2018年是新零售爆发的一年，相信大家都感同身受，便利店比以前多了很多，几乎随处可见，也感觉一两个月没去过超市了，买菜买生活用品都用手机下单，第二天早上就有人送上门了，街上还时不时又见到一些零售新业态。但也常常看见街上有很多店铺冷冷清清，门可罗雀，没过多久就关门了。从中，我们感受到了生存的残酷。
对零售企业来说，其核心竞争力在于“提销量，控成本”，即开源与节流。新零售企业的发展，得益于越来越多新技术的落地应用，得益于将新技术不断应用在开源和节流这两个方面上。
下面是大数据及人工智能在新零售行业的一些主要应用方向，拿走不谢!
一、运营
1、会员管理
会员运营是新零售企业很重要的工作，而做好运营工作的前提则是有效认识会员，会员运营则是基于会员标签基础上进行的。
会员标签有基础性标签，也有高级标签。而高级标签则通过建立算法模型计算出来的，主要用到的算法模型有：
- 会员分群，包括价值分群、行为分群、生命周期分群等等;
- 会员流失预警，从结果中筛选出流失、沉睡会员，通过流失挽回、沉睡唤醒等活动策略对这些会员进行激活;
- 会员偏好评估，包括购物偏好、品类偏好、品牌偏好、价格偏好、购买时段偏好、等等;
- 购买倾向预测，预估会员在未来一段时间内购买某个单品或品类的可能性，可用于筛选出具体某个商品的潜在目标客群;
- 到店时间预测，预估会员下一次到店或购买的时间，可用于VIP到店提醒;
- 重复购买预测，分析会员是否存在定期重复购买某一种单品或品类的规律，并以此判断出会员下一次到店购买的时间以及可能购买什么商品;
- 会员忠诚度，忠诚度高的会员是企业的优质会员，需要重点维护;
- 会员稳定度，反映会员消费行为的稳定性，不稳定的会员需要加以维护;
- 会员购买力，包括会员的整体购买能力，以及会员对单一品类的购买能力(即倾向于购买多大价位的商品);
2、活动圈人
发起促销活动时，除了要精心设计活动外，还需要找准目标客群。这时，就需要结合内外部数据，对会员进行精准的特征刻画，形成多维度、深层次、精细化的标签体系。
3、线上运营
新零售一个特点是线上线下融合，线上触达客群，线下购物体验，线上领取优惠券，线下到店享折扣，线上下单，线下提取。在线上，新零售企业一般会有微信公众号、微信群(例如，时下兴起的社群营销)、网上商城(小程序、APP、自建商城、等)、第三方生活服务平台(如美团、饿了么)等渠道和工具。
商品推荐
根据会员基本属性、消费、浏览、搜索、活动参与等信息，分析用户的消费偏好，并在不同的场景和时机下，向会员推荐合适的商品。
例如，当会员浏览圣诞帽的商品详情页面时，则可向其推荐圣诞树、圣诞袜、圣诞苹果等与圣诞节相关的商品;当会员进入购物车页面时，购物车中已有婴儿奶粉，则可向其推荐婴儿用品(如奶嘴、奶瓶等)相关的商品。
网站优化
对于网上商城，通过埋点获取每个会员/游客详细的页面浏览数据，根据这些数据，可以知道会员/游客从哪个页面进入，中间看了哪些页面，停留了多长时间，浏览、点击还是收藏，最后从哪个页面跳出。基于这样的数据，可以进行漏斗分析或浏览轨迹分析，分析网站中某些关键路径的转化率，以确定整个流程的设计是否合理、各步骤的优劣、是否存在优化的空间等，并不断优化页面设计，提升用户体验。
二、商品/采购
1、智慧选品
新零售时代，选品很重要!
由于新零售基本实现了线上线下同价，因此，可以采用爬虫技术，获取门店所在商圈的同行竞品信息，包括商品标题、品牌、产地、属性、价格、销量、活动等。通过这些信息，可以知道：
- 同行竞品当前的品类结构和分布是怎样的，每个品类分别有多少种商品在卖?
- 同行竞品哪些商品卖得好，有什么特点?(侧面反映出所在商圈人群的购物偏好)
- 哪些商品是“我有他也有”，找出与门店中在卖的商品最相似的同行竞品，看看这些的商品当前价格，是否比自己的价格低，低了多少?
- 哪些商品是同行竞品刚刚上新的，哪些商品已经下架了?
