对数据感兴趣的传统零售商正在不断增加。问题是,面对看起来“高大上”的客户分析和人群画像报表,要怎么引流?怎么提升转化率?
理想状况下,数据驱动下的零售业态将获得远高于现在的效率,例如为企业的决策提供量化支持,对细分客户群进行更加精准的全域营销和个性化服务,更有针对性地开发新品、预测销售,加快供应链周转速度,最大程度降低库存……
但是,由于零售本身链路较长,受限于现有的技术手段,数据分析可以做到追踪人与场的关系,但如何追踪人与门店里的货的关系仍然没有得到解决。亚马逊高调推出的无人便利店Amazon Go就遭遇过类似的障碍。据《华尔街日报》报道,Amazon Go原计划3月底面世搁浅,原因之一就包括若商品在货架上的位置发生变动,对它的追踪可能出现麻烦。
另一方面,零售商的数据人才配置并不完善。领英2016年发布的《中国互联网最热职位人才报告》显示,数据分析人才是目前最供不应求的类别之一,也是跳槽最快的类别。现有的人力资源中,分析师平均从业时间不到5年,资深从业者最为稀缺。
因此,如何在现有能力下提升数据的结构化程度,使零散的单个数据形成立体面、再与业务结合成有血有肉的模式将成为【友盟+】接下来要解决的关键任务。
李丹枫认为,即便是完全没有接触过数据工具的传统零售商,都需要一位专门负责数据工作的专家。现在零售商在数据上的支出情况并不明朗,大多只是从市场营销方面划分出一块预算。“所谓隔行如隔山,更别说传统零售跟现在的互联网数据隔得更远了。如果没有一个人整天思考商家需要什么数据、数据能解决什么问题的话,那商家可能会在整个数据化和智能化进程中渐渐落伍。”不仅如此,这位数据专家的工作成果要能够直接影响决策,并且有一定的试错空间,“这个东西的确还很新,即便失败了,商家对于数据的理解也是一件‘成功’的事。”
同时,因为完全依赖“人肉”来解决浩如烟海的数据报表成本极高,基于现有的市场反馈,【友盟+】正在思索如何把数据转化为看得见摸得着的东西——例如营销策略、用户触达策略等工具给到用户,使数据变为数据智能,用人+机器的方式更高效地探索数据的价值。
从现在的痒点到痛点距离有多远?李丹枫不认为是“临门一脚”或终点冲刺。“如果把这个过程比作百米赛跑,前面做行为分析、客流画像等,可能只是前十米,接下来要再解决一个十米的问题,慢慢往前进。”他说,“我也希望线下的商家能够跟我们一起,来真正找到数据驱动线下零售的价值。我们找到了一点点,还有90%以上的潜力没有发掘出来。”
来源|新零售智库