新零售下，大數據及人工智能有哪些應用？

2018年是新零售爆發的一年，相信大家都感同身受，便利店比以前多了很多，幾乎隨處可見，也感覺一兩個月沒去過超市了，買菜買生活用品都用手機下單，第二天早上就有人送上門了，街上還時不時又見到一些零售新業態。但也常常看見街上有很多店鋪冷冷清清，門可羅雀，沒過多久就關門了。從中，我們感受到了生存的殘酷。

對零售企業來說，其核心競爭力在于“提銷量，控成本”，即開源與節流。新零售企業的發展，得益于越來越多新技術的落地應用，得益于將新技術不斷應用在開源和節流這兩個方面上。

下面是大數據及人工智能在新零售行業的一些主要應用方向，拿走不謝!

一、運營

1、會員管理

會員運營是新零售企業很重要的工作，而做好運營工作的前提則是有效認識會員，會員運營則是基于會員標簽基礎上進行的。

會員標簽有基礎性標簽，也有高級標簽。而高級標簽則通過建立算法模型計算出來的，主要用到的算法模型有：

2、活動圈人

會員分群，包括價值分群、行為分群、生命周期分群等等;會員流失預警，從結果中篩選出流失、沉睡會員，通過流失挽回、沉睡喚醒等活動策略對這些會員進行激活;會員偏好評估，包括購物偏好、品類偏好、品牌偏好、價格偏好、購買時段偏好、等等;購買傾向預測，預估會員在未來一段時間內購買某個單品或品類的可能性，可用于篩選出具體某個商品的潛在目標客群;到店時間預測，預估會員下一次到店或購買的時間，可用于VIP到店提醒;重復購買預測，分析會員是否存在定期重復購買某一種單品或品類的規律，并以此判斷出會員下一次到店購買的時間以及可能購買什么商品;會員忠誠度，忠誠度高的會員是企業的優質會員，需要重點維護;會員穩定度，反映會員消費行為的穩定性，不穩定的會員需要加以維護;會員購買力，包括會員的整體購買能力，以及會員對單一品類的購買能力(即傾向于購買多大價位的商品);

發起促銷活動時，除了要精心設計活動外，還需要找準目標客群。這時，就需要結合內外部數據，對會員進行精準的特征刻畫，形成多維度、深層次、精細化的標簽體系。

3、線上運營

新零售一個特點是線上線下融合，線上觸達客群，線下購物體驗，線上領取優惠券，線下到店享折扣，線上下單，線下提取。在線上，新零售企業一般會有微信公眾號、微信群(例如，時下興起的社群營銷)、網上商城(小程序、APP、自建商城、等)、第三方生活服務平臺(如美團、餓了么)等渠道和工具。

商品推薦

根據會員基本屬性、消費、瀏覽、搜索、活動參與等信息，分析用戶的消費偏好，并在不同的場景和時機下，向會員推薦合適的商品。

例如，當會員瀏覽圣誕帽的商品詳情頁面時，則可向其推薦圣誕樹、圣誕襪、圣誕蘋果等與圣誕節相關的商品;當會員進入購物車頁面時，購物車中已有嬰兒奶粉，則可向其推薦嬰兒用品(如奶嘴、奶瓶等)相關的商品。

網站優化

對于網上商城，通過埋點獲取每個會員/游客詳細的頁面瀏覽數據，根據這些數據，可以知道會員/游客從哪個頁面進入，中間看了哪些頁面，停留了多長時間，瀏覽、點擊還是收藏，最后從哪個頁面跳出。基于這樣的數據，可以進行漏斗分析或瀏覽軌跡分析，分析網站中某些關鍵路徑的轉化率，以確定整個流程的設計是否合理、各步驟的優劣、是否存在優化的空間等，并不斷優化頁面設計，提升用戶體驗。

二、商品/采購

1、智慧選品

新零售時代，選品很重要!

