腦極體

先來(lái)思考這樣一個(gè)問(wèn)題：為什么星巴克的排隊(duì)一定是橫排的，而不是肯德基、麥當(dāng)勞那樣的豎排？這個(gè)問(wèn)題經(jīng)濟(jì)學(xué)中有很多種解釋?zhuān)渲斜容^靠譜的一種說(shuō)法：橫排排隊(duì)可以減少空間里的壓抑感，一方面讓整個(gè)空間看起來(lái)更寬敞；另一方面可以降低人流的流動(dòng)頻次，緩解空間里的緊張感。

通過(guò)橫著排隊(duì)這種對(duì)行為規(guī)則的改變，讓咖啡館區(qū)別于快餐店，確定自己的消費(fèi)人群和商業(yè)模型，是個(gè)非常好的經(jīng)濟(jì)學(xué)案例。這其中很重要的一點(diǎn)是說(shuō)明了“行為”能帶來(lái)的商業(yè)結(jié)果。著名心理學(xué)家卡勒曼憑借對(duì)行為經(jīng)濟(jì)學(xué)中前景理論的構(gòu)建獲得過(guò)諾貝爾經(jīng)濟(jì)科學(xué)獎(jiǎng)。所謂行為學(xué)，在學(xué)術(shù)上的研究目標(biāo)是“個(gè)體和社群為適應(yīng)內(nèi)外環(huán)境變化所做出的反應(yīng)”。我們每天的一舉一動(dòng)莫不是行為，習(xí)慣、工作、愛(ài)好也都是行為。

很有意思的是，行為是一個(gè)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(dòng)，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(dòng)和交換。我們今天的世界，可以說(shuō)是從行為數(shù)據(jù)化中開(kāi)始，到數(shù)據(jù)行為化中結(jié)束。

最近一個(gè)特別火的概念是新零售。馬云在提出新零售時(shí)，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(shí)別+無(wú)人超市，就是一種線上數(shù)據(jù)來(lái)到線下場(chǎng)景的示例。我們可以換一種方式理解數(shù)據(jù)，來(lái)打通線下消費(fèi)的更多可能性。

結(jié)果與過(guò)程：另一個(gè)視角看數(shù)據(jù)

大數(shù)據(jù)到底是什么？比如說(shuō)，大數(shù)據(jù)顯示，每天有多少共享單車(chē)被使用、房?jī)r(jià)在一年里被抬高了多少、地區(qū)農(nóng)作物產(chǎn)量的數(shù)據(jù)變化等，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(guò)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(shí)知道了很多此前不知道的，但這絕對(duì)不是大數(shù)據(jù)的全貌。

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

假如我們看到的數(shù)據(jù)結(jié)果是一個(gè)二次元的漫畫(huà)人物，那么看不見(jiàn)的數(shù)據(jù)就是一個(gè)三次元里完整的人一一這就是數(shù)據(jù)行為。數(shù)據(jù)行為不僅僅是數(shù)據(jù)的增長(zhǎng)過(guò)程，還包括在整個(gè)時(shí)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(shuō)可能有點(diǎn)過(guò)于抽象，舉個(gè)不太恰當(dāng)?shù)睦觼?lái)解釋?zhuān)耗阗I(mǎi)個(gè)雪糕，是數(shù)據(jù)結(jié)果，證明你喜歡這個(gè)牌子的雪糕。但是數(shù)據(jù)行為卻可能顯示，你是問(wèn)了好幾個(gè)牌子都沒(méi)貨、挑了好幾個(gè)牌子嫌太貴、不想買(mǎi)卻發(fā)現(xiàn)天氣實(shí)在太熱，才最終買(mǎi)了這個(gè)雪糕……然后吃一口就扔了一一這都是數(shù)據(jù)行為一一也是其他雪糕品牌占領(lǐng)這個(gè)客戶(hù)的機(jī)會(huì)。

通過(guò)大數(shù)據(jù)來(lái)了解用戶(hù)，已經(jīng)不是什么新鮮事，甚至有點(diǎn)老生常談。但根據(jù)用戶(hù)的數(shù)據(jù)行為來(lái)了解你的用戶(hù)卻是一個(gè)空白。通過(guò)解碼數(shù)據(jù)行為，你會(huì)得到哪些對(duì)用戶(hù)的全新認(rèn)知呢？

數(shù)據(jù)行為在時(shí)間上的同頻性可以讓掌握數(shù)據(jù)的企業(yè)認(rèn)識(shí)多端口數(shù)據(jù)源融合下的用戶(hù)。比如說(shuō)我們的社交行為、內(nèi)容閱讀行為、購(gòu)物行為，與真實(shí)世界中攝像頭拍攝下的、交通信息中的、工商信息中的我們，其實(shí)各自都是我們自身的一個(gè)剪影。通過(guò)時(shí)間概念把這些數(shù)據(jù)整合起來(lái)，可以合并成一個(gè)相對(duì)完整的用戶(hù)形象。

用戶(hù)在購(gòu)買(mǎi)行為之外的所思所想、每天的所見(jiàn)所聞，用暴露于公共視野下的數(shù)據(jù)拼接起來(lái)并不難。如此，企業(yè)對(duì)于用戶(hù)消費(fèi)動(dòng)機(jī)與規(guī)律的把握，將提升到一個(gè)新的高度。