同时，结合所在商圈客流人群属性、人群兴趣变化特点，智慧选品可提供有效的品类建议、单品建议以及动态定价支持，助力商品或采购部门决定当前“可以卖什么，不卖什么，卖多少钱”。
2、精准定价
依据大数据和算法，对商品进行“智能化”的定价，就是动态定价策略。以价格为轴心，基于商品价格弹性，结合市场竞争环境，为商品量身打造最适合的竞争性动态定价策略。
三、门店
1、客流分析/动线分析
通过摄像头视频监控技术，实时捕获进店顾客、离店顾客以及店外客群的人脸图片，并运用人脸识别算法对人脸图片进行处理，判断出顾客的性别、年龄等信息，并建立顾客的信息档案画像，包括经过门店频次、经过时段、进店频次、进店时段、新老顾客、在店时长等。
再进一步，可以在各陈列区域安置摄像头或探针，实时掌握每个顾客在店内行走轨迹的数据。
另外，也可通过自助结算终端在顾客结账时自动抓取顾客人脸，这样就可以知道哪些顾客进店之后最终会购买、哪些顾客是VIP会员。
以前零售企业只知道会员以及消费的信息，现在可以通过摄像头和人脸识别技术可以将消费数据和客流数据打通，获取更加丰富的信息，包括顾客(甚至周边人群)以及消费前的信息。
通过分析客流数据和消费数据，可以知道
近期店外客流、店内客流趋势如何，是否存在波动异常，找出原因，评估对门店直接或间接的影响，例如天气、节假日、周边设施建设、大型活动、促销、新品上市、门店装修、店内布局优化、服务提升，等;
店外客流、店内客流各时段客流分布。哪个时段店外客流多，可采取措施重点吸引该时段客流进店;哪个时段店内客流多，可在该时段合理安排店内人力多一点，提升服务水平，提高客户满意度;看看店内外客流在时段分布上是否存在差异，分析原因。
店内外客流人群特征。看看每天经过门店的是什么人，进店的又是什么人，进而可以明确门店目标客群与进店客群是否一致，如果不一致，则需要调整经营策略;看看店内外客群特征是否一致，进而知道门店是否”在对的地方找到了对的人”，店外有哪些主要客群是店内没有覆盖的，门店可制定差异化经营策略，吸引这些客群进店消费。
店外客流中有多少比例的人进店，即进店转化率，反映的是门店的吸客能力，即吸引店外客流，转化为店内客流;通过进店转化率的前后对比，可知道门店的吸客能力是否有所提升，或者某项促销活动的效果如何;也可用于不同门店间吸客能力的比较。
店内客流中有多少比例的人会购买商品，即消费转化率，在一定程度上反映店内客流中有效潜在顾客的比例情况;结合店内客流情况，通过消费转化率的前后对比，可知道门店的服务水平和销售能力是否有所提升，或者某项促销活动的效果如何;也可用于不同门店间的消费转化率对比，看看哪个门店的综合服务水平高。
动线分析，即顾客在店内的行走轨迹如何，在哪个区域停留时间长，进而知道哪个区域客流多，商品关注度高，可帮助优化商品陈列，提升整店坪效，优化人员配置，为促销安排做辅助决策。
另外，在顾客进店时，可通过与后台数据库的人脸身份比对，看看顾客是否会员，并且有什么优惠券领了还没用，进而向顾客推送提醒通知，提升顾客选购的概率。
2、刷脸支付
刷脸支付运用人脸识别算法，实时地将用户支付时扫描的人脸与后台用户档案数据库中的人脸图片进行比对，如果确认为同一个人，则通过支付。
目前阶段，刷脸支付还具有一定的安全风险。用户支付时扫描的人脸容易受到光线、角度等影响而导致与后台数据库人脸图片比对不成功，进而无法支付，或者用户A的人脸与后台数据库中用户B的人脸图片由于误判而比对成功，这样导致了“A消费但扣了B的钱”。刷脸支付需要具有极高的判断精度并将这两种情况的风险降至最小，才可广泛使用。
3、口碑分析
利用文本分析算法，通过分析用户评论数据(来源于线上商城商品评论、公众号文章留言等)以及客户满意度调研数据，可了解顾客对门店各方面的评价情况，包括：
- 门店整体口碑好还是坏;
- 顾客评价主要涉及哪些方面，服务态度、门店卫生、店内体验、商品质量、自助工具、物流配送、促销活动、等等;
- 除评价外，顾客提出了哪些需求或建议;
口碑分析结果，可以反馈给研发、运营、商品、物流、门店等部门人员，推动门店经营综合服务质量的整体提升。
另外，也可以针对与企业相关的某个特殊或重大事件，实时获取网络舆情数据，让管理者及时掌握舆论态势，及时做出有效的应对措施。
4、购物篮分析
购物篮分析起源于沃尔玛超市经典案例——“啤酒和尿布”，其主要解决的问题是：一群顾客购买了很多商品之后，哪些商品同时购买的可能性比较高?购买了商品A的同时购买哪个商品的可能性比较高?购买商品A之后购买哪个商品的可能性比较高?