由于新零售基本實現了線上線下同價，因此，可以采用爬蟲技術，獲取門店所在商圈的同行競品信息，包括商品標題、品牌、產地、屬性、價格、銷量、活動等。通過這些信息，可以知道：

同行競品當前的品類結構和分布是怎樣的，每個品類分別有多少種商品在賣?同行競品哪些商品賣得好，有什么特點?(側面反映出所在商圈人群的購物偏好)哪些商品是“我有他也有”，找出與門店中在賣的商品最相似的同行競品，看看這些的商品當前價格，是否比自己的價格低，低了多少?哪些商品是同行競品剛剛上新的，哪些商品已經下架了?同時，結合所在商圈客流人群屬性、人群興趣變化特點，智慧選品可提供有效的品類建議、單品建議以及動態定價支持，助力商品或采購部門決定當前“可以賣什么，不賣什么，賣多少錢”。

2、精準定價

依據大數據和算法，對商品進行“智能化”的定價，就是動態定價策略。以價格為軸心，基于商品價格彈性，結合市場競爭環境，為商品量身打造最適合的競爭性動態定價策略。

三、門店

1、客流分析/動線分析

通過攝像頭視頻監控技術，實時捕獲進店顧客、離店顧客以及店外客群的人臉圖片，并運用人臉識別算法對人臉圖片進行處理，判斷出顧客的性別、年齡等信息，并建立顧客的信息檔案畫像，包括經過門店頻次、經過時段、進店頻次、進店時段、新老顧客、在店時長等。

再進一步，可以在各陳列區域安置攝像頭或探針，實時掌握每個顧客在店內行走軌跡的數據。

另外，也可通過自助結算終端在顧客結賬時自動抓取顧客人臉，這樣就可以知道哪些顧客進店之后最終會購買、哪些顧客是VIP會員。

以前零售企業只知道會員以及消費的信息，現在可以通過攝像頭和人臉識別技術可以將消費數據和客流數據打通，獲取更加豐富的信息，包括顧客(甚至周邊人群)以及消費前的信息。

通過分析客流數據和消費數據，可以知道

近期店外客流、店內客流趨勢如何，是否存在波動異常，找出原因，評估對門店直接或間接的影響，例如天氣、節假日、周邊設施建設、大型活動、促銷、新品上市、門店裝修、店內布局優化、服務提升，等;

店外客流、店內客流各時段客流分布。哪個時段店外客流多，可采取措施重點吸引該時段客流進店;哪個時段店內客流多，可在該時段合理安排店內人力多一點，提升服務水平，提高客戶滿意度;看看店內外客流在時段分布上是否存在差異，分析原因。

店內外客流人群特征。看看每天經過門店的是什么人，進店的又是什么人，進而可以明確門店目標客群與進店客群是否一致，如果不一致，則需要調整經營策略;看看店內外客群特征是否一致，進而知道門店是否”在對的地方找到了對的人”，店外有哪些主要客群是店內沒有覆蓋的，門店可制定差異化經營策略，吸引這些客群進店消費。

店外客流中有多少比例的人進店，即進店轉化率，反映的是門店的吸客能力，即吸引店外客流，轉化為店內客流;通過進店轉化率的前后對比，可知道門店的吸客能力是否有所提升，或者某項促銷活動的效果如何;也可用于不同門店間吸客能力的比較。

店內客流中有多少比例的人會購買商品，即消費轉化率，在一定程度上反映店內客流中有效潛在顧客的比例情況;結合店內客流情況，通過消費轉化率的前后對比，可知道門店的服務水平和銷售能力是否有所提升，或者某項促銷活動的效果如何;也可用于不同門店間的消費轉化率對比，看看哪個門店的綜合服務水平高。

動線分析，即顧客在店內的行走軌跡如何，在哪個區域停留時間長，進而知道哪個區域客流多，商品關注度高，可幫助優化商品陳列，提升整店坪效，優化人員配置，為促銷安排做輔助決策。

