如何把數據行為應用放到新零售里呢？

先來(lái)思考這樣一個(gè)問(wèn)題：為什么星巴克的排隊一定是橫排的，而不是肯德基麥當勞那樣的豎排？

這個(gè)問(wèn)題經(jīng)濟學(xué)中有很多中解釋?zhuān)渲斜容^靠譜的一種認為：橫排排隊可以減少空間中的壓抑感，一方面讓整個(gè)空間看起來(lái)更寬敞，一方面可以降低人流的流動(dòng)頻次，緩解空間中的緊張感。

通過(guò)橫著(zhù)排隊這種對行為規則的改變，讓咖啡館區別于快餐店，確定了自己的消費人群和商業(yè)模型，是個(gè)非常好的經(jīng)濟學(xué)案例。

這其中很重要的一點(diǎn)是說(shuō)明了“行為”這個(gè)東西能帶來(lái)的商業(yè)結果。經(jīng)濟學(xué)有個(gè)分支叫做行為經(jīng)濟學(xué)，就是專(zhuān)門(mén)研究這個(gè)的。著(zhù)名的心理學(xué)家卡勒曼還憑借對行為經(jīng)濟學(xué)中心賬理論的構建獲得過(guò)諾貝爾經(jīng)濟科學(xué)獎。

以上是為了說(shuō)明行為學(xué)與經(jīng)濟學(xué)交叉可能發(fā)酵出的價(jià)值。所謂行為學(xué)，在學(xué)術(shù)上的研究目標是“個(gè)體和社群為適應內外環(huán)境變化所作出的反應”。我們每天的一舉一動(dòng)莫不是行為，習慣、工作、愛(ài)好也都是行為。

很有意思的是，行為是一個(gè)非常好的數據化樣本，比如你每天的出行路線(xiàn)、上網(wǎng)的瀏覽軌跡、攝像頭中的一舉一動(dòng)，都可以被數據化。而數據的運行本身也是一種行為，比如數據的運算、建模、流動(dòng)和交換。我們今天的世界，可以說(shuō)是從行為數據化中開(kāi)始，到數據行為化中結束（好吧我承認這段有點(diǎn)繞，但是沒(méi)關(guān)系，下邊會(huì )更繞的）。

關(guān)注數據行為，可能得到的東西非常多，絕對不是一篇文章可以討論的。所以我們不妨在這里舉個(gè)例子，來(lái)看一下數據行為化可能激發(fā)的想象。

最近一個(gè)特別火的概念是新零售。而馬云提出新零售時(shí)，就明確了它是融合線(xiàn)上、線(xiàn)下與數據的產(chǎn)物。目前我們看到的生物識別+無(wú)人超市，就是一種線(xiàn)上數據來(lái)到線(xiàn)下場(chǎng)景的示例。

但數據行為也許可以給我們更多，今天我們的主題是通過(guò)換一種方式理解數據，來(lái)打通線(xiàn)下消費的更多可能性。

結果與過(guò)程：另一個(gè)視角看數據

首先我們要知道，一般情況所看到的大數據到底是什么？

比如說(shuō)，我們看到了大數據顯示，每天有多少共享單車(chē)被使用、房?jì)r(jià)一年抬高了多少、地區農作物產(chǎn)量的數據變化等等，這都是大數據的結果。

我們看到的數據，是經(jīng)歷了數據收集與運算、整理過(guò)程之后，呈現出可供人理解的“扁平化大數據”。我們可能確實(shí)知道了很多此前不知道的，但這絕對不是大數據的全貌。

比如，我們看得到一個(gè)地區交通事故的總數和時(shí)間曲線(xiàn)，卻看不到每一次交通事故是如何發(fā)生的、原因有哪些種、哪些事故因素可以被改善、哪些事故可以更及時(shí)救援，甚至哪些可以預防。

假如說(shuō)我們看到的數據結果是一個(gè)二次元的漫畫(huà)人物，那么看不見(jiàn)的數據就是一個(gè)三次元的里的完整的人——這就是數據行為。

數據行為不僅僅是數據的增長(cháng)過(guò)程，還包括在整個(gè)時(shí)空關(guān)系中數據的交互狀態(tài)。比如具體數據的軌跡、數據的折返區間、數據多元性，以及與預期模型之間的差異。

