是引入數據可視化技術，通過把復雜的數據轉化為直觀的圖形，在邏輯思維的基礎上進一步激發人的形象思維和空間想象能力，吸引、幫助零售商洞察數據之間隱藏的密切關系和規律性；二是讓各部門能夠在一定程度上了解和參與具體的分析過程，具體方法是采用人機交互技術（利用交互式的數據逐步地進行分析，使得各部門在得到結果的同時又能更好地理解分析結果的由來）和數據起源技術（該技術可以幫助追溯整個數據的分析過程，有助于零售商各部門理解數據的分析結果）。

三、啟示

大數據是創新、競爭和提高生產率的下一個領域，蘊含著許多市場機會與利潤空間，大數據所蘊藏的巨大價值必將引起零售業的經營創新和企業管理的重大變革，零售業大數據的形成和應用為零售企業下一輪競爭提供了如下啟示：

（一）大數據意識與思維正成為零售業創新的知識準備。1.零售業大數據的形成是一個從量變到質變的過程，零售業大數據存在著多源異構、分布廣泛、動態增長、時空特性等特點，它可以實現歷史數據與即時數據的匹配，行為方式與特殊情境的匹配，物理世界與虛擬世界的匹配，使許多不可能成為可能。2.大數據提供了一種新資源和新能力，為零售業發現和創造新價值，解決新問題提供了新的視野和路徑，它引發零售業對資源、顧客、價值、結構、關系、邊界等傳統觀念的重構。3.大數據催生由數據驅動的零售業的運營與決策，零售業傳統的憑經驗、直覺和視野決策所起的決定作用將日益減小，企業的決策越來越受到大數據的影響，數據驅動決策制定，利用可控實驗，能將驗證假設、分析結果用以指導投資決策及運作改變，避免高昂的人為干預成本，提高效益。4.大數據驅動的商業模式創新，全息可見的消費者個體行為與偏好數據等，使得實時個性化成為可能。徹底的個性化與定制化將顛覆一切傳統的商業模式，成為未來零售業發展的終極方向和新驅動力。

（二）大數據可以為零售企業提供精準的顧客價值主張。1.洞悉消費者的真實需求。消費者的真實需求具有隱蔽、復雜、易變和情景依賴等特點，歷史的靜態的結構化的數據難以反映顧客的真實需求，而互聯網、物聯網等的顧客數據痕跡能直接反映他們的性格、偏好和意愿。2.準確細分消費者。傳統的以地理位置、人口統計特征為標準的劃分被以愛好興趣、生活方式、價值觀、溝通方式為標準的數據化細分所替代；本質上講，每個人的興趣、愛好與需求都不同，每個人都是一個細分市場，大數據正在使零售企業向“微市場”邁進，構建基于大數據的顧客購買行為模型，主動推薦個性化的產品和服務。3.動態定位。零售業多來源、多格式數據的集成、分析與解釋能力使數據的反饋與響應可在瞬間完成，快速識別消費者購買決策和行為模式的變化趨勢，及時準確地更新他們的偏好。

（三）零售業面臨著大數據管理的挑戰。優質高效的大數據管理將在16個方面改善零售業的運營 〔13 〕，參見表2。

表2 大數據管理與零售業運營的改善

為了實現大數據應用的價值和質量，零售業大數據管理重點在四個環節。（1）構建數據管理體系，保障數據分析、規劃、設計、協調等環節的可行、落實和高效。（2）培養零售業的數據技術人員。大數據背景下，數據技術人員的價值逐漸凸顯，其中最重要的是具備清理和組織大型數據的能力，懂得數據格式商業語言的“數據科學家”，數據科學家幫助零售業管理者從數據的角度理解企業所面臨的新挑戰與新機遇。（3）實施制度化、流程化、規范化、標準化的數據管理，賦予專職機構相應的權責，保障零售企業數據從產生、加工、傳遞到使用、銷毀的全過程。（4）實現數據跨職能跨部門流動。零售企業需具有一個靈活的數據組織架構，最大化企業的跨職能合作，把信息和決策分配給不同的部門，避免數據孤島問題。

注 釋：

①結構化數據，即行數據，指存儲在數據庫里，可以用二維表結構邏輯表達實現的數據。

②非結構化數據，指不方便用數據庫二維表結構邏輯表現的數據，包括所有格式的辦公文檔、文本、圖片、XML、HTML、各類報表、圖像、音頻和視頻信息等。

參考文獻：

〔1〕Lycnc.Big data：How do you data grow？〔J〕.Nature，2008，455（7209）.

〔2〕GantzJ，ReinselD.2011 Digital Universe Study：Extracting VaLue from chaos〔M〕.IDC Go-to-Market Services，2011.

〔3〕Mckinsey Global Institute.Big Data：The Next frontier for Innovation，Competition and productivity〔R〕.2011，（5）.

〔4〕涂子沛.大數據〔M〕.南寧：廣西師范大學出版社，2012.

〔5〕ManyikaJ，chuiM，BrownB，etal.Big data：The next frontier for Innovation，competition and productivity〔R/OL〕.[2012-10-12〕.http：//www.mckinsey.com /Insights/MGI/Research/Technology.

〔6〕西 西.用數據說話的時代〔N〕.光明日報，2013-03-23（06）.

〔7〕Steve Lohr. A Data Explosion Remakes Retailing〔N〕.New York Times，2010-01-02.

〔8〕BryantRE，KatzRH，LazowskaED.Big-data computing：

Creating Revolutionary Breakthroughs in Commerce，science and Society〔M/OL〕 .www.cra.org，2008.

〔9〕Anderson C.The end of theory：The data deluge makes the scientific method obsolete〔J〕.wired Magazine，2008，16（7）.

〔10〕FrankelF，Reid R.Big data：Disitilling meaning from data〔J〕.Nature，2008，455（7209）.

〔11〕孟小峰，慈 祥.大數據管理：概念、技術與挑戰〔J〕.計算機研究與發展，2013，50（1）.

〔12〕John Gantz，David Reinsel.Extracting Value from chaos 〔EB/OL〕.http：//www.emc.com/digital universe，2012-11-16.

〔13〕Steve Lohr.A Data Explosion Remakes Retailing 〔N〕.New York Times，2010-01-02.

責任編輯 于曉媛