數(shù)據(jù)行為會(huì)偵測(cè)用戶(hù)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(huì)說(shuō)明用戶(hù)有某種消費(fèi)異常產(chǎn)生。實(shí)時(shí)分析這些消費(fèi)數(shù)據(jù)的行為軌跡，可以實(shí)時(shí)提供恰當(dāng)?shù)姆?wù)，比如用戶(hù)突然出現(xiàn)消費(fèi)沖動(dòng)時(shí)進(jìn)行針對(duì)引導(dǎo)、用戶(hù)消費(fèi)軌跡趨緩時(shí)給予消費(fèi)刺激。

另一個(gè)數(shù)據(jù)行為帶來(lái)的改變是企業(yè)可以測(cè)算出用戶(hù)應(yīng)用的使用模型。比如打籃球，用戶(hù)本應(yīng)該一周打五次，一次半小時(shí)。但假如出現(xiàn)用戶(hù)使用率降低，可能就說(shuō)明產(chǎn)品本身出現(xiàn)了問(wèn)題。對(duì)于互聯(lián)網(wǎng)產(chǎn)品來(lái)說(shuō)，用戶(hù)行為與預(yù)期模型之間的差別能說(shuō)明很多問(wèn)題。

組織行為中的關(guān)鍵信息比特化

通過(guò)人工智能檢測(cè)個(gè)體用戶(hù)數(shù)據(jù)之外，還有一種檢測(cè)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(shí)別技術(shù)。這類(lèi)技術(shù)可以觀察一個(gè)群體的動(dòng)態(tài)，并通過(guò)多個(gè)數(shù)據(jù)源進(jìn)行數(shù)據(jù)采集與分析。這一類(lèi)數(shù)據(jù)進(jìn)行全面的數(shù)據(jù)行為監(jiān)控很難，但可以永久留存關(guān)鍵信息并進(jìn)行多個(gè)領(lǐng)域的應(yīng)用。

比如說(shuō)，某個(gè)寫(xiě)字樓里一到中午分貝就提高，人臉識(shí)別表示不高興的人數(shù)急劇攀升：這可能說(shuō)明外賣(mài)必須投入更多人力。或者某地鐵站早上的人流停滯度過(guò)高，人流運(yùn)行緩慢：這可能說(shuō)明要投放更多的共享單車(chē)。通過(guò)分析這些數(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(duì)垂直、復(fù)雜的群落組織中，數(shù)據(jù)行為的應(yīng)用性會(huì)更加廣闊。

如何激發(fā)消費(fèi)

到底如何把數(shù)據(jù)行為應(yīng)用放到新零售里呢？數(shù)據(jù)行為可以更好地理解個(gè)體與群體在時(shí)間軸上的精準(zhǔn)動(dòng)向和動(dòng)機(jī)。這就讓很多基于移動(dòng)互聯(lián)網(wǎng)的簡(jiǎn)單商業(yè)激發(fā)有可能變得更加復(fù)雜。通過(guò)對(duì)線上數(shù)據(jù)行為的廣泛測(cè)寫(xiě)，結(jié)合現(xiàn)實(shí)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(chǎng)景搭建以下幾種能力：

一、解決地理空間中的推薦問(wèn)題：我們都感受過(guò)所謂的智能推薦，基本都是根據(jù)你的瀏覽記錄進(jìn)行購(gòu)買(mǎi)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(shí)就會(huì)失效。因?yàn)橄到y(tǒng)只能知道你的定位，卻無(wú)法預(yù)計(jì)你的目標(biāo)，也無(wú)從知道你的運(yùn)動(dòng)軌跡。更多時(shí)候還是需要用戶(hù)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)確地在地理空間中實(shí)現(xiàn)線下消費(fèi)推薦：不走冤枉路、不浪費(fèi)時(shí)間，就近找到你的消費(fèi)可能。

二、解決實(shí)時(shí)需求：數(shù)據(jù)行為檢測(cè)的一個(gè)特征，就是其具有非常強(qiáng)的實(shí)時(shí)處理能力。很多消費(fèi)契機(jī)都是實(shí)時(shí)出現(xiàn)的，可能用戶(hù)自身都沒(méi)有察覺(jué)到。但數(shù)據(jù)系統(tǒng)卻可以感知到。比如數(shù)據(jù)分析出你該渴了，又能從以往消費(fèi)數(shù)據(jù)中判斷你的口味，然后實(shí)時(shí)對(duì)接飲品店的消費(fèi)可能。這就集成了很多消費(fèi)機(jī)會(huì)。

三、提供線下的智能服務(wù)：新零售里一直有個(gè)預(yù)期，就是你到了店里，發(fā)現(xiàn)店里正好都是你需要買(mǎi)的東西，不用自己找。這種聽(tīng)起來(lái)像讀心術(shù)的消費(fèi)場(chǎng)景，也可能通過(guò)對(duì)你生活中方方面面的數(shù)據(jù)行為的測(cè)算得到結(jié)果。人進(jìn)行線下消費(fèi)的頻率其實(shí)是非常穩(wěn)定的。利用遷移學(xué)習(xí)和過(guò)往數(shù)據(jù)來(lái)生成一個(gè)人的購(gòu)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：群體行為往往決定了很多服務(wù)與消費(fèi)的市場(chǎng)，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(chǎng)景興衰。測(cè)算人群，實(shí)時(shí)調(diào)整供需和營(yíng)銷(xiāo)，可以為人群場(chǎng)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)其實(shí)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(wú)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(shí)就能探究人類(lèi)社會(huì)的無(wú)數(shù)奧秘。