另外，在顧客進店時，可通過與后臺數據庫的人臉身份比對，看看顧客是否會員，并且有什么優惠券領了還沒用，進而向顧客推送提醒通知，提升顧客選購的概率。

2、刷臉支付

刷臉支付運用人臉識別算法，實時地將用戶支付時掃描的人臉與后臺用戶檔案數據庫中的人臉圖片進行比對，如果確認為同一個人，則通過支付。

目前階段，刷臉支付還具有一定的安全風險。用戶支付時掃描的人臉容易受到光線、角度等影響而導致與后臺數據庫人臉圖片比對不成功，進而無法支付，或者用戶A的人臉與后臺數據庫中用戶B的人臉圖片由于誤判而比對成功，這樣導致了“A消費但扣了B的錢”。刷臉支付需要具有極高的判斷精度并將這兩種情況的風險降至最小，才可廣泛使用。

3、口碑分析

利用文本分析算法，通過分析用戶評論數據(來源于線上商城商品評論、公眾號文章留言等)以及客戶滿意度調研數據，可了解顧客對門店各方面的評價情況，包括：

門店整體口碑好還是壞;顧客評價主要涉及哪些方面，服務態度、門店衛生、店內體驗、商品質量、自助工具、物流配送、促銷活動、等等;除評價外，顧客提出了哪些需求或建議;口碑分析結果，可以反饋給研發、運營、商品、物流、門店等部門人員，推動門店經營綜合服務質量的整體提升。

另外，也可以針對與企業相關的某個特殊或重大事件，實時獲取網絡輿情數據，讓管理者及時掌握輿論態勢，及時做出有效的應對措施。

4、購物籃分析

購物籃分析起源于沃爾瑪超市經典案例——“啤酒和尿布”，其主要解決的問題是：一群顧客購買了很多商品之后，哪些商品同時購買的可能性比較高?購買了商品A的同時購買哪個商品的可能性比較高?購買商品A之后購買哪個商品的可能性比較高?

如果在研究的問題中，一個顧客購買的所有商品假定是同時一次性購買的，分析的重點就是所有顧客購買的商品之間的關聯性;如果假定一個顧客購買商品的時間是不同的，而且分析時需要突出時間先后上的關聯，如先買了什么，后買了什么?那么這類問題稱之為序列問題，它是關聯問題的一種特殊情況。

購物籃分析的結果主要用于：

5、商品陳列

將關聯度高的商品捆綁在一起，或者擺放在一起，以折扣優惠的方式，吸引顧客購買;向購買了某商品的顧客，推薦與該商品關聯度高的其它商品;

零售的三大場景包括陳列、收銀和盤點。商品陳列直接影響著顧客的購物體驗，門店經營者在陳列上也是費勁心思，極力迎合顧客消費習慣。

通過動線分析可以指導顧客在店內的行走軌跡，并結合分析訂單數據發現顧客購物習慣，用以指導商品陳列。例如，發現有部分顧客經常購買一些高單價商品，但這些商品沒有擺放一起，或者和其它商品放一起很難找到，因此，可以設立精品區，將高單價優質商品集中在一個區域，方便這些顧客選購;18年俄羅斯世界杯期間，數據發現啤酒和小龍蝦被同時購買的訂單很多，于是可以將啤酒和小龍蝦捆綁起來擺放在一起并以折扣優惠的方式來售賣。

6、貨架監控

通過攝像頭和圖像識別技術掃描和分析冰柜、貨架、對頭等陳列設備上的任意商品，判斷出貨架上的商品是否開始變質或快過期了(例如，與昨天比，今天的香蕉表皮開始出現了斑點)，商品擺放是否凌亂，是否有商品沒有放對位置或沒有放回原位(例如，香蕉的區域放有一個蘋果)，哪個商品開始缺貨了，等等，并將結果及時通知店員。