這么說(shuō)可能有點(diǎn)過(guò)于抽象，舉個(gè)不太恰當的例子來(lái)解釋?zhuān)耗阗I(mǎi)個(gè)盒雪糕，這個(gè)是數據結果，證明你喜歡這個(gè)牌子的雪糕。但是數據行為卻可能顯示，你是問(wèn)了好幾個(gè)牌子都沒(méi)貨，挑了好幾個(gè)牌子嫌太貴，不想買(mǎi)卻發(fā)現實(shí)在太熱，才最終買(mǎi)了這盒雪糕……然后吃一口就扔了——這都是數據行為——也是其他雪糕品牌占領(lǐng)這個(gè)客戶(hù)的機會(huì )。

當然，數據行為實(shí)在太復雜了，因為這是在跟蹤數據而不是整理數據。此工作人力無(wú)法勝任。但人工智能不正是用來(lái)解決人力無(wú)法完成的工作嗎？比如已經(jīng)有用遷移學(xué)習技術(shù)來(lái)追蹤城市里每輛車(chē)形式軌跡的技術(shù)，這就是一種解讀數據行為的嘗試。

由于數據行為千變萬(wàn)化，具體而微，尤其可能關(guān)乎與人與社會(huì )空間的互動(dòng)。解碼數據行為，也就成為了AI介入生活的一次良機。

用戶(hù)數據行為

想要搞明白如何用數據行為驅動(dòng)新零售，首先要看到哪些數據可能對零售場(chǎng)景產(chǎn)生影響。這里我們可以把它分為兩種：個(gè)體用戶(hù)數據和群組數據。

通過(guò)大數據來(lái)了解用戶(hù)，已經(jīng)不是什么新鮮事，甚至有點(diǎn)老生常談。但根據用戶(hù)數據的數據行為來(lái)了解你的用戶(hù)卻是一個(gè)空白。

通過(guò)解碼數據行為，你會(huì )得到哪些對用戶(hù)的全新認知呢？

首先是數據行為在時(shí)間上的同頻性，可以讓掌握數據的企業(yè)認識多端口數據源融合下的用戶(hù)。比如說(shuō)我們的社交行為、內容閱讀行為、購物行為，與真實(shí)世界中攝像頭拍攝下的我們、交通信息中的我們、工商信息中的我們，其實(shí)各自都是我們自身的一個(gè)剪影。通過(guò)時(shí)間概念把這些數據整合起來(lái)，可以合并成一個(gè)相對完整的用戶(hù)形象。

它在購買(mǎi)行為之外的所思所想，每天的所見(jiàn)所聞，其實(shí)都不難在暴露在公共視野下的數據拼接起來(lái)。這樣企業(yè)對于用戶(hù)消費動(dòng)機與規律的把握，將提升到一個(gè)新的高度。

再比如說(shuō)，數據行為會(huì )偵測用戶(hù)消費軌跡的改變。大部分人在生活中都有穩定的消費規則，或高或低都有其規律。而一旦出現峰值，就會(huì )說(shuō)明用戶(hù)有某種消費異常產(chǎn)生。實(shí)時(shí)分析這些消費數據的行為軌跡，可以實(shí)時(shí)提供切中服務(wù)，比如用戶(hù)突然出現消費沖動(dòng)時(shí)進(jìn)行針對引導、用戶(hù)消費軌跡趨緩時(shí)給予消費刺激，用戶(hù)消費進(jìn)入極端低谷，就該考慮提供網(wǎng)貸產(chǎn)品了（開(kāi)玩笑開(kāi)玩笑）。

另一個(gè)數據行為帶來(lái)的改變，是企業(yè)可以測算出用戶(hù)應用的使用模型。比如一個(gè)籃球，用戶(hù)本應該一周打五次，一次半小時(shí)。但假如出現用戶(hù)使用率降低，可能就說(shuō)明產(chǎn)品本身出現問(wèn)題了。當然就籃球來(lái)說(shuō)可能只是因為用戶(hù)比較懶，但對于互聯(lián)網(wǎng)產(chǎn)品來(lái)說(shuō)，用戶(hù)行為與預期模型之間的差別卻能說(shuō)明很多問(wèn)題。

組織行為中的關(guān)鍵信息比特化

通過(guò)人工智能檢測個(gè)體用戶(hù)數據之外，還有一種檢測集體數據行為的方式。比如已經(jīng)在城市安防當中應用的人流軌跡識別技術(shù)。

這類(lèi)技術(shù)可以觀(guān)察一個(gè)群體的動(dòng)態(tài)，并通過(guò)多個(gè)數據源進(jìn)行數據采集與分析。這一類(lèi)數據進(jìn)行全面的數據行為監控很難，但卻可以對關(guān)鍵信息進(jìn)行比特化。永久留存并進(jìn)行多個(gè)領(lǐng)域的應用。

