大數據背景下傳統零售企業精準營銷探析

李衛華

內容摘要：隨著大數據時代的到來，消費模式和行業創新發生了翻天覆地的變化。如何整合消費者信息、洞察消費者需求、實施精準營銷、打造新型零售模式，成為傳統零售企業亟需解決的問題。圍繞上述問題，本文從歷史背景、實施困境、對策建議等方面進行深入分析，研究大數據在傳統零售企業精準營銷中的應用。

關鍵詞：大數據 ? 傳統零售企業 ? 精準營銷

研究背景

大數據是指能夠更經濟、更有效地從高頻率、大容量、種類結構復雜的數據中獲取有價值的信息架構技術，既包括信息爆炸時代里產生的海量數據，也包括與之相關的技術發展和創新。大數據是數據分析的前沿技術，能夠從繁雜、海量的數據中快速捕捉、分析并提取有價值的信息。1999 年，美國的Lester Wunderman提出了精準營銷的概念，2004年，Zabin和Brebach提出了精準營銷的4R法則，亦即正確的顧客、正確的信息、正確的渠道以及正確的時刻。與傳統營銷不同，精準營銷有較高的精確要求，利用顧客數據庫與有價值顧客建立關系，有針對性地對目標消費群推送合適的商品并進行跟蹤，企業的動作與顧客需求形成最佳匹配，實現顧客滿意度最大化和企業效益最大化的雙贏目標。

理論上講，大數據技術日趨成熟，精準營銷理論提出也20年了，零售行業應該積極實踐，充分釋放大數據在流通產業發展中的變革作用，加速傳統零售經營管理方式變革、服務模式和商業模式創新及產業價值鏈體系重構。然而實際情況是，進入二十一世紀后，傳統零售行業遭遇前所未有的經營困境，全行業商品零售額增速連年下滑、關店潮頻現。電子商務的興起，人力、租金等經營成本攀升等因素一定程度上沖擊了傳統零售企業，但更本質的原因在于傳統零售企業一直以來增長模式粗放，未能做到以消費者為中心，無法匹配目前越來越個性化的消費需求，逐漸被消費者拋棄。

所以很有必要分析為什么在理論成熟、技術進步、政策推動等多個利好因素的背景下，傳統零售企業在精準營銷方面卻步履蹣跚。本文借鑒已有成果，對基于大數據驅動的傳統零售企業精準營銷進行深度剖析，并提出相應建議。

傳統零售企業實施精準營銷的困境

（一）行業劇變下的戰略迷思

縱觀過去幾年，創新成了整個零售行業的共同目標，各種戰略思潮爭相斗艷，讓傳統零售企業在戰略選擇上眼花繚亂。人類進化的啟示。在這波浪潮中，如果把零售企業比作是一個人，大家都在試圖改變其各個身體部位：從手、腳、軀干到五官。首當其沖的就是手，手就像是CRM，要去服務消費者，就得有CRM去觸達消費者。當然消費者是誰，目前幾乎沒有幾個零售企業能夠了解透徹，更惘論理解之后采取系統性和針對性行動。其次便是腳，腳是O2O（或者叫全渠道）。為了迎合消費者隨時隨地購買需求，O2O便成為零售企業的另外一只腳，現在很多新業態的探索和嘗試就是伸出更多只腳。軀干就像零售企業內部的核心ERP、POS、供應鏈等系統。很多零售企業面對一些老牌ERP廠商的老去和全渠道所帶來的改變，苦不堪言。這個軀干老化不堪，想動它，可是怎么動都覺得別扭，而且不動也不行，于是在各種糾結之中縫縫補補，無法真正讓軀干快速煥然一新，當然也無法支撐運營體系向全渠道新零售的轉型。再看五官，以往零售商更多靠調研問卷了解消費者，領先的企業搞一套客流系統監測，但是識別和感知個體消費者的能力目前還差強人意。

上述姑且稱之為傳統零售企業的數字化改造。人類之所以進化到今天所謂的“智人”，本質上來講并不是手、腳、軀干等部位變得更加強壯，或者五官變得更加秀美。“智人”之所以能夠擊敗其他類猿人，本質在于其大腦構造以及大腦消耗的能量遠大于其他猿類。因此，雖然本輪新零售運動搞得如火如荼，但是在各種巨額投入后，效果好像一般，或者好像沒法落地。這背后的原因就是因為，要想進化成真正的新零售這樣的“智人”，最關鍵的“人體部位”要投入重金改造和升級，那就是讓零售業的大腦更有智慧。

