【 图片来源：pixabay 】
过去两年，零售这个古老而传统的行业被推到了技术革新的风口浪尖。这场变革为何来得如此突然？背后的推动力又是什么？这是TalkingData合伙人&执行副总裁林逸飞和同行们反复探讨的话题。
其中被提及最多的，就是线上流量见顶。互联网巨头们开始转战线下，给传统大型零售企业造成了巨大的压力。这种压力催生了大型零售企业对移动化、数字化和对接线上流量的诉求。他们面临着两个选择，要么更加全面深入地倒向腾讯、阿里，要么在二者的夹缝中建立自己的流量和数据运营能力。
电商崛起也曾给线下零售造成过冲击，但远不如今天来得剧烈，加之当时技术成本太高，未能成功激发零售行业的技术革新。今天移动终端大规模普及，移动网络的获取成本、支付和流量的对接成本急剧下降，为零售企业建立自己的数字化能力创造了可能性。
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化能力，零售企业需要建立相应的平台去承接。
TalkingData就是在这样的背景下切入零售市场的。TalkingData成立于2011年，是国内领先的第三方数据智能服务商。近7年的时间，TalkingData始终保持每年3倍的业务增长。切入零售市场至今的两年半时间里，零售业务版块的发展更是迅猛无比.
林逸飞认为，当微信这种十亿日活级别的平台开始释放流量和数据，须有零售这样庞大的市场才能承接。因此未来3-5年，零售领域将出现产业级和现象级的机会。他表示，TalkingData将在这一领域投入更多的人力和资源，以抓住行业变革的红利。
大数据在零售行业的应用由来已久，“啤酒尿布”的故事曾经广为流传。但今天零售行业的大数据分析和当年相比已经发生了非常大的变化。
林逸飞介绍，零售行业的大数据有几个特点：首先，和金融、保险等行业相比，零售业对数据运营的精细化程度要求更高；其次，零售行业对接的流量和数据变化非常剧烈，比如小程序，两个月就能做到1.2亿日活，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，一个垂直板块里就有少则几十家、多则几百家企业。
零售数据的维度也在不断增加。两三年前，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。“啤酒尿布”的故事只用到了“交易门”里的交易数据，它更多是一种事后推演。而今天，随着智能终端大规模应用，企业可以非常便捷地通过APP、社交网络等触点大规模采集用户的交互数据。传统零售经常提“人货场”，今天通过“交互门”里的数据我们还能在此基础上增加时间的维度，帮助零售商抓住营销的最佳时机。
“公开市场门”指的是客户在开放市场中的各种行为数据，这些数据本身往往并不与企业业务直接相关，但是可以很大程度上辅助企业开展业务，如移动App的数据、社交数据、微信微博的舆情数据等。
公开数据的获取并不是盲目的，需要以解决某些业务问题为出发点，否则会陷入“数据的汪洋大海”，反而不知道该收集什么样的数据。
不久前，TalkingData与腾讯云联合打造的大数据选址应用——智选，就是利用公开数据的绝佳范例。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门店选址、商圈运营诊断等问题。以前费时费力的选址工作，借助“智选”只需几分钟即可通过可视化、数据化的方法快速做出决策。
林逸飞介绍，腾讯云就像一个基础数据加工厂，拥有丰富的原材料。而TalkingData离客户更近，知道如何用算法模型解决客户的实际问题，“我们做的是数据的精加工”。
当数据获取变得简单，数据维度不断增加，从数据中萃取商业价值的能力就成了企业的核心竞争点。
与交易数据不同，交互数据和公开数据是完全非结构化、高流量且时序紊乱的，数据之间天生不打通。这使得数据处理的底层技术发生了巨大变化，数据仓库等传统技术因无法应对现时流量的多波段变化，已经退居到了大企业的后台系统。
现阶段需要处理的数据维度之多，已完全超出了人力所及的范畴。以TalkingData服务的某餐饮连锁品牌为例，该品牌SKU数量不多，只有大约100个，但它在全国有数千家门店。TalkingData的目标是帮助其在营销端做到千店千面，在供应链端做到提前一天准确预测出第二天以小时为单位的客流量、原材料消耗数，以减少原材料损耗。为实现这一目标，TalkingData需要建立数十万个模型。如此多的模型不可能由人力进行调参，必须通过数据做自适应训练。
TalkingData在多年的业务实践中积累了非常庞大的数据量，鲜有同行能够匹敌。其次，TalkingData在机器学习和数据处理技术上也有着很深的造诣，同时具备大规模分布式部署的能力。此外，过去几年里TalkingData还不断从国外引进最新的技术，并在美国设立了自己的创新中心，不断修炼内功。
技术只是一方面，从技术到成熟落地的商用产品，中间还隔着一道鸿沟。林逸飞认为，打造一款成熟的商用产品，最重要的就是权衡客户的需求。TalkingData作为一家数据智能服务商，需要对接各种各样的客户，不同的客户对场景又有着独特的需求。产品只有标准化后才能成为商品，而标准化意味着要对客户的需求进行归纳和提炼。
为了在满足客户需求和标准化之间寻找平衡，TalkingData提出了一个金字塔模型。位于金字塔顶端的是行业的头部客户，这些客户的需求对于相应行业具有引领作用，可以辐射到腰部和底部客户，因此TalkingData会有选择性地满足它们的定制化需求。
位于金字塔中间的腰部客户数量较多，准确提炼它们需求比较困难。如果覆盖的客户数量不够，提炼出来的需求很可能是跑偏的。
对于金字塔底部更为庞大的客户群，林逸飞认为，经过顶部和腰部两层客户的需求提炼，做出的标准化产品已经能够比较好的满足这部分客户的需求了。
那么，头部企业探索出的能力和方法，如何更好地进行价值传递，赋能整个产业链中的中小企业呢？这就需要运用到数据中台了。
数据中台是今年特别热门的概念，包括阿里在内的很多企业都在打造自己的数据中台，只是大家对数据中台的理解各不相同。TalkingData对数据中台的定义是——基于数据智能应用探索商业价值的平台，它需要具有数据管理、数据工程和数据科学的能力。
去年的T11大会上，TalkingData正式对外发布了数据智能平台1.0，提供数据管理、数据工程以及数据科学的核心能力。经过一年时间的钻研打磨，TalkingData在不久前的T11 2018数据智能峰会上将其数据智能平台升级到2.0，内部称之为TalkingData数据中台，拥有管理、工程、科学以及安全、连接、共享六大核心能力。
林逸飞认为，很多零售企业的痛点在于，它不具备自己的数据和流量运营能力。零售企业很难建立庞大的自有流量，所以企业打造一个可以对接中部流量的数据中台是非常必要的。这样一来，企业就能在和头部流量的博弈中占据更多的主动权。
以TalkingData服务的一家大型服装企业为例。这家企业一年的营业额在500-600亿左右，其中90%来自线下，10%来自线上。而线上的10%中又有90%来自天猫，这意味着它在和线上流量的博弈中是处于下风的。
TalkingData花了七八个月时间帮它理顺业务思路，建立自己的数据中台，对接中部流量，进行精准的数字化运营和营销。仅仅通过六七次营销活动就带来了4个亿的收入增长，投资回报率最高的时候达到了94倍。
零售行业的剧烈变革才刚刚开始，TalkingData所展现的只不过是数字化巨大潜能的冰山一角。雷锋网雷锋网雷锋网
正在生成分享图...
付静