如果在研究的问题中，一个顾客购买的所有商品假定是同时一次性购买的，分析的重点就是所有顾客购买的商品之间的关联性;如果假定一个顾客购买商品的时间是不同的，而且分析时需要突出时间先后上的关联，如先买了什么，后买了什么?那么这类问题称之为序列问题，它是关联问题的一种特殊情况。
购物篮分析的结果主要用于：
- 将关联度高的商品捆绑在一起，或者摆放在一起，以折扣优惠的方式，吸引顾客购买;
- 向购买了某商品的顾客，推荐与该商品关联度高的其它商品;
5、商品陈列
零售的三大场景包括陈列、收银和盘点。商品陈列直接影响着顾客的购物体验，门店经营者在陈列上也是费劲心思，极力迎合顾客消费习惯。
通过动线分析可以指导顾客在店内的行走轨迹，并结合分析订单数据发现顾客购物习惯，用以指导商品陈列。例如，发现有部分顾客经常购买一些高单价商品，但这些商品没有摆放一起，或者和其它商品放一起很难找到，因此，可以设立精品区，将高单价优质商品集中在一个区域，方便这些顾客选购;18年俄罗斯世界杯期间，数据发现啤酒和小龙虾被同时购买的订单很多，于是可以将啤酒和小龙虾捆绑起来摆放在一起并以折扣优惠的方式来售卖。
6、货架监控
通过摄像头和图像识别技术扫描和分析冰柜、货架、对头等陈列设备上的任意商品，判断出货架上的商品是否开始变质或快过期了(例如，与昨天比，今天的香蕉表皮开始出现了斑点)，商品摆放是否凌乱，是否有商品没有放对位置或没有放回原位(例如，香蕉的区域放有一个苹果)，哪个商品开始缺货了，等等，并将结果及时通知店员。
7、智能巡店
智能巡店为管理者提供视频巡店、图片巡店、现场巡店等多种巡店方式，让管理者“运筹帷幄之中，决胜千里之外”。管理者可在监控中心、移动端上看到各门店的实时视频，还能通过监控中心向前端云台发出控制指令，控制云台进行门店细节观察，对门店进行远程实时抽检监控。平台支持视频的截图编辑和在线考评操作，确保企业各级管理者可以无障碍的到达门店，随时进行货架、员工、卫生等情况的监督考评，降低巡店成本，提升巡店效率。
8、智能防损
防损工作是商超运营的重中之重。针对内部原因造成的商品损耗，可在收银环节进行POS收银监控。系统将收银过程中的单票内容与监控视频实时叠加显示，通过时间和小票单据号实现历史交易视频快速查询和回放。既能为实体零售管理者提供有效的门店防损监督手段，也为交易纠纷提供可视化交易追溯举证。
另外，通过人工智能技术可以快速识别“惯偷”等特殊人群的人脸信息并推送警报，方便店员及时采取措施，减小损失。同时，还可以共享人脸信息，把重点人员信息同步到各个门店。
9、人员排班
通过时段分析可以知道哪个时段客流多，哪个时段客流少，更进一步可以知道每个时段分别是哪些区域客流多，哪些区域客流少。从而可以却确定在各营业时段分别安排多少人，分别安排在哪些区域，等等。
另外，也可利用算法预测各门店在高峰期(如大促、节假日等)的业务量，灵活调配人员以现场支撑。
10、商圈分析
通过融合各方面的内外部数据，可以获取各门店所在商圈的信息，包括：
- 商圈的宏观经济发展数据，人口规模如何，居民收入水平如何;
- 商圈有多少写字楼(高、中、低档分别占多少)，有多少住宅，楼价多少，有没有学校、工厂、政府部门/事业单位、等等，从中可以知道商圈中人群的构成，即白领、居家人群、学生、工人等身份人群分别占多少;
- 商圈的位置、交通情况;
- 商圈人群特征，包括基本信息、购买偏好等;
利用这些信息，可应用于门店选址，也可帮助管理者决策在各门店“卖什么，不卖什么”以及合适的促销策略。例如，在高档办公区域的门店，优质、高价位的便当、水果、零食可以多些，生鲜类商品则要尽量少些;而住宅区的门店，生鲜类商品可要多一些。
11、竞店动态
通过线上数据抓取、线下调研采集等方式，获取各门店周边竞争对手的信息，包括：
- 竞争对手当前在卖商品的品类结构，即哪些品类的商品多，哪些品类商品少;