7、智能巡店

智能巡店為管理者提供視頻巡店、圖片巡店、現場巡店等多種巡店方式，讓管理者“運籌帷幄之中，決勝千里之外”。管理者可在監控中心、移動端上看到各門店的實時視頻，還能通過監控中心向前端云臺發出控制指令，控制云臺進行門店細節觀察，對門店進行遠程實時抽檢監控。平臺支持視頻的截圖編輯和在線考評操作，確保企業各級管理者可以無障礙的到達門店，隨時進行貨架、員工、衛生等情況的監督考評，降低巡店成本，提升巡店效率。

8、智能防損

防損工作是商超運營的重中之重。針對內部原因造成的商品損耗，可在收銀環節進行POS收銀監控。系統將收銀過程中的單票內容與監控視頻實時疊加顯示，通過時間和小票單據號實現歷史交易視頻快速查詢和回放。既能為實體零售管理者提供有效的門店防損監督手段，也為交易糾紛提供可視化交易追溯舉證。

另外，通過人工智能技術可以快速識別“慣偷”等特殊人群的人臉信息并推送警報，方便店員及時采取措施，減小損失。同時，還可以共享人臉信息，把重點人員信息同步到各個門店。

9、人員排班

通過時段分析可以知道哪個時段客流多，哪個時段客流少，更進一步可以知道每個時段分別是哪些區域客流多，哪些區域客流少。從而可以卻確定在各營業時段分別安排多少人，分別安排在哪些區域，等等。

另外，也可利用算法預測各門店在高峰期(如大促、節假日等)的業務量，靈活調配人員以現場支撐。

10、商圈分析

通過融合各方面的內外部數據，可以獲取各門店所在商圈的信息，包括：

商圈的宏觀經濟發展數據，人口規模如何，居民收入水平如何;商圈有多少寫字樓(高、中、低檔分別占多少)，有多少住宅，樓價多少，有沒有學校、工廠、政府部門/事業單位、等等，從中可以知道商圈中人群的構成，即白領、居家人群、學生、工人等身份人群分別占多少;商圈的位置、交通情況;商圈人群特征，包括基本信息、購買偏好等;利用這些信息，可應用于門店選址，也可幫助管理者決策在各門店“賣什么，不賣什么”以及合適的促銷策略。例如，在高檔辦公區域的門店，優質、高價位的便當、水果、零食可以多些，生鮮類商品則要盡量少些;而住宅區的門店，生鮮類商品可要多一些。

11、競店動態

通過線上數據抓取、線下調研采集等方式，獲取各門店周邊競爭對手的信息，包括：

競爭對手當前在賣商品的品類結構，即哪些品類的商品多，哪些品類商品少;競爭對手具體在賣哪些商品，價格如何，有無降價，銷量如何;競爭對手當前在做什么活動，吸引了多少客流，效果如何;競爭對手最近上新什么商品，下架了什么商品;競爭對手門店陳列布局情況;關于競爭對手的其它信息;所謂“知己知彼，百戰不殆。”知道了競爭對手動態，門店可在優化品類結構、選品、促銷、陳列等方面采取相應的措施。

12、可視化大屏

數據可視化是信息化的最后一公里，是用戶直接感受數據魅力的最后環節，尤其是看到類似阿里雙十一大屏這樣的實時可視化大屏的時候，相信很多人都驚嘆不已。

可視化大屏采用大數據技術，實時計算關鍵的KPI指標，加以高度數據可視化，最終動態呈現在大屏上。通過可視化大屏，用戶可了解截至當前各項核心指標的最新情況，例如，當前累計營業額、新增會員數、哪些商品賣得最好，等等。

可視化大屏特別適合應用在以下幾個場景：

四、拓展

新店開業;大型促銷活動;投資人、合作伙伴、重要客戶來訪，公司能力展現;