智慧零售的戰略選擇。“智慧零售”雖然是蘇寧提出的概念，但用它來概括整個時代特征也非常貼切。“智慧零售”所對應的自然就是“非智慧零售”。在“智慧零售”的邏輯之中，傳統線下傳統零售是非智慧的，線上電商也是非智慧的。電商將零售場景從線下轉移到線上，但早期電商平臺只是類似于一個線上百貨商場，把分散在各地的經銷者和購買者集中到一個虛擬的平臺之上，零售業商業模式并沒有本質變化。電子商務雖然在成本方面具有不可比擬的優勢，但也暴露出一系列問題。因此，從“智慧零售”的邏輯出發，零售業的演進路線本質上與線下線上無關，而與商業模式有關，最主要的突破點就是如何以顧客為中心打破渠道邊界和精準營銷。

利用新科技打破線上線下單邊發展的局面，通過新思維、新技術作為橋梁，充分將兩者優勢進行完美融合。在這個過程中，隨著場景和入口的無限增加，顧客開始成為零售的真正中心，即一切以顧客為中心。此時，以數據為基礎的“智慧”，為零售者提供了更加簡潔有效的解決方案，傳統零售瞄準的是大眾市場，提供的是批量商品，未來的感知技術將會賦予企業洞察每個消費者個性化需要的能力，可以通過連接外部資源靈活實現個性化需求，還可以通過智能算法使互動和交付更高效。

所以說目前的做法，雖然各種改造有其相當價值，但是無異于用“手腳決定腦袋”，因此無論做了多大投入，最后都會發現可能效果不那么顯著，出現各種不協調或是混亂無序。也正因如此，很多人都認為零售革命或將重新定義，找到了行業本質，才有可能從眼花繚亂的概念中確定轉型方向。

（二）運營基因帶來的數據缺陷

零售企業的數據基礎伴隨其IT構建的歷史，既是一部系統發展的歷史，也是零售業自身升級成長的歷史。回顧幾十年中國零售企業的發展，數據基礎大致可以分為以下幾個階段：

單一功能軟件數據階段。改革開放后國內零售行業剛剛開展信息化建設時，大家的認識還停留在解決某個單一問題上。以收銀設備為例，最初零售商甚至并不愿意使用昂貴的計算機設備和軟件來替代手工寫單和收銀。只是隨著商品國際條碼在國內的逐漸普及以及超市業態的不斷興起，零售行業的信息化需求才被打開。在這個階段，商品銷售數據僅作為統計銷售額的原始流水，在完成對賬和記賬后（上述工作仍通過傳統賬簿記錄），甚至根本不作保留，當時人們對數據作用的認識可見一斑。當然，這也和當時IT設備的計算能力、存儲能力的限制是分不開的。

系統集成應用數據階段。隨著IT技術的發展和各種連鎖商業模式的興起，零售企業從前臺到后臺，從顧客到供應商，不同系統產生了許多數據，如：進銷存數據、財務數據、會員數據等。但是數據主要局限于企業內部業務數據，在外部數據如詳細顧客數據收集上還很不理想。

互聯網化的數據應用階段。在企業自有顧客數據收集還沒有做到位的時候，電子商務、O2O、SCRM、移動支付等新的商業模式和新的商業應用場景接踵而至。在此背景下，零售企業營銷所需要的數據也不僅局限于企業內部數據，各種渠道獲得的社交數據、評價數據、客流數據、位置信息等，甚至像天氣、輿情等外部數據，都將成為整個零售大數據的組成部分。此時，零售信息化系統必須滿足越來越多的對接需要，打破原有封閉格局，與網上各種平臺和應用程序實現數據交互，成為整個社會零售信息和物聯網的組成部分。但是由于企業部門之間的系統分散開發，沒有統一的數據規范和標準，造成數據整合的不便，產生了信息孤島，很多企業內部還無法做到數據完全打通，更何況是與企業外部打通。加上有的零售企業戰略格局比較封閉，信息不想透明。因為有了這些不透明性，給了零售企業帶來了很多實實在在的短期好處。這些因素的存在，推動信息的打通和外部共享就變成了一種對既得利益的威脅，因此在推動落地層面上，如果領導者短期內看不到實在的成績（比如銷售提升），那么就會開始質疑數據共享的價值，而不是那些真正影響執行的“內部阻力”，那么希望運用數據來提升企業運營效率也將注定會是水中望月。