- 竞争对手具体在卖哪些商品，价格如何，有无降价，销量如何;
- 竞争对手当前在做什么活动，吸引了多少客流，效果如何;
- 竞争对手最近上新什么商品，下架了什么商品;
- 竞争对手门店陈列布局情况;
- 关于竞争对手的其它信息;
所谓“知己知彼，百战不殆。”知道了竞争对手动态，门店可在优化品类结构、选品、促销、陈列等方面采取相应的措施。
12、可视化大屏
数据可视化是信息化的最后一公里，是用户直接感受数据魅力的最后环节，尤其是看到类似阿里双十一大屏这样的实时可视化大屏的时候，相信很多人都惊叹不已。
可视化大屏采用大数据技术，实时计算关键的KPI指标，加以高度数据可视化，最终动态呈现在大屏上。通过可视化大屏，用户可了解截至当前各项核心指标的最新情况，例如，当前累计营业额、新增会员数、哪些商品卖得最好，等等。
可视化大屏特别适合应用在以下几个场景：
- 新店开业;
- 大型促销活动;
- 投资人、合作伙伴、重要客户来访，公司能力展现;
四、拓展
1、智慧选址
古人云：“天时，地利，人和”，一件事成不成，地利就占了三分之一，可见位置有多重要。对于线下零售门店来说，选址的重要性不言而喻。
传统选址周期长，成本高，决策所需数据大量来源于抽样调查、实地考察、现场卡表统计等人工收集，区域人口分布、人群特征等数据均依赖于少量问卷调研、现场监测人员经验判断、二手数据资料、过多依赖人工经验，且人工收集的数据质量存在滞后、不准确问题，容易影响最终的选址结果，数据准确性低、选址效果难保障。另外，选址也缺乏目的性，当前选址如大海捞针，需要从区域中找出大量可行区域，再从众多区域内的海量街道和店铺中找到基本合适的网点地址。
智慧选址通过数据抓取、数据交换、数据引入等多种方式，融合维度丰富的外部数据，依据各区域(粒度可细至商圈、街道)区域经济发展、配套设施、客流及趋势、竞争对手分布等信息，综合评估各区域的价值，筛选出有潜力且适合拓展的潜在区域。在此基础上，深入洞察潜在区域的客群特征，并分析潜在区域的主体客群与企业自身客群定位的匹配程度，从而从潜在区域中进一步确定出目标区域。
简单来说，智慧选址可帮助零售企业“在哪里开店、卖什么商品、卖给谁、覆盖多大范围”。
五、客服
1、智能客服
目前，在中国智能客服市场已经涌现了一大批提供第三方智能客服服务的企业和智能客服产品，例如IBM Waston、科大讯飞、小i机器人、智齿科技、小能机器人、玻森、追一、网易七鱼、微软小冰、阿里小蜜、百度夜莺、思必驰、第四范式等等。
智能客服机器人基于自然语言处理、大规模机器学习、深度学习技术，使用海量数据建立对话模型，结合多轮对话与实时反馈自主学习，精准识别用户意图，支持文字、语音、图片的交互，实现了多领域的语义解析和多形式的对话，实现批量、高效、准确、灵活地应答客户问题，降低企业客服人力成本，提高客户满意度。
智能客服机器人一般的工作流程如下：
- 首先用户以文本或语音的方式描述自己遇到的问题
- 机器将用户的问题转换成能理解的形式
- 将文本通过模型解析，找到知识库中匹配度最高的“答案”
- 最后把答案输出，以文本或语音的方式反馈给用户
六、仓储
1、库内监控
通过对仓库运营监控，实现可视化管理，指导现场管理人员处置干预，提供辅助决策支持。建立仓储实时作业监控体系，建立入库、库存、出库三大体系管理实时监控功能。提供仓库单量预测及排班建议，根据预测单量、人工效能，实时计算排班人员，为仓库排班提供数据支撑。
库内监控的目的就是要将仓储信息实时化、透明化、公开化，建立监控、监督机制，提高人效、坪效以及货品周转。
2、拣货路径优化
拣货效率的提升依赖于货物的摆放、拣货路径优化、改善设备等。
货物要摆放在合适的货架上的合适位置，会遵循一些原则，例如，
- 销售量大或者促销商品应该摆放在靠近仓库出口处或进口处的货架上;
- 销售量大或促销商品应放置在黄金货架中间的黄金位置;
- 销量小的商品放在货架的最下层或最上层;
