【母婴新闻】新零售的另一种解题思路：重新认识数据行为

这个问题在经济学上有很多解释，但其中有一个是可靠的:水平排队可以减少空人的压抑感，一方面，它使整个空房间看起来更宽敞，另一方面，它可以减少人的流动频率和缓解/。

通过横向排队改变行为规则，使咖啡馆区别于快餐店，确定自己的消费群体和商业模式，是一个非常好的经济案例。

最重要的一点是，它展示了行为可以带来的商业结果。经济学有个分支叫行为经济学，专门研究这个。著名心理学家卡列曼也通过构建行为经济学的中心账户理论获得了诺贝尔经济学奖。

以上是为了说明行为科学和经济学交叉可能发酵的价值。所谓行为研究，就是针对个体和社区对内外环境变化的反应。我们每天的一举一动都不是行为，习惯、工作、爱好也不是行为。

有趣的是，行为是一个非常好的数据样本，比如你每天的出行路线，网上的浏览轨迹，相机里的一举一动都可以数字化。数据本身的操作也是一种行为，比如数据操作、建模、流动、交换。我们今天的世界可以说是从行为数据化开始，到行为数据化结束(嗯，我承认这一段有点绕弯，不过没关系，下面会更绕弯)。

关注数据行为，可能会得到很多东西，绝对不是一篇讨论的文章。所以我们不妨在这里举个例子，看看数据行为主义可能激发的想象力。

最近，一个特别流行的概念是新零售。马云在提出新零售的时候就明确表示，这是线上线下和数据融合的产物。目前我们看到的生物识别+无人超市就是线上数据来到线下场景的一个例子。

但是数据行为可能会给我们更多。今天，我们的主题是以不同的方式理解数据，为线下消费开辟更多的可能性。

结果和过程:从另一个角度看待数据

首先，我们需要知道一般看到的大数据是什么。

比如我们看到大数据显示每天使用多少自行车共享，一年房价上涨多少，地区农作物产量的数据变化，这些都是大数据的结果。

我们看到的数据是经过数据收集、操作、整理过程后，人们可以理解的扁平大数据。我们可能知道很多以前不知道的事情，但这绝对不是大数据的全貌。

比如，我们可以看到一个地区的交通事故总数和时间曲线，却看不到每个交通事故是如何发生的，是什么原因造成的，哪些事故因素可以改善，哪些事故可以及时抢救，甚至哪些事故可以预防。

如果我们看到的数据原来是二维的动漫人物，那么看不见的数据就是三维的完整的人，这就是数据行为。

数据行为不仅是数据的增长过程，也是数据在整个时间空关系中的互动状态。比如具体数据的轨迹，数据的折返区间，数据的多样性，与预期模型的差异。

这个可能有点太抽象了，举个不恰当的例子来解释:你买了一盒冰淇淋，这是数据的结果，证明你喜欢这个牌子的冰淇淋。但是数据行为可能显示你问了几个断货的牌子，挑了几个太贵的牌子，发现太烫，最后买了这盒冰淇淋& hellip& hellip然后咬一口扔掉。这都是数据行为，也是其他冰淇淋品牌占领这个客户的机会。

当然，数据行为太复杂了，因为它是跟踪数据而不是整理数据。这份工作不称职。但是人工智能不是用来解决人类做不到的任务吗？比如迁移学习技术已经被用来跟踪城市中每辆车的正式轨迹，这是一种解读数据行为的尝试。

因为数据行为是千变万化的，具体的，细微的，可能特别与人与社会的互动有关。解码数据的行为已经成为人工智能介入生活的好机会。

用户数据行为

为了了解如何使用数据行为来推动新的零售，我们必须首先了解哪些数据可能会对零售场景产生影响。这里我们可以把它分为两类:个人用户数据和群体数据。

通过大数据了解用户并不是什么新鲜事，甚至有点老生常谈。但是根据用户数据的数据行为来了解你的用户是空白。

通过解码数据行为，你对用户有什么新的认知？

首先，数据行为在时间上具有相同的频率，可以让掌握数据的企业在多端口数据源的汇聚下认识用户。比如我们的社交行为，内容阅读行为，购物行为，以及我们在现实世界中，在交通信息中，在工商信息中用相机拍摄的，其实都是我们自己的剪影。通过时间的概念整合这些数据，我们可以将它们合并成一个相对完整的用户图像。其实把自己每天的所思所见所闻和公众视野中曝光的数据联系起来并不难。这样，企业对用户消费动机和规律的把握就会提升到一个新的高度。

