先來思考這樣一個問題：為什么星巴克的排隊一定是橫排的，而不是肯德基麥當(dāng)勞那樣的豎排？

這個問題經(jīng)濟(jì)學(xué)中有很多中解釋，但其中比較靠譜的一種認(rèn)為：橫排排隊可以減少空間中的壓抑感，一方面讓整個空間看起來更寬敞，一方面可以降低人流的流動頻次，緩解空間中的緊張感。

新零售的另一種解題思路：重新認(rèn)識數(shù)據(jù)行為

通過橫著排隊這種對行為規(guī)則的改變，讓咖啡館區(qū)別于快餐店，確定了自己的消費(fèi)人群和商業(yè)模型，是個非常好的經(jīng)濟(jì)學(xué)案例。

這其中很重要的一點是說明了“行為”這個東西能帶來的商業(yè)結(jié)果。經(jīng)濟(jì)學(xué)有個分支叫做行為經(jīng)濟(jì)學(xué)，就是專門研究這個的。著名的心理學(xué)家卡勒曼還憑借對行為經(jīng)濟(jì)學(xué)中心賬理論的構(gòu)建獲得過諾貝爾經(jīng)濟(jì)科學(xué)獎。

以上是為了說明行為學(xué)與經(jīng)濟(jì)學(xué)交叉可能發(fā)酵出的價值。所謂行為學(xué)，在學(xué)術(shù)上的研究目標(biāo)是“個體和社群為適應(yīng)內(nèi)外環(huán)境變化所作出的反應(yīng)”。我們每天的一舉一動莫不是行為，習(xí)慣、工作、愛好也都是行為。

很有意思的是，行為是一個非常好的數(shù)據(jù)化樣本，比如你每天的出行路線、上網(wǎng)的瀏覽軌跡、攝像頭中的一舉一動，都可以被數(shù)據(jù)化。而數(shù)據(jù)的運(yùn)行本身也是一種行為，比如數(shù)據(jù)的運(yùn)算、建模、流動和交換。我們今天的世界，可以說是從行為數(shù)據(jù)化中開始，到數(shù)據(jù)行為化中結(jié)束（好吧我承認(rèn)這段有點繞，但是沒關(guān)系，下邊會更繞的）。

關(guān)注數(shù)據(jù)行為，可能得到的東西非常多，絕對不是一篇文章可以討論的。所以我們不妨在這里舉個例子，來看一下數(shù)據(jù)行為化可能激發(fā)的想象。

最近一個特別火的概念是新零售。而馬云提出新零售時，就明確了它是融合線上、線下與數(shù)據(jù)的產(chǎn)物。目前我們看到的生物識別+無人超市，就是一種線上數(shù)據(jù)來到線下場景的示例。

但數(shù)據(jù)行為也許可以給我們更多，今天我們的主題是通過換一種方式理解數(shù)據(jù)，來打通線下消費(fèi)的更多可能性。

結(jié)果與過程：另一個視角看數(shù)據(jù)

首先我們要知道，一般情況所看到的大數(shù)據(jù)到底是什么？

比如說，我們看到了大數(shù)據(jù)顯示，每天有多少共享單車被使用、房價一年抬高了多少、地區(qū)農(nóng)作物產(chǎn)量的數(shù)據(jù)變化等等，這都是大數(shù)據(jù)的結(jié)果。

我們看到的數(shù)據(jù)，是經(jīng)歷了數(shù)據(jù)收集與運(yùn)算、整理過程之后，呈現(xiàn)出可供人理解的“扁平化大數(shù)據(jù)”。我們可能確實知道了很多此前不知道的，但這絕對不是大數(shù)據(jù)的全貌。

比如，我們看得到一個地區(qū)交通事故的總數(shù)和時間曲線，卻看不到每一次交通事故是如何發(fā)生的、原因有哪些種、哪些事故因素可以被改善、哪些事故可以更及時救援，甚至哪些可以預(yù)防。

假如說我們看到的數(shù)據(jù)結(jié)果是一個二次元的漫畫人物，那么看不見的數(shù)據(jù)就是一個三次元的里的完整的人——這就是數(shù)據(jù)行為。

數(shù)據(jù)行為不僅僅是數(shù)據(jù)的增長過程，還包括在整個時空關(guān)系中數(shù)據(jù)的交互狀態(tài)。比如具體數(shù)據(jù)的軌跡、數(shù)據(jù)的折返區(qū)間、數(shù)據(jù)多元性，以及與預(yù)期模型之間的差異。

