[图片来源:pixabay]
近两年，零售这个古老而传统的行业被推到了科技创新的风口浪尖。为什么这个变化来得这么突然？背后的驱动力是什么？这是腾云天下合伙人兼执行副总裁林逸飞及其同行反复讨论的话题。
零售业正孕育着产业机会。
其中，提到最多的就是在线流量的峰值。互联网巨头开始转向一线，对传统大型零售企业造成了巨大压力。这种压力催生了大型零售企业对移动化、数字化、对接线上流量的诉求。他们面临两个选择，要么更全面的倒向腾讯和阿里，要么在他们之间建立自己的流量和数据运营能力。
电子商务的兴起也对线下零售产生了冲击，但远没有今天这么剧烈。此外，当时的技术成本过高，未能激发零售业的技术创新。在移动终端大规模普及的今天，移动网络的获取成本、支付和流量的对接成本大幅下降，为零售企业打造自己的数字化能力创造了可能。
与此同时，以今日头条、陌陌为代表的腰部流量开始更大程度地向市场释放数据能力，零售企业需要建立相应的平台来承接。
腾云天下正是在这样的背景下切入零售市场的。腾云天下成立于2011年，是国内领先的第三方数据智能服务商。7年来，腾云天下一直保持着每年3倍的业务增长。在进入零售市场的两年半时间里，零售业务的发展异常迅速。
林逸飞认为，当微信这个日活十亿的平台开始释放流量和数据的时候，需要零售这样一个巨大的市场来承接。因此，在未来3-5年内，零售领域将出现行业性和现象级的机会。他表示，腾云天下将在这一领域投入更多的人力物力，抢占行业变革的红利。
零售数据的“三重门”
大数据在零售业的应用由来已久，“啤酒纸尿裤”的故事也广为流传。但是今天零售业的大数据分析和当年相比已经发生了很大的变化。
林逸飞介绍，零售行业的大数据有几个特点:一是与金融、保险行业相比，零售行业对数据运营的精细化要求更高；其次，零售行业的对接流量和数据变化剧烈。比如小程序，两个月就能做到1.2亿的日活。企业的对接平台必须足够灵活，才能抓住这样的流量红利；最后，零售行业非常分散，一个垂直板块有几十家或者几百家企业。
零售数据的维度也在增加。两年前，TalkingData提出了数据“三重门”的概念，即交易门、交互门和公开市场门。“啤酒纸尿裤”的故事只是用了“交易门”里的交易数据，更多的是一种事后的推演。在智能终端大规模应用的今天，企业通过APP、社交网络等触点大规模收集用户的交互数据非常方便。传统上，零售常指“人货场”。今天，通过“互动门”中的数据，可以在此基础上增加时间的维度，帮助零售商抓住最佳营销时机。
“公开市场门”是指客户在公开市场中的各种行为数据。这些数据往往与企业的业务没有直接关系，但却能极大地辅助企业开展业务，比如手机App数据、社交数据、微信微博的舆情数据等。
公共数据的获取不是盲目的，要以解决一些业务问题为出发点，否则就会陷入“数据的海洋”，而不是不知道收集什么样的数据。
不久前，腾讯云和腾讯云联合打造的大数据定位应用芷玄就是一个利用公共数据的绝佳例子。凭借双方强大的数据能力，“智选”可以帮助零售企业解决线下实体店选址、商圈运营诊断等问题。过去费时费力的选址工作，在“智能选点”的帮助下，通过可视化和数据化的方法，只需几分钟就能快速做出决策。
林逸飞介绍，腾讯云就像一个基础数据处理工厂，原材料丰富。TalkingData更贴近客户，懂得用算法模型解决客户的实际问题。“我们做的是数据的精细处理”。
如何提取数据的商业价值是核心竞争点。
当数据获取变得简单，数据维度越来越大，从数据中提取商业价值的能力成为企业的核心竞争点。
与交易数据不同的是，交互数据和公共数据完全是非结构化的，流量大，时序无序，数据本身是不连贯的。这使得数据处理的底层技术发生了巨大的变化。数据仓库等传统技术因为无法应对当前流量的多频段变化，已经退到了大企业的后台系统。
现阶段要处理的数据维度非常多，完全超出了人力的范围。以TalkingData服务的某餐饮连锁品牌为例。这个品牌只有100个左右的SKU，但它在全国有上千家门店。TalkingData的目标是帮助其在营销端做千店，提前一天在供应链端以小时为单位准确预测第二天的客流和原料消耗，减少原料损耗。为了实现这个目标，TalkingData需要建立几十万个模型。那么多模型是人力无法调整的，必须通过数据进行适应性训练。
TalkingData在多年的业务实践中积累了海量的数据，很少有同行可以匹敌。其次，TalkingData在机器学习和数据处理技术上也有很深的造诣，具备大规模分布式部署的能力。此外，过去几年，TalkingData不断引进国外最新技术，在美国设立自己的创新中心，不断修炼内功。
技术只是一方面，技术和成熟的商业产品还有差距。林逸飞认为，要打造一个成熟的商业产品，最重要的是权衡客户的需求。TalkingData作为数据智能服务商，需要连接各类客户，不同的客户对场景有独特的需求。产品标准化后才能成为商品，标准化就是对客户需求的总结和提炼。
为了在满足客户需求和标准化之间找到平衡点，TalkingData提出了金字塔模型。金字塔顶端是行业的头部客户，他们的需求在相应的行业中起主导作用，可以辐射到腰部和底层客户，所以TalkingData会有选择地满足他们的定制化需求。
金字塔中间有很多腰部客户，很难精准细化他们的需求。如果覆盖的客户数量不够，精细化的需求很可能会出现偏差。
对于金字塔底层更大的客户群，林逸飞认为，在提炼了顶层和腰部客户的需求后，标准化的产品已经能够更好地满足这些客户的需求。
企业需要建立自己可管理的流量平台。
那么，头部企业探索出的能力和方法，如何更好地传递价值，赋能全产业链的中小企业？这需要应用到数据中心。
数据中心是今年特别流行的概念。包括阿里在内的很多企业都在建设自己的数据中心，但是每个人对数据中心的理解是不一样的。TalkingData将数据中间平台定义为基于数据智能应用探索商业价值的平台，需要具备数据管理、数据工程和数据科学的能力。
在去年的T11大会上，TalkingData正式发布了数据智能平台1.0，提供数据管理、数据工程和数据科学的核心能力。经过一年的研究和打磨，TalkingData在最近的T11 2018数据智能峰会上将其数据智能平台升级为2.0，内部称为TalkingData数据中台，拥有管理、工程、科学、安全、连接和共享六大核心能力。
林逸飞认为，很多零售企业的痛点是没有自己的数据和流量运营能力。零售企业很难构建庞大的自有流量，因此企业需要构建一个能够连接中间流量的数据中心。这样企业就可以在头部流量的博弈中掌握更多主动权。
以TalkingData服务的某大型服装企业为例。这家企业年营业额在500-600亿元左右，其中90%来自线下，10%来自线上。而线上的10%有90%来自天猫，也就是说在有线上流量的游戏中处于劣势。
TalkingData花了七八个月的时间帮助其理顺经营思路，搭建自己的数据中间站，对接中部地区的流量，进行精准的数字化运营和营销。仅六七次营销活动就带来了4个亿的营收增长，最高投资回报率达到了94倍。
零售业的剧变才刚刚开始，TalkingData展现的只是巨大数字化潜力的冰山一角。雷锋。com雷锋网。com
