新零售概论

基于小数据的用户画像客户画像的广泛应用与大数据的发展息息相关。在我们提到“大数据”时，常会想到其巨大的体量、多样化的模态和有待挖掘的巨大价值等特点。越来越多的企业意识到基于大数据的分析将会给营销带来莫大的帮助，新零售的诸多实践也是建立在大数据的基础之上。然而，在求助于大数据的过程中，业界遇到了许多现实的约束和挑战。首先，随着互联网产业的发展，数据已经被为数不多的大平台高度垄断，与此同时每个平台垂直化的发展战略也使得各个垂直领域的用户数据被高度割裂。其次，全世界范围内正在掀起一波又一波的隐私保护浪潮，不但政府法律法规越来越完善，对获取个人和企业的数据有着严格的限制，禁止在未得到充分知情同意的情况下进行数据互联，而且个人的隐私保护意识也有大幅度提升。*后，在机构和个人都普遍意识到数据的价值的背景下，合法数据获取渠道的价格越来越高昂，超出了许多企业（尤其是中小企业）能够承担的范围。在这些现象的共同作用下，企业基于自身仅有的数据维度，对用户的洞察很难逃出“片面”和“粗浅”的困局。这样不完整和流于表面的客户认知对新零售而言是灾难性的，意味着企业既无法进行细致准确的客户人群细分，也无法探知客户行为的本质和深层原因。为了应对这些挑战，学界和业界都做出了许多尝试和努力。其中之一便是挖掘小数据的潜在价值。这里对“小数据”的分析思路与大数据的*大不同之处，不在于数据量的大小，而在于以更深入的方式理解关于个体的小维度数据。例如，你在微信上跟朋友聊天时更喜欢用什么语气词？你的书桌总是收拾整洁，还是经常杂乱无章？你是否常常错过早饭？又是否越到晚上反而越精神？这些都是关于你的“小数据”。它们只是认识你的一个很小的角度，但却又蕴含着丰富的信息量。对于企业而言，如果能够打开小数据世界的大门，就会发现自己拥有如此多获取难度低、且不涉及用户隐私的信息尚未被挖掘和使用。无数的心理学家、社会学家、经济学家已经像敏锐的侦探一样发现各种小数据（如手势、喜好、厌恶、装饰、推文）中隐藏着关于“你”的种种真相。那么，在新零售的应用场景下，我们如何发挥出小数据中蕴藏着的巨大潜力和价值呢？这需要探索有别于传统大数据的新思路和技术手段。科研机构和科技企业经过探索，已经形成了一些通过小数据认知形成丰富标签的工具。以华院数据分维（简称Fra+）智能画像引擎为代表，微博发文、购买记录、商品评论、问卷，微信头像等小数据，可以用于推测个人的价值观、风险偏好、思维习惯、人际关系、社会态度等覆盖几十个维度的数千条标签（见书中图3-34）。基于小数据认知的标签不但对用户画像的标签体系形成数量上的增补，更实现了对客户认知层次的深化。基于小数据的用户画像在许多新零售的应用场景显示出了出人意料的优势。在一个真实 的商业案例中，A是一个著名的摄影器材品牌，在进行营销宣传时，面临意见领袖（Key Opinion Leaders，KOL）的选择问题。个人流量和热度往往是评价一个KOL的关键指标，流量排名*高的KOL收费标准也高得令人咋舌。然而，在KOL的选择上，贵的却不一定是对的。如果选择了风格和调性与品牌不符、与目标消费者群体偏好相悖的KOL，效果常常适得其反。这种情况下，只掌握目标客户群体的基本信息画像是远远不够的（见书中图3-35），而客户的品味、偏好、兴趣却深深地隐藏在小数据背后，是传统大数据难以描绘的。为了洞察品牌A的潜在消费者有着怎样的品牌调性偏好、关注点何在，以便匹配更适合的KOL，研究者利用小数据画像工具，分析了A品牌官方微博账号的粉丝和评论者群体。以这些潜在客户所发布的所有微博文本作为小数据输入，我们可以对该群体有怎样的刻画呢？A品牌发现，其潜在客户群体在价值观方面十分传统，是自律且有奉献精神的一群人（见书中图3-36）。在品牌形象偏好方面，A品牌客户*喜欢能够传递友好关爱和有着激情快乐的基调的品牌形象（见书中图3-37）。为了匹配合适的KOL，我们同样用小数据方法进一步分析了备选KOL发布的所有信息，并以上述客户特征作为选择的标准，按照匹配程度对KOL进行排名。A品牌得以按照与自身客户群体的匹配度来选择KOL，做到“只选对的，不选贵的”，在保证宣传效果的同时，控制了运营的成本。