（三）社會化大分工的技術短板

零售業屬于勞動密集型行業，大多數企業本身并不具備相應的大數據技術開發能力，尤其是大數據在營銷領域的使用最起碼涉及三個學科，既包括計算機或者信息管理學科在IT技術方面做研發，也涉及統計學科在數學建模方面作支撐，還涉及商業管理學科在應用上提創意，這三者合到一起，遠遠超出傳統零售企業的認知。對于大多數零售企業而言，自己研發基于大數據的精準營銷軟件基本上不現實，不僅投資巨大而且還未必能夠見效，所以借助外力可能是最佳選擇。然而在目前，我國有能力去幫助零售企業建立智慧大腦的人才和團隊寥寥無幾，很大程度上是因為近10年來我國零售業雖然高速發展但還是比較粗放，并沒有產生對這方面的強烈需求，市場供給自然也不旺盛。這兩年隨著市場需求的凸顯，也確實出現了一些技術供應商，但是從行業實踐來看，有的技術供應商之所以能存在并不是因為技術有多么成熟，而是由于資本市場的加持而頻頻曝光。

縱觀新零售數字化技術領域的變化，2012-2015年，大數據的概念廣泛出現于各種零售論壇，成為熱門詞匯，似乎不談點大數據概念的企業甚至會被視為異類或者是落伍的代名詞。但是在這個階段，大數據只存在于概念，連形式都很少，由于面臨多種挑戰，真正運用大數據指導決策的企業可謂鳳毛麟角，真正能夠落地并創造規模化價值的企業更少。進入2016年后，隨著大數據的概念被持續炒作但未見明顯落地成效，概念逐漸淡化之際，人工智能（AI）的概念開始升溫，特別是馬云在2017年初提出的“新零售”概念席卷整個零售圈，也炒熱了資本市場，對各種新業態（包括無人零售）的嘗試層出不窮。但在這個階段，絕大多數還是在講故事和小規模試點，市場尚未出現成熟的、大規模的落地解決方案。進入2018年以來，隨著零售賦能商的積極努力，這種情況才有所好轉。

綜上所述，戰略迷思、數據缺陷和技術短板造成了傳統零售企業在精準營銷具體落地上效果不佳。

傳統零售企業實施精準營銷的建議

（一）數據收集與整合—生態數據的打造

真正支撐精準營銷的數據需要融合多方數據，在具體操作上可根據企業規模和預算情況適當調整。

零售企業數據的收集。第一方數據為企業在自身平臺上收集的屬于自己的數據。第一方數據的優勢是數據由企業自主采集，采集數據的廣度和深度由企業自己做主，而且數據可信度相對高。

第二方數據為在外部平臺上收集的屬于自己的數據，主要包括社交媒體和電商數據兩大類。社交媒體提供的API接口數據包括顧客在企業所屬社交媒體賬號上的行為數據。第二方數據的優勢是有最大的數據真實性，顧客在社交媒體上的一言一行、在電商平臺上購買的商品等數據的真實性很高，用第二方數據作為基礎進行營銷可以實現最大的精準度，并且由于通過實時方式采集數據，因此可以支撐實時場景營銷。第二方數據能收集的數據類型完全取決于這些外部平臺的開放程度。

第三方數據為外部供應商擁有的數據，企業只能通過購買、交換、租賃等方式使用這些數據。

第四種為開放數據。互聯網上存在大量數據，這些數據有各種類型，并且會自動更新，配合不同應用場景有相當高的價值，通過爬蟲技術，可以把互聯網上這些可見信息扒取下來，供營銷使用。

將數據進行匹配整合。同一個顧客出現在同一個企業的多個數據收集渠道中是一個普遍現象，識別這個顧客并拼合多個數據源的行為能幫助企業更加精準地了解顧客，同時找到更加精確的營銷推送渠道。如何將這些線上線下不同來源的數據進行整合，需要通過一個共同項將不同來源的數據打通聚合。數據匹配的責任就是收集同一個顧客在多個數據源中的顧客識別碼，通過連通這些顧客識別碼來拼合數據，起到用戶ID管理的作用。