這么說可能有點過于抽象，舉個不太恰當(dāng)?shù)睦觼斫忉專耗阗I個盒雪糕，這個是數(shù)據(jù)結(jié)果，證明你喜歡這個牌子的雪糕。但是數(shù)據(jù)行為卻可能顯示，你是問了好幾個牌子都沒貨，挑了好幾個牌子嫌太貴，不想買卻發(fā)現(xiàn)實在太熱，才最終買了這盒雪糕……然后吃一口就扔了——這都是數(shù)據(jù)行為——也是其他雪糕品牌占領(lǐng)這個客戶的機(jī)會。

當(dāng)然，數(shù)據(jù)行為實在太復(fù)雜了，因為這是在跟蹤數(shù)據(jù)而不是整理數(shù)據(jù)。此工作人力無法勝任。但人工智能不正是用來解決人力無法完成的工作嗎？比如已經(jīng)有用遷移學(xué)習(xí)技術(shù)來追蹤城市里每輛車形式軌跡的技術(shù)，這就是一種解讀數(shù)據(jù)行為的嘗試。

由于數(shù)據(jù)行為千變?nèi)f化，具體而微，尤其可能關(guān)乎與人與社會空間的互動。解碼數(shù)據(jù)行為，也就成為了AI介入生活的一次良機(jī)。

用戶數(shù)據(jù)行為

想要搞明白如何用數(shù)據(jù)行為驅(qū)動新零售，首先要看到哪些數(shù)據(jù)可能對零售場景產(chǎn)生影響。這里我們可以把它分為兩種：個體用戶數(shù)據(jù)和群組數(shù)據(jù)。

通過大數(shù)據(jù)來了解用戶，已經(jīng)不是什么新鮮事，甚至有點老生常談。但根據(jù)用戶數(shù)據(jù)的數(shù)據(jù)行為來了解你的用戶卻是一個空白。

通過解碼數(shù)據(jù)行為，你會得到哪些對用戶的全新認(rèn)知呢？

首先是數(shù)據(jù)行為在時間上的同頻性，可以讓掌握數(shù)據(jù)的企業(yè)認(rèn)識多端口數(shù)據(jù)源融合下的用戶。比如說我們的社交行為、內(nèi)容閱讀行為、購物行為，與真實世界中攝像頭拍攝下的我們、交通信息中的我們、工商信息中的我們，其實各自都是我們自身的一個剪影。通過時間概念把這些數(shù)據(jù)整合起來，可以合并成一個相對完整的用戶形象。

它在購買行為之外的所思所想，每天的所見所聞，其實都不難在暴露在公共視野下的數(shù)據(jù)拼接起來。這樣企業(yè)對于用戶消費(fèi)動機(jī)與規(guī)律的把握，將提升到一個新的高度。

再比如說，數(shù)據(jù)行為會偵測用戶消費(fèi)軌跡的改變。大部分人在生活中都有穩(wěn)定的消費(fèi)

規(guī)則，或高或低都有其規(guī)律。而一旦出現(xiàn)峰值，就會說明用戶有某種消費(fèi)異常產(chǎn)生。實時分析這些消費(fèi)數(shù)據(jù)的行為軌跡，可以實時提供切中服務(wù)，比如用戶突然出現(xiàn)消費(fèi)沖動時進(jìn)行針對引導(dǎo)、用戶消費(fèi)軌跡趨緩時給予消費(fèi)刺激，用戶消費(fèi)進(jìn)入極端低谷，就該考慮提供網(wǎng)貸產(chǎn)品了（開玩笑開玩笑）。

另一個數(shù)據(jù)行為帶來的改變，是企業(yè)可以測算出用戶應(yīng)用的使用模型。比如一個籃球，用戶本應(yīng)該一周打五次，一次半小時。但假如出現(xiàn)用戶使用率降低，可能就說明產(chǎn)品本身出現(xiàn)問題了。當(dāng)然就籃球來說可能只是因為用戶比較懶，但對于互聯(lián)網(wǎng)產(chǎn)品來說，用戶行為與預(yù)期模型之間的差別卻能說明很多問題。

組織行為中的關(guān)鍵信息比特化

通過人工智能檢測個體用戶數(shù)據(jù)之外，還有一種檢測集體數(shù)據(jù)行為的方式。比如已經(jīng)在城市安防當(dāng)中應(yīng)用的人流軌跡識別技術(shù)。

這類技術(shù)可以觀察一個群體的動態(tài)，并通過多個數(shù)據(jù)源進(jìn)行數(shù)據(jù)采集與分析。這一類數(shù)據(jù)進(jìn)行全面的數(shù)據(jù)行為監(jiān)控很難，但卻可以對關(guān)鍵信息進(jìn)行比特化。永久留存并進(jìn)行多個領(lǐng)域的應(yīng)用。

