商业智能时代背景下的“新零售”

商业智能在零售中的应用

商业智能，是个涵义丰富的概念，简要地说，就是人工智能在商业中的运用。商业智能目前主要的应用领域和场景之一是零售业。

人工智能的基本要素之一是大数据。大数据是人工智能及机器深度学习的原料和营养，是人工智能生成和演进的必要条件。显然，线下零售店拥有流动着的巨量数据（以前这些数据可能流失掉了），包括顾客购买行为数据（行动路线、来店频率、逗留时间、决策速度、动作特征等）以及行为结果数据（购买品种、购买金额等）。基于这样一些数据，人工智能通过另外一个基本要素（算法）产生零售经营者所需要的分析结果。零售经营者需给人工智能系统设定一个运算逻辑。具体地说，要设定输入什么、输出什么以及中间的转换（解题）方法和步骤。（从这个意义上说，人工智能目前仍属于“人”的智能。将来人工智能能否超越人类而具有独立的智慧，今天我们还不得而知。）

零售企业获取大数据并经过人工智能系统计算之后，会针对顾客产生哪些智能化的反应？一个类型和方向是针对顾客个体的，即对每一个顾客进行一对一的精准营销。另一个类型和方向是针对顾客群体的，即根据各个顾客群的不同特征进行差别营销。

商业智能和个体顾客的交互

零售商店的商业智能，和个体顾客的交互，目前主要有四种情形：

第一种情形是基于人像识别及顾客数据库的顾客互动。某个顾客多次光临商店，其头像等信息就已经被记录下来了。以后再去的时候，无论是服务员，还是服务机器人，都会热情地和顾客打招呼：“欢迎您第N次光临，您是我们的老顾客！”这是一种最初级的人工智能运用。顾客头像只是一个标签，背后还有他的一些历史数据（数据库），从而可以准确、精妙地跟顾客互动。

第二种情形是会员优惠券设计。优惠券包括电子形态的、手机APP里的优惠券。这些优惠券是根据顾客的购买数据动态、自动生成的。比如顾客结账的时候，优惠券和购物小票一起就打印出来了。优惠券种类很复杂，结构很精巧，可以根据顾客分品种购买额设计，通常都有时间和品种限定。比如要在一周内用完，或只能购买某些特定的品种（这和推荐商品有点类似）。

优惠券还有一些超出我们想象的应用。比如，发现一位顾客从来没有买过牛奶，但也给他牛奶优惠券，用于测试他是不是在其他的商店购买。如果他用了优惠券，那就证明这位顾客原先很可能在其他商店购买牛奶。这个结果出来之后，就可以给他更多的牛奶优惠券，这样就可以对竞争对手构成一定的影响。

基于会员制、积分制以及购买记录的优惠券系统，是目前商业智能的主要形态。优惠券越来越丰富，也越来越有意思。优惠券系统在欧美发达国家是很成熟的系统，可惜我国大部分零售企业还用得比较粗放和简单。

第三种情形是商品的推荐和交叉销售。如果某顾客购买某种（或某几种）商品的时候，通常还会买其他某种（或某几种）商品，这就构成了一个事实关联。根据这种关联，可以将相关的商品一并向这位顾客推荐。还有一种关联称作逻辑关联，它是根据某些事实作出的延伸性的合乎逻辑的判断。例如一位男顾客买了纸尿布，这很可能是孩子的爸爸，于是向他推荐奶粉。

以往将商品整合起来的推荐，其逻辑都比较僵化和直接——比如一位朋友跟我说，他为家里的老人看过墓地，结果连续一个月都有商家向他推荐骨灰盒。随着人工智能技术的发展，未来商品推荐将会更加多维和准确。例如，根据顾客的购买行为，推断他可能对哪些商品很感兴趣。进行横向的相关产品推荐和纵向的上下游产品推荐。顾客买了电吹风，解决了头发的问题，再推荐一个剃须刀，一起解决胡子的烦恼，这是横向的推荐；顾客买了果汁机，同时推荐用于榨汁的水果，这是纵向的推荐。未来可能还有更加智能的，那就是跳跃式的、非单一线性逻辑的推荐。比如，某个人经常买些高档次的古典交响乐唱片，人工智能系统推断出这个人可能属于文化层次、收入水平比较高的、行为做派比较西化和传统的，那是不是可以给他推荐一款暗花怀旧型领带？这个跨度比较大，也才真正具有智能推荐的意味。