數據生態圈的融合。通過數據的挖掘、整合及標準化，將原來靜止的、孤立的、片段化的數據整合成動態的、相互關聯的用戶數據鏈，企業就可以通過這些識別碼連通不同平臺對顧客進行360度全方位覆蓋。

每天我們使用的各種終端（手機、電腦、PAD、電視、智能家電、智能穿戴設備等）及第三方設備（街頭的廣告屏、自動售貨機、電梯里的廣告屏等）上的應用都可以基于某種顧客識別碼進行個性化推送，當顧客在一種設備上的行為被識別后，他就可能在另一種設備的應用中收到營銷推送信息。2018年被有些專家稱為零售企業選邊站隊的一年，就是因為我國零售行業出現了以阿里為主導的阿里系生態圈和以騰訊、京東為代表的騰訊系生態圈，這種生態圈的出現，迫使零售企業必須選邊站隊，否則其不僅無法享受這種生態圈所帶來的數據優勢，而且需要面臨被生態圈賦能之后的競爭對手，迫使其不得不思考選邊站隊，除非能夠打造為自己所用的區域數據生態圈。

（二）數據洞察與分析—深度掌握顧客

有了數據之后就需要使用適合的方法來理解顧客行為，從而制定符合自身需求的顧客戰略。在傳統市場營銷實踐中主要是市場細分，很多細分變量，如人口因素、地理因素、心理因素等都只能提供較為模糊的顧客輪廓，其決策依據依賴少量調查樣本和傳統經驗。大數據時代則能夠從利用大數據技術收集的海量、多維、立體的非結構信息中快速篩選出對公司有價值的信息，對顧客行為模式與顧客價值進行準確判斷與分析，深度細分，有可能甚至深入了解“每一個人”，進行顧客畫像，顧客畫像讓企業從追蹤消費行為升級到抓住消費者內心。企業將消費者數據從多個維度進行分類，賦予不同的數據標簽，標簽內部具體描述某類標簽顧客的年齡、性別、地域、接受教育程度、手機號、上網時間、上網頻率、購買頻率、購買偏好購物習慣等特征，完美地抽象出一個顧客的商業全貌。

除了顧客畫像，依托整合的顧客數據，企業還可構建不同營銷模型，如顧客活躍度模型、流失預警模型、顧客價值分析模型、顧客忠誠度模型、品牌關聯規則模型等，深度分析數據。

（三）個性化推薦—精準營銷

精準營銷模型。精準營銷要求企業在“正確的時間”針對“正確的顧客”在“正確的渠道”以“正確的促銷方式”推送“正確的內容”，滿足顧客真實需求，這就是個性化營銷的目的，但是整個過程需要大量計算，只能通過系統完成。如圖1所示是以營銷自動化工具為核心的個性化精準營銷閉環。

從圖1中可以看出，在實行個性化營銷前，企業首先需要同時建立4套營銷資產：顧客數據庫：360度顧客畫像，包括顧客聯系方式和可用于營銷的識別碼體系。營銷內容庫：基于企業產品各類賣點的營銷內容“集市”，企業將營銷內容進行標準化，每個內容都標以興趣圖譜代碼，對接不同顧客畫像的標簽，做到針對不同的顧客畫像推送不同的興趣圖譜內容。興趣圖譜的建立是一個根據營銷結果逐漸新增、細分的漫長過程。促銷內容庫：促銷內容庫中存儲了企業當前可用的促銷政策，促銷內容往往以促銷代碼形式存在。營銷渠道庫：基于收集的顧客識別碼，企業可以在不同平臺上對顧客進行營銷接觸。雖然這些營銷平臺根據其知名度對顧客有不同程度的信任背書，但由于投放價格有相當大差別，企業更愿意選擇成本和效果較平衡的營銷接觸點平臺。

基于以上4套營銷資產，企業以顧客數據為出發點，對接內容、促銷和營銷渠道，實現個性化營銷。如圖1中①、②、③的主動觸發場景，企業通過營銷自動化工具，利用低頻率、低成本但可收集顧客反饋的渠道對顧客進行接觸，主要目的是收集顧客反饋，發掘顧客真實需求。另一種場景是圖1中④和⑤的被動觸發場景，通過在眾多接觸渠道中設置顧客可能的觸發點，一方面在這些營銷接觸平臺上進行觸發營銷，另一方面收集顧客的識別碼和行為數據。經歷了以上主動和被動觸發兩種場景后，如圖1中⑥所示，將收集的顧客行為歸集到原來的顧客數據庫中，需要通過自我學習方式更新顧客標簽，最終如圖1中⑦所示，基于更新的顧客標簽，重新調整營銷內容、促銷和渠道，進行更精準的二次營銷，至此完成顧客接觸—反饋收集—顧客標簽更新—再營銷的閉環。在這個過程中，有兩項技術需要進一步說明，一個是個性推薦技術，另外一個是自動化營銷的觸點技術，兩者是目前相對較難的關鍵技術點。