1、智慧選址

古人云：“天時，地利，人和”，一件事成不成，地利就占了三分之一，可見位置有多重要。對于線下零售門店來說，選址的重要性不言而喻。

傳統選址周期長，成本高，決策所需數據大量來源于抽樣調查、實地考察、現場卡表統計等人工收集，區域人口分布、人群特征等數據均依賴于少量問卷調研、現場監測人員經驗判斷、二手數據資料、過多依賴人工經驗，且人工收集的數據質量存在滯后、不準確問題，容易影響最終的選址結果，數據準確性低、選址效果難保障。另外，選址也缺乏目的性，當前選址如大海撈針，需要從區域中找出大量可行區域，再從眾多區域內的海量街道和店鋪中找到基本合適的網點地址。

智慧選址通過數據抓取、數據交換、數據引入等多種方式，融合維度豐富的外部數據，依據各區域(粒度可細至商圈、街道)區域經濟發展、配套設施、客流及趨勢、競爭對手分布等信息，綜合評估各區域的價值，篩選出有潛力且適合拓展的潛在區域。在此基礎上，深入洞察潛在區域的客群特征，并分析潛在區域的主體客群與企業自身客群定位的匹配程度，從而從潛在區域中進一步確定出目標區域。

簡單來說，智慧選址可幫助零售企業“在哪里開店、賣什么商品、賣給誰、覆蓋多大范圍”。

五、客服

1、智能客服

目前，在中國智能客服市場已經涌現了一大批提供第三方智能客服服務的企業和智能客服產品，例如IBM Waston、科大訊飛、小i機器人、智齒科技、小能機器人、玻森、追一、網易七魚、微軟小冰、阿里小蜜、百度夜鶯、思必馳、第四范式等等。

智能客服機器人基于自然語言處理、大規模機器學習、深度學習技術，使用海量數據建立對話模型，結合多輪對話與實時反饋自主學習，精準識別用戶意圖，支持文字、語音、圖片的交互，實現了多領域的語義解析和多形式的對話，實現批量、高效、準確、靈活地應答客戶問題，降低企業客服人力成本，提高客戶滿意度。

智能客服機器人一般的工作流程如下：

六、倉儲

首先用戶以文本或語音的方式描述自己遇到的問題機器將用戶的問題轉換成能理解的形式將文本通過模型解析，找到知識庫中匹配度最高的“答案”最后把答案輸出，以文本或語音的方式反饋給用戶

1、庫內監控

通過對倉庫運營監控，實現可視化管理，指導現場管理人員處置干預，提供輔助決策支持。建立倉儲實時作業監控體系，建立入庫、庫存、出庫三大體系管理實時監控功能。提供倉庫單量預測及排班建議，根據預測單量、人工效能，實時計算排班人員，為倉庫排班提供數據支撐。

庫內監控的目的就是要將倉儲信息實時化、透明化、公開化，建立監控、監督機制，提高人效、坪效以及貨品周轉。

2、揀貨路徑優化

揀貨效率的提升依賴于貨物的擺放、揀貨路徑優化、改善設備等。

貨物要擺放在合適的貨架上的合適位置，會遵循一些原則，例如，

銷售量大或者促銷商品應該擺放在靠近倉庫出口處或進口處的貨架上;銷售量大或促銷商品應放置在黃金貨架中間的黃金位置;銷量小的商品放在貨架的最下層或最上層;揀貨路徑優化則是屬于地理信息學中的路線規劃問題，主要利用運籌學、動態規劃算法，在最小化揀貨時間、成本等多種約束下，確定出效率最優的揀貨路徑。

依靠人工揀貨，出錯率高而且效率低，因此，當前在倉庫揀貨環節開始無人化，如揀貨機器人。

七、配送

1、智能裝車

根據預測的需求量，運用優化模型計算出每個地區的補貨頻率。同時，結合車型、運載量、運輸成本等相關運輸數據，計算出未來一周最優的排車計劃。排車計劃會結合各補貨計劃人員負責的區域，以均衡各人的工作安排以及更妥善的人力分配。