比如說，某個寫字樓里一到中午就聲貝提高，人臉識別表示不高興的人數(shù)急劇攀升：這可能說明外賣必須投入更多人力了。或者某地鐵站早上的人流停滯度過高，人流運(yùn)行緩慢：這可能說明要放更多共享單車了。通過比特化這些數(shù)據(jù)運(yùn)行的關(guān)鍵值，可以給企業(yè)提供非常好的運(yùn)行依據(jù)。

這只是最基本的一種人流數(shù)據(jù)行為應(yīng)用。具體到相對垂直、復(fù)雜的群落組織中，數(shù)據(jù)行為的應(yīng)用性會更加廣闊。

有一個多領(lǐng)域的交叉學(xué)科叫做組織行為學(xué)，專門研究組織中人的心理和行為表現(xiàn)及其客觀規(guī)律，以達(dá)到預(yù)測、引導(dǎo)和控制人的行為的能力。通過計算機(jī)計算去測算和預(yù)期組織行為中個體與群落的互動，恐怕會帶來無數(shù)種應(yīng)用可能。

如何激發(fā)消費(fèi)

說了這么多，到底如何把數(shù)據(jù)行為應(yīng)用放到新零售里呢？

綜上所述，數(shù)據(jù)行為可以更好地理解個體與群體在時間軸上的精準(zhǔn)動向和動機(jī)。這就讓很多基于移動互聯(lián)網(wǎng)的簡單商業(yè)激發(fā)有可能變得更加復(fù)雜。

通過對線上數(shù)據(jù)行為的廣泛測寫，結(jié)合現(xiàn)實世界數(shù)據(jù)收集端口提供幫助。人工智能至少可以為線下消費(fèi)場景搭建以下幾種能力：

一、解決地理空間中的推薦問題：我們都感受過所謂的智能推薦，基本都是根據(jù)你的瀏覽記錄進(jìn)行購買推薦。這種推薦本身非常不智能，而且往往進(jìn)行線下推薦時就會失效。因為系統(tǒng)只能知道你的定位，卻無法預(yù)計你的目標(biāo)，也無從知道你的運(yùn)動軌跡。更多時候還是需要用戶自己去尋找消費(fèi)。而結(jié)合運(yùn)行軌跡、消費(fèi)軌跡等數(shù)據(jù)行為，或許可以準(zhǔn)確的在地理空間中實現(xiàn)線下消費(fèi)推薦：不走冤枉路，不浪費(fèi)時間，就近找到你的消費(fèi)可能。

二、解決實時需求：數(shù)據(jù)行為檢測的一個特征，就是其具有非常強(qiáng)的實時處理能力。很多消費(fèi)契機(jī)都是實時出現(xiàn)的，可能用戶自身都沒有察覺到。但數(shù)據(jù)系統(tǒng)卻可以感知到。比如數(shù)據(jù)證明你該渴了，又能從以往消費(fèi)數(shù)據(jù)中判斷你的口味，然后實時對接飲品店的消費(fèi)可能。這就集成了很多消費(fèi)機(jī)會。

三、提供線下的智能服務(wù)：新零售里一直有個預(yù)期，就是你到了店里，發(fā)現(xiàn)店里正好都是你需要買的東西，不用自己找。這種聽起來像讀心術(shù)的消費(fèi)場景，也可能通過對你生活中方方面面數(shù)據(jù)行為的測算得到結(jié)果。人進(jìn)行線下消費(fèi)的頻率其實是非常穩(wěn)定的。利用遷移學(xué)習(xí)和過往數(shù)據(jù)來生成一個人的購物預(yù)期模型，并非不能做到。

四、根據(jù)群體行為調(diào)整供需策略：就像上文說的，群體行為往往決定了很多服務(wù)與消費(fèi)的市場，群體行為的往復(fù)變化也決定了很多依托人群的消費(fèi)場景興衰。測算人群，實時調(diào)整供需和營銷，可以為人群場景的線下消費(fèi)企業(yè)提供極大的效率改善。

相比我們經(jīng)?？吹降膱D表和結(jié)論，大數(shù)據(jù)這東西其實能體現(xiàn)更多東西。我們每天都暴露在數(shù)據(jù)收集器之下，也成為數(shù)據(jù)的使用者和消費(fèi)者。相比無盡的增大數(shù)據(jù)量，把現(xiàn)有數(shù)據(jù)立體化、行為化其實就能探究人類社會的無數(shù)秘密。

數(shù)據(jù)會繼續(xù)帶來更多改變，同時也引發(fā)著更多恐懼：在人工智能才有能力理解的海量數(shù)據(jù)面前，人類究竟還有什么秘密與隱私可言？
責(zé)編AJX