個性化推薦技術。目前基于機器學習的推薦系統不斷迭代，越來越懂顧客所想，在具體操作上，主要有如下三種算法：

第一種是基于物品的推薦算法研究。原理是推薦與顧客喜歡或購買過的商品類似的商品，這種方法可以避免Item的冷啟動問題。與之對應的另外一項技術是交叉銷售技術，主要是按照關聯技術，也即通常所說的購物籃分析，發現那些有較大可能被一起采購的商品，將其進行有針對性的促銷和捆綁，這就是交叉銷售;二是借鑒響應模型的思路，為某幾種重要商品分別建立預測模型，對潛在消費者通過這些特定預測模型進行過濾，然后針對最有可能的前5%的消費者進行精確營銷推廣;三是仍然借鑒預測響應模型的思路，讓重要商品兩兩組合，找出那些最有可能消費的潛在客戶;四是通過決策樹清晰的樹狀規則，發現基于具體數據資源的具體規則，相應建模技術主要包括關聯分析、序列分析，即在關聯分析的基礎上，增加先后順序的考慮，以及預測（響應、分類）模型技術，諸如邏輯回歸、決策樹等。

第二種是基于顧客的協同過濾推薦算法研究。以顧客為本，找到和A顧客相似的B顧客后，推薦B顧客買了而A顧客沒買的商品。這種方法基于其他顧客行為集，可以保證個性化程度高，容易讓顧客發現新的興趣，但是由于必須基于顧客歷史行為，所以對于新顧客推薦效果就很差。

第三種是基于標簽的推薦算法研究。主要是通過標簽這種特征形式去聯系顧客和商品，給顧客推薦那些具有顧客喜歡的特征的商品。所以計算標簽推薦的方法是建立顧客和標簽之間的關聯度，再計算標簽與商品之間的關聯度，兩者相乘即為顧客對某商品的感興趣程度。此方法的難點在于如何為商品打上合適標簽。

沒有放之四海而皆準的算法，在不同產品中，在不同業務場景中，需要的算法也是不一樣的。實際上，由于每種算法各有優缺點，因此往往需要混合多種算法，取長補短，從而提高算法精準性。

自動化營銷的觸點技術。同樣的一次內容推送，在不同場景會有不同效果，如一個出現在養生網站上的網游廣告會讓顧客非常詫異而不感興趣，而在健身房的場景給顧客發送有關運動裝備的內容引起顧客興趣的概率就很高，這就是場景營銷。這就要求企業在信息推送時需要根據一些觸發因素，以秒為單位及時推送。觸點技術需要提前預判一些目標顧客行為，這些行為可能代表顧客采購階段的某種特征。常規用來判斷顧客需求的觸發包括瀏覽行為（某些固定的URL）、下載APP行為（如下載了跑步記步類APP，表明顧客有健身需求）、地理位置（與顧客需求高度關聯的經緯度）、溝通行為（如撥打某產品的400電話、加了某些微信公眾號進行詢問等），以及結合以上幾種的綜合行為。

結論

傳統零售企業面對新零售模式的來勢洶洶，必須認真思考大數據可能為企業帶來的營銷價值，積極擁抱大數據，打造自己的數據平臺，深層次挖掘隱藏在海量數據中有價值的信息，指導企業制定各項決策，建立符合自身實際情況的精確營銷體系，有針對性地實施營銷計劃，增強自身競爭力。

參考文獻：

1.國美于斌平.基于用戶畫像的精準營銷.聯商網-資訊動態-信息化欄目-應用指南， http：//www.linkshop.com.cn/web/Article_News.aspx？ArticleId=362005&sf=wd_search

2.劉國華，蘇勇.新零售時代[M].企業管理出版社，2018

3.杜鳳林.新零售—打破渠道的邊界[M].南方出版社，2017