拣货路径优化则是属于地理信息学中的路线规划问题，主要利用运筹学、动态规划算法，在最小化拣货时间、成本等多种约束下，确定出效率最优的拣货路径。
依靠人工拣货，出错率高而且效率低，因此，当前在仓库拣货环节开始无人化，如拣货机器人。
七、配送
1、智能装车
根据预测的需求量，运用优化模型计算出每个地区的补货频率。同时，结合车型、运载量、运输成本等相关运输数据，计算出未来一周最优的排车计划。排车计划会结合各补货计划人员负责的区域，以均衡各人的工作安排以及更妥善的人力分配。
排车计划由于受到公司策略、产品促销、库存调配、人手安排等因素的影响，具有一定的变动性。计划人员可以灵活方便地对其进行变动，而这些变动又被系统纪录起来，并区分成计划调整和临时变动两种状态，以作为日后排车的依据和对排车效果分析的数据源。
2、运输路径最优化
同样地，运输路径优化也属于地理信息学中的路线规划问题，利用运筹学、动态规划算法，在运输成本最小化、配送时效最大化等多种约束下，输出最优的运输解决方案。
3、运输监控
运用网络通信以及GPS定位技术并结合挂载的拍照摄像头、大数据可视化技术，实时定位追踪运输中的车辆，随时掌握车辆的实际位置和运动趋势，以及对车辆运行状态的监督。同时，实时判断出以当前速度是否延迟到达目的地，并发送延误预警，以便及时做出应对措施。
八、供应链
1、销售预测
基于机器学习、深度学习等算法技术，结合考虑天气、节假日、促销、新品发布等影响因素，从商品销量或销售额的波动趋势中发现变化规律，并预测未来一段时期内的销量或销售额。销售预测模型可实现自动化、批量化、层次化的预测，即可预测不同层级部门(如总部-大区-省-市-区-商圈-门店)下不同层级商品(大类-中类-小类-商品)的销售预测。销售预测结果可应用于以下几个方面：
- 公司战略或年度计划制定;
- 分仓决策;
- 自动补货计划的制定;
- 业务高峰期人员、物资等资源调配;
2、智能分仓
智能分仓可运用遗传算法等优化算法，根据销量预测、仓库网点布局、运输成本与时效等因素，模拟计算各种可能的分仓方案下的成本与时效，并给出最优的分仓方案。
3、自动补货
大多零售企业存在关于客户需求和库存水平之间的矛盾：一是库存过剩，即客户的需求量低于库存量，这种情况下出现存货积压，增加库存成本;一是库存不足，即客户的需求量高于库存量，这种情况会造成部分客户无法及时买到需要的产品，服务水平下降。解决的方法是：对客户需求量进行预测，按需供货，优化库存水平。当库存水平刚好能满足客户需求量时，为最优库存量。这是最理想的状态，实际中很难完全达到，而只能尽可能逼近最优库存水平。
自动补货策略的制定，主要基于多层次的补货网络，从成品生产的工厂到物流中心到外仓，从外仓到门店，综合考虑各个商品的预测销量和需求的变动、运输时间、包装规格、库存成本、运输成本、运输频率、客户服务水平、库存策略、最小订货量等影响因素后，更精细地动态制定库存补货策略，包括重订购水平以及订购至水平。这些补货策略能细致到具体每个仓库、每个门店的每个商品，而且随着时间的推移动态适应市场变化并进行相应的调整。
九、人力
1、人岗匹配
人岗匹配模型运用文本挖掘和知识图谱技术，将简历和岗位信息从家庭背景、学历、工作年限、工作经验、项目经历、职位、业绩等方面进行有效地解析，从而确保简历和岗位能够精准匹配，从而提升HR工作效率，降低招聘成本，帮助HR完全运营和盘活人才库，更好地将企业人才积累发挥最大的价值。此外，模型还会根据更多招聘行为的产生自动学习调优，进一步学习并描绘出职位的候选人画像，极大的保障了“岗得其人”、“人适其岗”。
2、离职预警
通过分析员工的基本信息(岗位、工龄、入职年限、工资、绩效、家庭情况等)、打卡签到、工作表现、浏览网页、问卷调查等方面的量化数据，运用机器学习算法，挖掘出员工离职前的表现特征，并预测出哪些员工最可能于近期离职，助力HR及用人部门提前进行干预及安抚，保持人员稳定。
