中国零售业大数据应用现状与趋势探析

林文斌/Lin Wenbin

（北京易观网络信息咨询有限公司 北京100102）

1 引言

消费革命起始于消费需求的革命，伴随着消费者的加速“成熟”，零售业势必要加速变革。零售业从自然零售进入现代零售，出现了各种业态，如百货公司、超市、专卖店、便利店、购物中心、电子商务等。历史证明，新一轮消费革命催生全新的零售业态，C2B、O2O 等创新模式也因此承载了市场和消费者越来越多的期待。零售业市场环境升级已然是大势所趋，行业变革与模式创新是难以改变的事实。在产业升级的背景下，零售业需要引入全新的产业竞争要素来重新定义市场，寻找发展方向，改变存量竞争的现状，使运营效率得以优化提升。

2 中国零售大数据市场的发展周期

根据市场成熟周期的特点，零售业大数据从2011年在中国市场出现，发展至今处于启动前期，大量的探索型数据应用出现，资本市场关注度不断提高，成功案例多出现在企业内部用于优化提升企业发展的数据应用以及先进技术的创业企业中。然而，能够成功运用大数据进行系统化运营转型，或是以此为核心竞争力上市的企业仍未出现，市场探索阶段仍将持续3～5年，直至现有应用成熟，并经历一轮模式调整，才能达到系统化、产业链形态的高速发展期。中国零售大数据应用市场AMC模型如图1所示。

3 中国零售大数据的类型

零售业大数据根据企业边界可划分为内部数据和外部数据。从零售企业开始进行信息化发展，企业已经积累了从MB 到TB 量级的数据，这部分数据主要划分为运营数据、交易数据和用户数据，分布在ERP、CRM、POS 等信息系统中。进入大数据时代，线上、线下零售企业都纷纷关注并积极积累外部市场的数据，使大数据量级从TB 上升到ZB 量级，数据的维度也在运营数据、交易数据、用户数据的基础上，增加了交互数据直到大数据。

3.1 线下零售业大数据类型

线下零售企业的内部数据主要包括运营、交易、用户3 部分。

（1）运营数据

运营数据以店铺、渠道、供应链、财务数据为核心统计数据，是企业分析运营情况的核心指标维度；店铺、渠道数据是线下零售企业与线上零售企业的区别所在。

（2）交易数据

在交易数据中，商品数据除了商品的基本属性数据外，型号、价格、品类匹配度、货龄、售罄率、折扣率、动销率、缺货率、品类结构等也都是企业所关注的商品指标，细分化程度比线上零售企业高。

（3）用户数据

线下企业更多关注新增会员数、会员增长率、会员贡献率、有效会员数、会员回购率与回购频率、会员流失率等分析指标。这些数据在大数据未出现的时代能够满足企业运营优化的基本需求，但对于更高层面的数据分析需求，如用户洞察、新市场机会等运营问题，则难以得到智慧化的解决方案。

大数据时代，线下零售企业意识到了用户数据深度挖掘的价值和意义，从内部CRM 系统到外部市场调研，到网络上用户数据的收集，再到用户在店内位置数据的收集，企业在积极进行用户数据的积累和价值挖掘，希望在精准识别用户需求的基础上，找到更多应用的可能性。此外，位置数据是线下企业对比线上企业的优势所在，位置数据可以通过移动互联技术，在O2O 模式下发挥出很高的数据资本价值，这也是线下企业积极布局位置数据的原因之一。中国零售大数据类型如图2所示。

3.2 线上电子商务大数据类型

线上电子商务零售企业的内部数据同样包括运营、交易、用户3 部分。

（1）运营数据

运营数据以流量、转化、营运、卖家、财务数据为核心统计数据。其中，流量、转化数据是线上零售企业与线下零售企业的区别所在。

（2）交易数据

订单流水、支付网关、银行卡号、支付记录等都是电商企业所关注的关键指标。

（3）用户数据

电商企业更多关注注册会员数、活跃会员数、活跃会员比率、会员复购率、平均购买次数、会员回购率、会员留存率、新会员留存率等分析指标。这些数据在大数据未出现的时代能够满足提高电商企业转化率的基本需求，但对于更高层面的数据分析需求，如精准营销、非特定购买意向下的购买刺激、新市场机会等问题，则难以得到智慧化的解决方案。