第四种情形是根据现在的购买行为来推测未来的购买行为。这在技术上比较困难，但是未来人工智能的重点。其模型之一是顾客的消费生命周期；方法是基于顾客消费生命周期现阶段的行为特征推测出下一阶段的行为特征。例如，一对小夫妻刚刚结婚，现阶段主要购买家庭生活用品；通常情况下他们下一阶段的消费主题就是母婴产品了（当然，先要判断他们有无怀孕计划了）。商家在顾客下一个消费主题出现之前或尚在萌芽状态时，就可以未雨绸缪，提前与顾客互动、引导顾客消费。

推测顾客未来行为的第二种模型，是根据顾客目前的行为刻画顾客的生活态度、生活方式和消费心理；在此基础上再推断出顾客将来可能出现的购买行为。例如，某一顾客的购买记录证明他是年轻的、追求时尚的、喜欢运动的、有活力的；那么他将来可能喜爱及购买哪些风格、调性、功能的产品和服务，就会有一个较为清晰的轮廓、指向和范围。这是零售商店与顾客一对一的精准、高效交互以及进行前瞻、愿景营销的依据。

商业智能和细分顾客群体的交互

零售商店的商业智能，和不同类别细分顾客群的交互，有以下若干种作用方式和功能：

第一，对顾客进行分类。商业智能出现之前，商场里的顾客群画像，维度是有限的，依据也是不足的（常常是“假说”）。而到了人工智能时代，就可以增加很多维度以及维度内部的区隔颗粒度，从而形成繁复的顾客结构。比如，过去没有顾客的头像数据，就无法对顾客按头像肤色进行分类；更无法按肤色的细微差别，将女性顾客区隔为众多细分类别。而这与化妆品销售有密切的关联。

第二，分析顾客群的特点。这是差异化营销的前提和基础。例如，前来商店购买商品的家庭顾客分为单身、两口之家、三人核心家庭等三种形态；它们的购物金额、购买品种、喜爱的审美风格等，都有一些比较鲜明的差异。知晓、理解了这些差异，在商品的引进、推广乃至货架上的摆放都可以变得更有针对性：牛奶产品系列中，大容量的包装主要是针对三口之家的；稍小一点的包装比较适合两口之家；而针对单身者的包装，会更加时尚和精巧。除此之外，适用于不同顾客群的牛奶产品，口感、开启方式等方面都会有不同的特色。再假如，商场数据表明：中产阶级群体水果购买总量中，进口水果的比例持续提高；那么商店通过优化针对“中产”的进口水果品种以及现场体验，则能提高顾客价值以及自身的经营效益。

第三，分析顾客为什么流失。哪些群体流失得最快？流失的原因是什么？根据顾客群体行为特征，可以设定背后的影响因素；通过大数据分析以及实验的方法，基本上能够判定顾客流失的原因和背景。

第四，找出顾客行为中出现次数较多以及分布较广的典型行为并分析背后的原因。例如某一种新产品，大多数人都是拿起来看了看，并没有购买。原因是什么？价格问题，还是产品价值诉求问题？抑或包装问题？这些假说可以通过大数据和人工智能来进行验证。

第五，搜集顾客注意力资源在店内的分布。简单地说，就是了解顾客更喜欢聚焦在什么地方，在哪些产品、货架、场景以及媒体上投注了更多的目光。这是零售店中顾客动线设计、产品展示及顾客体验安排的依据之一。同时，也为店内媒体资源的充分利用提供了条件。零售商可以精准地将广告位置和形态推荐给处于竞争状态的广告投放者（通常是上游品牌）。而哪些地方有更多的流量，顾客会停留多长时间，什么地方更能吸引到特定的顾客人群等，都会与广告价格相关联。