排車計劃由于受到公司策略、產品促銷、庫存調配、人手安排等因素的影響，具有一定的變動性。計劃人員可以靈活方便地對其進行變動，而這些變動又被系統紀錄起來，并區分成計劃調整和臨時變動兩種狀態，以作為日后排車的依據和對排車效果分析的數據源。

2、運輸路徑最優化

同樣地，運輸路徑優化也屬于地理信息學中的路線規劃問題，利用運籌學、動態規劃算法，在運輸成本最小化、配送時效最大化等多種約束下，輸出最優的運輸解決方案。

3、運輸監控

運用網絡通信以及GPS定位技術并結合掛載的拍照攝像頭、大數據可視化技術，實時定位追蹤運輸中的車輛，隨時掌握車輛的實際位置和運動趨勢，以及對車輛運行狀態的監督。同時，實時判斷出以當前速度是否延遲到達目的地，并發送延誤預警，以便及時做出應對措施。

八、供應鏈

1、銷售預測

基于機器學習、深度學習等算法技術，結合考慮天氣、節假日、促銷、新品發布等影響因素，從商品銷量或銷售額的波動趨勢中發現變化規律，并預測未來一段時期內的銷量或銷售額。銷售預測模型可實現自動化、批量化、層次化的預測，即可預測不同層級部門(如總部-大區-省-市-區-商圈-門店)下不同層級商品(大類-中類-小類-商品)的銷售預測。銷售預測結果可應用于以下幾個方面：

2、智能分倉

公司戰略或年度計劃制定;分倉決策;自動補貨計劃的制定;業務高峰期人員、物資等資源調配;

智能分倉可運用遺傳算法等優化算法，根據銷量預測、倉庫網點布局、運輸成本與時效等因素，模擬計算各種可能的分倉方案下的成本與時效，并給出最優的分倉方案。

3、自動補貨

大多零售企業存在關于客戶需求和庫存水平之間的矛盾：一是庫存過剩，即客戶的需求量低于庫存量，這種情況下出現存貨積壓，增加庫存成本;一是庫存不足，即客戶的需求量高于庫存量，這種情況會造成部分客戶無法及時買到需要的產品，服務水平下降。解決的方法是：對客戶需求量進行預測，按需供貨，優化庫存水平。當庫存水平剛好能滿足客戶需求量時，為最優庫存量。這是最理想的狀態，實際中很難完全達到，而只能盡可能逼近最優庫存水平。

自動補貨策略的制定，主要基于多層次的補貨網絡，從成品生產的工廠到物流中心到外倉，從外倉到門店，綜合考慮各個商品的預測銷量和需求的變動、運輸時間、包裝規格、庫存成本、運輸成本、運輸頻率、客戶服務水平、庫存策略、最小訂貨量等影響因素后，更精細地動態制定庫存補貨策略，包括重訂購水平以及訂購至水平。這些補貨策略能細致到具體每個倉庫、每個門店的每個商品，而且隨著時間的推移動態適應市場變化并進行相應的調整。

九、人力

1、人崗匹配

人崗匹配模型運用文本挖掘和知識圖譜技術，將簡歷和崗位信息從家庭背景、學歷、工作年限、工作經驗、項目經歷、職位、業績等方面進行有效地解析，從而確保簡歷和崗位能夠精準匹配，從而提升HR工作效率，降低招聘成本，幫助HR完全運營和盤活人才庫，更好地將企業人才積累發揮最大的價值。此外，模型還會根據更多招聘行為的產生自動學習調優，進一步學習并描繪出職位的候選人畫像，極大的保障了“崗得其人”、“人適其崗”。

2、離職預警

通過分析員工的基本信息(崗位、工齡、入職年限、工資、績效、家庭情況等)、打卡簽到、工作表現、瀏覽網頁、問卷調查等方面的量化數據，運用機器學習算法，挖掘出員工離職前的表現特征，并預測出哪些員工最可能于近期離職，助力HR及用人部門提前進行干預及安撫，保持人員穩定。