大数据时代，线上零售企业意识到了用户关系数据的价值和意义，从内部用户数据到社交用户数据的收集，企业在积极进行用户关系数据的积累和价值挖掘，希望在精准识别用户关系的基础上，找到更多的应用价值。此外，位置数据也是电商企业关注的重点，由于位置数据可以推进O2O 模式的落地，所以，这也是电商企业积极布局位置数据的原因之一。

图2 中国零售大数据类型

4 中国零售大数据的价值

零售业大数据的价值维度由开发价值、识别用户、定位场景3 个维度组成。开发价值为前提，识别用户为核心，定位场景为支撑。

4.1 开发价值

考虑数据价值的前提是思考这些数据对企业的意义。例如，哪些是有价值的数据？它们的价值点应该体现在哪？一是对企业的价值如何体现，二是如何对用户体验有所提升。从企业价值角度看，数据的收集和应用应基于优化配置企业资源的前提进行，如怎样使线上推荐系统做得更好，使线下导购活动更加有效，让用户高效地找到他们想要的商品；从用户价值角度看，数据收集和分析能够实现顾客体验的提升。便捷的搜索引擎可以使顾客更容易找到商品，创造更加优质的用户体验等。

数据价值从不同目的分析会得到不同的结果。支付宝的数据，从小额信贷的角度分析会得到信用额度的数据；从商品与交易的角度分析会得到用户的购物习惯和喜好；从用户识别的角度分析会得到用户的不同等级等。目前，零售业线下、线上整合加速，大数据源也随之整合，尤其对于电商平台和线下零售企业而言，大数据整合也是企业之间并购的原因。

4.2 识别用户

零售业产业的特点之一是用户分散，因此，用户身份的统一和识别就具有重大意义。只有在识别用户的基础上，才能通过大数据对客户进行细分，识别全新的市场机会，有机会增强用户体验，从而判断产品组合，精准地进行营销活动。

大数据识别用户的意义体现在2 方面： 一是对用户身份的识别，二是对用户关系的识别。识别用户的难点在于信息的分散性和难以辨认性2 方面： 第一个难点在于用户的多屏行为习惯已经养成。很多人同时拥有手机、个人PC、平板电脑等多个智能终端以及多张信用卡，在这种情况下进行用户识别的难度加大，意义也大；第二个难点在于相同智能终端由不同用户共享时，串联起来的数据往往不能准确地呈现用户身份，更会使用户身份混淆，难以辨认，在这种情况下进行用户识别的难度加大，参考意义也大。

4.3 定位场景

大数据定位场景的意义体现在2 方面： 一是定位用户场景的意义，二是定位业务场景的意义。场景数据的价值在于判断场景因素对于用户数据和应用数据的影响程度。在准确识别用户身份和衡量数据价值后，将场景数据收集起来才能使大数据的价值在零售业中显现。在实际操作过程中，大量用户身份的碎片化数据难以收集和分析，但当这些数据被收集并实现串联后，仍未能达到实际意义上的高价值。不同场景下用户的购物行为会有很大不同，当数据能够分析出用户所在的位置（更优质的数据是实时位置）时，场景位置的数据就能够将用户身份、用户价值、企业价值统一在一起，释放出真正的零售业大数据价值。

