“数据爆炸”的物联网时代,智能零售中数据分析的价值与应用

selina的头像
selina 发布于:周三, 06/28/2017 - 13:55 ,关键词:

过去我们处在一个数据片段破碎的零售时代,随着数字化潮流的来临,企业一直朝着运用数据改善营运效率的方向前进,最终我们将被数据包围,而且在无接缝的环境下善用各种不同性质的数据,完整描绘顾客,清楚结合市场走向与资源运用后,精确的规划企业策略。

大数据也好,小数据也罢,已经有很多的专家讨论过运用数据到底可以带来什么价值。只是在这么多的数据分析的论述之后,笔者观察到市场上大多数人对于数据收集与分析仍旧是一头雾水。很多读者在给笔者的回馈意见中,最担心的是在物联网应用方案设计之初的系统架构中数据分析的角色没有被优先对待,以致于相关方案的设计只是一大堆硬件的集合,自动化或者有之,而智慧化则往往消失无踪。

首先,笔者要澄清一点,数据的来源很多,联网装置只是收集数据的一种手段,并非只有物联网应用方案才能搜集数据。

举例来说,传统的收银机也在累积数据,只是没有电子存储装置,一切都是保留在纸带上,取用非常不方便,基本上很难用来做精细的营业分析。直到收银这个功能与工业电脑结合,数据开始有了进一步被分析的方便性。然而,为了加快结帐速度,现行电子式收银机能收集的栏位仍有限制,所以如果读者在结帐时特别注意,几乎每一台电子式收银机都外挂了不少其他装置,一开始是几种信用卡刷卡机,插卡式或感应式的不一而足,最近随着第三方支付的普及,额外的条码扫描装置也开始出现。然而这些装置收集的数据都集中在业务成交结帐时,零售业者仍旧无从得知每个时点有多少人经过门口,多少人走进卖场,更不用说个别顾客绕行路径,抑或是在每个柜位或货架前的停留或注视时间。

近来随着GPU等硬件的發展与相关视觉辨识软件的进步,这些数据搜集都由不可能逐渐变为可能。

此外,数据分析科技的进步随着运算与储存装置性能提升与价格下滑,数据科学家得以将目光由结构化数据 (structured data) 投向非结构化数据(unstructured data)。简单来说,语音与文字资料的记录得以被分析。首先,传统客服电话的对谈内容已经可以直接语音转文字,再将透过自然语言处理 (natural language processing, NLP) 文字探勘进行客户诉求分析。让客服人员与顾客抱怨的对话内容与处理过程都变成顾客档案的一部分。甚至,为了节省客服人力,运用相关数据科技开发出来的聊天机器人也应运而生。顾客在网站上或在卖场内的输入装置都可以直接询问聊天机器人(通常是文字对话)与卖场或商品相关的资讯。如此一来,不但资料搜集的流程直接进入电脑,聊天机器人甚至可以根据对话过程主动建议顾客适合的商品。相比之下,传统客服人员虽然可以做到更细致的服务或应付更随机的问题,但人脑记忆容量有限,我们不可能苛责客服人员记得卖场内成千上万种商品的品名特色或所在位置,更无法期待客服人员随时调阅提问顾客的顾客档案,即时掌握顾客的品味,在对话结束前的黄金时间内做最有效的商品推荐。

非结构化资料的来源还可以是网路上的社群讨论或任何内容媒体流传的一篇报导及底下的留言评论。君不见网路留言的病毒式扩散效果,早已是每一个行销人员必修课程。不理解粉丝团或网路搜寻优化威力的行销人员,想来在公司内发言权也将逐渐式微。针对网路时代新的行销宣传趋势,网路舆情分析 (social listening/social media monitoring, SL) 早已经广为企业行销人员采用。甚至,居于市场领导地位(或有心急起直追)的厂商,还逐渐了解到市场商情调查 (market intelligence, MI) 不再是复制-粘贴加一大堆的研究人员解读,运用NLP开发的MI系统让市场商情走向的掌握不再是大公司才能拥有的独门利器。相对于滥竽充数的类似产品,优秀的数据科学家开发的SL与MI,可以让企业迅速掌握产业趋势、发掘潜力产品或技术,也可以监控网路上意见领袖或重量级媒体报导对于企业自己或竞争同业产品的影响,更快速的采取应对之道。此外,结合SL与MI的精神,擅长NLP的资料科学家还可以开发出竞争同业的监控方案。

行文至此,读者可能已经体会到“数据爆炸”这个名词的严重性。看中这个市场潜力的业者,从传统系统整合商、标榜数据分析的软体开发商、提供高速资料处理的硬体系统商,到物联网应用方案提供者,大家无不强调自家开发的产品或方案能够为企业快速处理分析急速增加的数据。在这些玲琅满目的众多的选择中,企业应该先问自己,数据搜集的目的是什么;更精确地说,企业希望解决的问题是什么,哪一种或几种数据可以有效地回答待解决问题。不论是智慧制造、智慧零售或是智慧建筑的方案,这个问题都是最优先要回答的。循着这个逻辑,下一步应该盘点企业内是否已经拥有相关数据。若答案是肯定的,紧接着要思考用传统的统计分析、商业分析 (business intelligence) 或更进一步的机器学习 (machine learning)来解答。如果数据的复杂度需要用到机器学习,那么企业内有熟悉资料科学的人员可以处理吗?当这些问题都清楚审视过后,哪些软、硬体工具适合企业使用的答案就自然浮现了。