再比如，数据行为会检测用户消费轨迹的变化。大部分人的生活都有稳定的消费规律，高和低都有自己的规律。一旦出现峰值，就说明用户有某种消费异常。实时分析这些消费数据的行为轨迹，可以实时提供精准的服务，比如在用户突然有消费冲动的时候提供有针对性的指导，在用户消费轨迹放缓的时候给予消费刺激，在用户消费已经进入极端低谷的时候，是时候考虑提供网贷产品了(开个玩笑)。

数据行为带来的另一个变化是企业可以度量用户应用的使用模式。比如一个篮球运动员一周应该打五次，一个半小时。但是，如果用户使用量减少，这可能表明产品本身有问题。当然，就篮球而言，可能只是因为用户懒，但对于互联网产品来说，用户行为和预期模型的差异可以解释很多问题。

组织行为中关键信息的比特化

除了通过人工智能检测单个用户数据，还有一种检测集体数据行为的方法。例如，人流轨迹识别技术已经应用于城市安全。

这种技术可以观察一个群体的动态，并从多个数据源收集和分析数据。很难全面监控这类数据，但关键信息可以被比特化。永久保留并应用于许多领域。

例如，在一栋办公楼的中午，人脸识别不开心的人数急剧上升:这可能表明必须投入更多的人力来外卖。或者地铁站早上人流量太高，人流量运行缓慢:这可能说明应该投入更多的自行车共享。通过对这些数据的关键值进行比特化，可以为企业提供非常好的运营基础。

这只是人流数据行为最基本的应用。具体到相对垂直和复杂的社区组织，数据行为的适用性会更广。

有一门多学科交叉的学科叫组织行为学，专门研究人的心理和行为表现及其客观规律，以达到预测、指导和控制人的行为的能力。通过计算机计算来计算和预测组织行为中个人和社区之间的相互作用，很可能会带来无数的应用可能性。

如何刺激消费

说到这里，如何将数据行为应用到新零售中？

综上所述，数据行为可以更好地理解个人和群体在时间轴上的精确运动和动机。这使得许多基于移动互联网的简单商业激励变得更加复杂。

通过对在线数据行为的广泛测量和书写，结合现实世界的数据采集端口提供帮助。人工智能至少可以为离线消费场景构建以下能力:

一、解决地理空:的推荐问题我们都经历过所谓的智能推荐，基本都是根据你的浏览记录来做购买推荐。这种推荐本身就很怂，做线下推荐往往会失败。因为系统只能知道你的位置，却无法预测你的目标，也无法知道你的运动轨迹。更多的时候，用户需要找到自己的消费。结合跑步轨迹、消费轨迹等数据行为，有可能在地理空:准确实施线下消费推荐不要走错路，浪费时间，就近寻找你的消费可能性。

二、解决实时性需求:数据行为检测的特点之一是具有非常强的实时处理能力。很多消费机会是实时出现的，可能用户自己都没有注意到。但是数据系统可以感知到。比如数据证明你渴了，你可以从以往的消费数据判断你的口味，然后实时查看饮料店的消费可能性。这就整合了很多消费机会。

三、提供线下智能服务:新零售一直有一个期待，就是你到了店里，会发现店里摆满了你需要买的东西，不用自己去找。这种消费场景听起来像读心术，也有可能通过测量你生活各个方面的数据行为得到结果。人们线下消费的频率其实很稳定。使用迁移学习和过去的数据来生成一个人的购物期望模型并不是不可能的。

第四，根据群体行为调整供求策略:如上所述，群体行为往往决定了许多服务和消费的市场，群体行为的往复变化也决定了许多依赖人的消费场景的兴衰。测量人群，实时调整供需和营销，可以在人群场景中为线下消费企业提供极大的效率提升。

相比我们经常看到的图表和结论，大数据其实能反映更多的东西。我们每天都接触数据收集者，成为数据的用户和消费者。比起无休止地增加数据量，我们可以通过将现有的数据三维化、行为化来探索人类社会的无数秘密。

数据会继续带来更多的变化，同时也会引起更多的恐惧:人类面对人工智能可以理解的海量数据，有哪些秘密和隐私？