5 中国零售大数据的应用现状与趋势

5.1 中国零售大数据应用现状

零售大数据应用主要集中在用户、市场、产品、供应链、运营等5 方面。

（1）用户方面

· 通过数据分析，能够准确地判断用户需求和购物行为，进行用户洞察；

· 客户细分；

· 加强客户参与感，增强用户体验。

（2）市场方面

· 根据客户分析进行市场细分，调整营销策略；

· 实施精准营销；

· 加强销售分析，实现销售提效；

· 优化分销渠道。

（3）产品方面

· 能够精准地进行商品分析，将现有产品减存提利；

· 优化产品组合；

· 创造新产品和衍生产品。

（4）供应链方面

· 通过大数据分析实现仓储管理；

· 供应链提效，推动供应链变革升级。

（5）运营方面

· 逐渐发展为数据化运营；

· 大数据对人力资源等核心资产进行分析，使资产利用率提升。

中国零售大数据的应用领域如图3所示。

图3 中国零售大数据应用领域

5.2 中国零售大数据的发展趋势

5.2.1 零售业大数据交叉、串联的可操作性加强

从2011年零售企业大数据开始探索至今，零售大数据在技术和典型应用方面处于前期的积累阶段。随着零售终端数据的增多，大数据的种类更加丰富；伴随着零售业的升级，线上线下大数据趋于整合集中。在此基础上，多样性数据探索交叉、串联的可操作性，并逐渐挖掘其应用价值。

针对用户购买行为的变化，线上、线下零售企业若想充分发挥大数据的价值，第一要能够精准地还原数据应用的场景，因此，零售业积累多年的用户数据会随着移动互联技术的普及，增加位置维度和关系维度的串联分析，否则数据难以真实反映业务信息，更难以实现大数据提升企业运营的目标。第二，大数据收集、分析、应用的起点源于数据分析的意义，因此，数据交叉串联、挖掘分析的前提是明确大数据的分析目标，这也是下一阶段大数据技术探索逐渐成熟后，大数据体系需要加强的主要部分。第三，大数据进行交叉分析的前提是数据质量，尤其是元数据的质量，只有能够支撑多维度动态交叉分析的元数据才能够被大数据技术所分析和利用。因此，基于O2O 模式的不断发展，企业原有数据系统在逐一打通的前提下，数据融合与动态调用分析是数据交叉串联的关键内容。

在大数据逐渐串联和共享的过程中，零售业以数据为核心资产，进行了市场的重新组合，最终形成了紧密且差异化较强的产业链之间的竞争关系，以生态系统的形式存在，以数据为核心，结构化地重组在一起。

5.2.2 零售业大数据应用价值将陆续衍生

在优化内部管理、探索外部市场应用的同时，零售业迫切需要探寻蓝海市场的空间及机遇，零售大数据的价值衍生陆续出现，由零售大数据探讨相关行业的大数据应用，必将成为未来零售业差异化的发展方向。

零售企业较充分地运用大数据的方式主要包括2类：一类是电商企业将自身打造成为一个数据平台，通过数据挖掘衍生数据产品，包括平台内的数据产品以及跨界的金融产品等；在平台上交换数据；数据空间的租用； 数据信息的租售。另一类是多年积累核心数据资产的线下零售企业，向战略合作伙伴开放核心数据资源，相互之间共享数据资产，充分发挥大数据串联的价值。

5.2.3 零售业大数据应用更加智能化

以大数据作为核心资产的零售企业将试图从数据运营转变为运营数据，在培育数据的同时，构建清晰的数据体系，将大数据应用与企业决策流程充分融合，使大数据自身发挥使能者的角色，实现企业智慧化决策，将大数据应用上升到更智能的应用领域。

大数据之所以被界定为零售业的核心资产之一，是因为其具有可培育性、增值性以及自成长性。在企业的智慧化发展思路下，智慧化决策是衡量企业竞争力的关键要素之一。要想及时地接收市场的反馈信息、产业环境的影响因素、用户的真正需求、竞争者的竞争行为等，需要实时、高效的大数据作为支撑，这也是零售企业对于大数据应用的更高需求。在大数据应用的用户、市场、供应链和运营系统提升的前提下，实现决策系统的智慧化。然而，大数据所带来的智慧型决策往往是意料之外的，通常只能够被数据所解读，与领导者的资历无关，甚至相反；以定性的数据分析得出的决策结果，辅助定量的商业质感分析，这样的决策使能者对于企业领导而言才更具有意义。

6 结束语

零售业市场环境升级已是大势所趋，行业变革与模式创新是难以改变的事实。在产业升级的背景下，零售业需要引入全新的产业竞争要素来重新定义市场，寻找发展方向，改变存量竞争的现状，使运营效率得以优化提升。顺势而为，大数据成为零售业发展的全新竞争要素。目前零售业大数据价值链的关键技术仍在突破，市场以小应用为主，体系建立尚需时日。