若是企业目前拥有的数据不能回答待解决问题,则在进行上述思考过程前,必须更优先评估如何取得必要的数据。传统上,企业在买电视广告前,通常会买一份收视率调查报告,再针对自家产品的特性与预算规模,选择投放广告的频道及时段。然而当前个性化消费的时代来临,企业已经不能满足于电视广告这种单向且无差别式的沟通方式。互联网经济下,顾客在网站内浏览行为是最直接的行为数据。只是时代往新零售模式迈进,线上结合线下 (online to offline, O2O) 乃至全渠道(omni channel) 已然成为势不可挡的趋势。

因此顾客在线下的行为,甚至是在不同渠道或场景的一举一动能否更大幅度地被记录,已是企业不得不面对的难题,这就是笔者一贯提倡用物联网应用方案协助企业的背后缘由。然而,值得说明的一点,没有清楚针对企业需求组合的物联网应用方案绝对不是一个好方案,而且没有对接数据分析功能(不论是内建或有意识地输送数据到其他数据分析软件)的方案,只是一个骗取客户荷包内预算的花架子。企业在选择诉求智慧零售/智慧商城方案时,首先应该检视相关方案的系统架构,才不会浪费时间与预算。

零售餐饮是个直接面对顾客的行业,企业每天要处理的都是事关”人”的满意度的议题。在互联网快速迭代演进的中国,小从POS的互联网化开始,许多从业者将原本笨重的收银机转为手持装置,概念上与手机相似,连里面装载的应用程式也相仿,因此可以大量使用既有的互联网架构与资源,让收银机的成本大幅下降。最重要的是透过这个联网装置可以直接与网络社群接触,实际实现了O2O的精神,将顾客从过去的过路客,拓展到惯于使用网络的新世代,还将他们带到店内消费。借由目前已经蔚然茁壮的云产业的支持,一个便宜的手持式装置在某些方面的表现甚至还强于昂贵的电子式收银机。在这个观念上更往前一步的则是专注于开发云端的POS系统,他们不挑选特定轻量型装置(不强调客制化的手持式POS,即便是一台iPad也行),这种理念开发出来的POS方案,甚至跳脱服务单店的手持式POS,进而支持规模数量庞大的连锁体系,此时搭配互联网上各种点餐快送app,更加将线上向线下导流发挥到极致,这样的方案如果搭配ERP及CRM,再加上各种物联网应用方案,可以为大规模连锁总部提供更快速即时的多种顾客行为及企业内经营效率资料。

锁定数据源并完成数据搜集后,企业紧接着应该向方法论的下一步迈进,有意识地依照顺序交叉使用各种管道收集得来的顾客数据。

举例来说,成交数据代表着前一阶段各部门集体努力的经营成果,这里通常是分析的起点,加上各场合获得的顾客行为数据,是大多数顾客推荐系统处理的范畴。然而个别顾客推荐系统能够处理的数据栏位、采用的演算法、处理数据量与处理速度等等都是企业应该评估的重点。然而,从成交记录出发另一个处理的角度可能是企业进货(或备料)预测,这部分的分析除了更加需要产业知识 (domain knowledge) 外,对于选择适合的一种或数种演算法能力的要求更高,因此对于数据科学家的要求更高。而且,外部的非结构化资料也可以在适当的时点投入被交叉分析的行列中。这一切都要求数据科学家与企业各相关部门人员在导入初期就讨论出适合被解决问题的方法论,才能有效率的回应企业在新零售时代的挑战。

借用Frost & Sullivan的Smart retail journey图叙述企业对于的智慧零售演进历程,过去我们处在一个数据片段破碎的零售时代,随着数字化潮流的来临,企业一直朝着运用数据改善营运效率的方向前进,最终我们将被数据包围,而且在无接缝的环境下善用各种不同性质的数据,完整描绘顾客,清楚结合市场走向与资源运用后,精确的规划企业策略。但有句老话说:『尽信书不如无书』,企业在没有确认自身的需求,没有理清回应这个需求必须解决的问题前,不宜贸然投入太多资源扩编相关团队或导入所谓的智慧零售方案。否则,搜集数据的装置要钱、储存与运算快速增生的数据需要的软硬件要钱、分析资料的人员要付薪资,用了不可靠的分析造成企业经营方向偏移或浪费时间的代价更高,经营者与决策主管不可不审慎为之。

本文来源:“数据爆炸”的物联网时代,智能零售中数据分析的价值与应用

点击这里,获取更多IOT物联网设计信息

围观 20
3083