比如說(shuō)，某個(gè)寫(xiě)字樓里一到中午就聲貝提高，人臉識別表示不高興的人數急劇攀升：這可能說(shuō)明外賣(mài)必須投入更多人力了?；蛘吣车罔F站早上的人流停滯度過(guò)高，人流運行緩慢：這可能說(shuō)明要放更多共享單車(chē)了。通過(guò)比特化這些數據運行的關(guān)鍵值，可以給企業(yè)提供非常好的運行依據。

這只是最基本的一種人流數據行為應用。具體到相對垂直、復雜的群落組織中，數據行為的應用性會(huì )更加廣闊。

有一個(gè)多領(lǐng)域的交叉學(xué)科叫做組織行為學(xué)，專(zhuān)門(mén)研究組織中人的心理和行為表現及其客觀(guān)規律，以達到預測、引導和控制人的行為的能力。通過(guò)計算機計算去測算和預期組織行為中個(gè)體與群落的互動(dòng)，恐怕會(huì )帶來(lái)無(wú)數種應用可能。

如何激發(fā)消費

說(shuō)了這么多，到底如何把數據行為應用放到新零售里呢？

綜上所述，數據行為可以更好地理解個(gè)體與群體在時(shí)間軸上的精準動(dòng)向和動(dòng)機。這就讓很多基于移動(dòng)互聯(lián)網(wǎng)的簡(jiǎn)單商業(yè)激發(fā)有可能變得更加復雜。

通過(guò)對線(xiàn)上數據行為的廣泛測寫(xiě)，結合現實(shí)世界數據收集端口提供幫助。人工智能至少可以為線(xiàn)下消費場(chǎng)景搭建以下幾種能力：

一、解決地理空間中的推薦問(wèn)題：我們都感受過(guò)所謂的智能推薦，基本都是根據你的瀏覽記錄進(jìn)行購買(mǎi)推薦。這種推薦本身非常不智能，而且往往進(jìn)行線(xiàn)下推薦時(shí)就會(huì )失效。因為系統只能知道你的定位，卻無(wú)法預計你的目標，也無(wú)從知道你的運動(dòng)軌跡。更多時(shí)候還是需要用戶(hù)自己去尋找消費。而結合運行軌跡、消費軌跡等數據行為，或許可以準確的在地理空間中實(shí)現線(xiàn)下消費推薦：不走冤枉路，不浪費時(shí)間，就近找到你的消費可能。

二、解決實(shí)時(shí)需求：數據行為檢測的一個(gè)特征，就是其具有非常強的實(shí)時(shí)處理能力。很多消費契機都是實(shí)時(shí)出現的，可能用戶(hù)自身都沒(méi)有察覺(jué)到。但數據系統卻可以感知到。比如數據證明你該渴了，又能從以往消費數據中判斷你的口味，然后實(shí)時(shí)對接飲品店的消費可能。這就集成了很多消費機會(huì )。

三、提供線(xiàn)下的智能服務(wù)：新零售里一直有個(gè)預期，就是你到了店里，發(fā)現店里正好都是你需要買(mǎi)的東西，不用自己找。這種聽(tīng)起來(lái)像讀心術(shù)的消費場(chǎng)景，也可能通過(guò)對你生活中方方面面數據行為的測算得到結果。人進(jìn)行線(xiàn)下消費的頻率其實(shí)是非常穩定的。利用遷移學(xué)習和過(guò)往數據來(lái)生成一個(gè)人的購物預期模型，并非不能做到。

四、根據群體行為調整供需策略：就像上文說(shuō)的，群體行為往往決定了很多服務(wù)與消費的市場(chǎng)，群體行為的往復變化也決定了很多依托人群的消費場(chǎng)景興衰。測算人群，實(shí)時(shí)調整供需和營(yíng)銷(xiāo)，可以為人群場(chǎng)景的線(xiàn)下消費企業(yè)提供極大的效率改善。

相比我們經(jīng)?？吹降膱D表和結論，大數據這東西其實(shí)能體現更多東西。我們每天都暴露在數據收集器之下，也成為數據的使用者和消費者。相比無(wú)盡的增大數據量，把現有數據立體化、行為化其實(shí)就能探究人類(lèi)社會(huì )的無(wú)數秘密。

數據會(huì )繼續帶來(lái)更多改變，同時(shí)也引發(fā)著(zhù)更多恐懼：在人工智能才有能力理解的海量數據面前，人類(lèi)究竟還有什么秘密與隱私可言？