《零售业大数据形成、应用及启示》由会员分享，可在线阅读，更多相关《零售业大数据形成、应用及启示（7页珍藏版）》请在金锄头文库上搜索。
1、零售业大数据:形成、应用及启示 郑淑蓉 华侨大学 摘 要： 数据是各种信息原始记录的数值,零售业数据经历了手工记录和电子收款机、PC机和 POS 系统、用户原创的互联网以及移动和感知式物联网四个阶段的演进,从而形成零售业大数据。零售业大数据的应用,有利于新型数据竞争力的构建、顾客需求的精准化洞察以及数据创新思维的实现;云计算、关系数据库、数据挖掘等技术,为零售业大数据应用提供了强大的技术支撑;零售业大数据应用的内容包括大数据抽取与集成、数据分析及数据解释。零售业大数据的形成和应用给我们的启示是:大数据意识与思维正成为零售业创新的知识准备,大数据可以为零售企业提供精准的顾客价值主张,零售业面临着
2、大数据管理的挑战。关键词： 零售业; 大数据; 物联网; 顾客价值主张; 作者简介：郑淑蓉(1964-),女,福建仙游人,华侨大学工商管理学院教授、硕士生导师,主要研究方向为电子商务与流通经济。收稿日期：2014-01-10基金：福建省社会科学规划项目“我国物联网产业空间分布与差异研究”(2013B201),负责人郑淑蓉Received： 2014-01-10新兴信息技术与应用模式的不断渗透和推陈出新,使得全球数据量呈现出前所未有的爆发式增长态势。根据国际数据公司(IDC)的研究报告,2011 年全球被创建和被复制的数据总量为 1.8ZB (数据存储单位,泽字节,等于 1024 艾字节或 27
3、0个字节),且增长趋势遵循新摩尔定律,预计到 2020 年, 全球数据量大约每两年翻一番,全球将拥有 35ZB 的数据量。海量数据被收集、交换、分析和整合,将和企业的固定资产、人力资源一样,成为企业生产经营的一种基础性资源,大数据所积蓄的价值将驱动经营和决策的管理变革,大数据将是创新、竞争和提高生产率的下一个领域,大数据蕴含着经营创新的新市场机会和新利润空间。一、零售业大数据的形成(一)零售业的数据演进。人类历史上从未有过哪个时代和今天一样产生如此庞大的数据,零售业数据的产生已经完全不受时间和地点的限制,从解放初期采用的手工记录作为数据管理的主要方式开始,数据的存储与产生方式大致经历了四个阶段
4、,由此最终导致零售业大数据的产生。1.手工记录和电子收款机阶段。20 世纪 80 年代之前,数据的产生主要依靠手工记录、人工盘点、算盘结算,数据管理没有太高的科技含量。20 世纪 80 年代初,终端经营网点引入电子收款机,电子收款机的实际使用有如下特点:(1)模仿重复手工劳动和进行简单的计算;(2)仅在工资管理、合同管理和财务管理等小范围内使用;(3) 仅限于前台结账收款,没有形成与后台连接的网络系统。与今日的数据量比较,此阶段的数据无疑是非常有限的。2.PC 机和 POS(Point of sales)系统阶段。20 世纪 80 年代中后期,企业在大型机上部署财务、银行等关键运营式应用系统,
5、存储介质包括磁盘、磁带、光盘等,PC 机应用后,企业内部出现了以公文档为主要形式的数据,包括 Word、Excel 文档、图片、图像、 影像和音频等。20 世纪 90 年代,数据存储与产生进入 POS阶段,POS 系统是由电子收款机和计算机联机构成的经营终端前台网络系统,该系统能直接入账、实时处理,显示即刻时点的所有销售信息。90 年代后期基于POS 系统的条形码技术、色码技术、银行卡互联互通技术、POS 服务的管理信息系统、财务管理软件和系统集成产品广泛应用。2010 年,基于智能手机和平板电脑的移动 POS 开始在零售企业出现,老一代 POS 正在被新一代开放、全功能POS 平台所代替,全
6、功能 POS 除满足传统的销售管理外,能支持退货退款、卡处理、执行 PCI 安全标准、库存查阅、员工培训、忠诚度计划、网上销售、人力管理、自助结账、全渠道营销、二维码读取、数字数据、 近场通信(NFC)、移动商务等功能,新一代 POS 已成为现代零售企业无可替代的神经中枢系统,POS的功能从 Point of Sales 逐渐演变为 Point of Services,极大地促进了零售业数据量的增长。3.用户原创的互联网阶段。进入 21 世纪,互联网的兴起促成了数据量的大规模增长。互联网时代, 几乎全民都在制造数据,然而真正的数据爆发产生于Web2.0 时代,参见表 1。与此同时,数据的形成也
7、极其丰富,一方面,既有社交网络、多媒体、协同创造、虚拟服务等应用所主动产生的数据,另一方面, 又有搜索引擎、网页浏览过程中被记录、被收集的数据。该阶段数据的特点是用户原创、主动、交互。表 1 从 Web 1.0 到 Web 3.0 的演变 下载原表 4.移动和感知式物联网阶段。随着移动互联网、 感知物联网和云计算的广泛使用,数据存储和产生实现了从手工被动到原创主动再到智能自动的时空跨越。布置于社会各个领域的传感器设备,能够全天候监控和源源不断地自动产生新数据。零售业无线射频技术(RFID)的大规模应用,不仅提高了数据采集的粒度,而且增强了数据采集的频度,极大地推动了零售行业数据量的增长。(二)
8、大数据的内涵及零售业大数据的形成。零售业数据的存储与产生经历了四个阶段的演进,这些手工被动、原创主动和智能自动的数据共同构成了零售业大数据的数据来源,其中自动式的数据才是零售业大数据产生的最根本根源。数据是信息的原始记录,2011 年,麦肯锡阐释了大数据概念,认为现在的数据相比 30 年前更大量、多样和实时,即大数。维基百科将大数据定义为“无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合”;美国国家科学基金会(NSF)将大数据定义为“由科学仪器、传感设备、互联网交易、电子邮件、音视频软件、网络点击流等多种数据源生成的大规模、多元化、复杂性、长期性的分布式数据集”。著名咨询机
9、构 IDC 把大数据的技术定义为:通过高速捕捉、发现或分析,从大量数据中获取价值的一种新型技术架构。大数据的特点可以概括为 4V,即 Volume(能量)、Velocity(高速)、 Vaviety(多样)、Value(价值)。大数据之大体现在数据规模、数据复杂性和数据产生速度三个方面均大大超出了传统的数据形态,以至突破了传统数据处理能力的极限,并带来了产业融合、经营创新、理念革新、流程变革、营销决策等方面的巨大影响和挑战。由于数据收集意识的增强和新技术的出现,很多零售商拥有的数据量在过去 3 年里增加了 5 倍。 大数据的意义不在于数据量大,而在于数据价值的最大化。2008 年卡内基梅隆大学
10、的 R.E.Bryant、加利福尼亚大学伯克利分校的R.H.Katz、华盛顿大学的 E.D.Lazows-Ka 联合业界组织“计算社区联盟”,发表了白皮书大数据计算商务科学和社会领域的革命性突破,使得企业界意识到大数据真正重要的是数据的新用途和带来的新见解,而非数据本身,这些认识是大数据分析和应用的前提。零售业有价值可拓展的大数据总体可以分为两个部分:一是大交易数据,即零售企业交易产生的数据,包括商品数据、销售数据、运营数据、财务数据、 顾客关系数据和市场竞争数据;二是大交互数据,即由 POS 机、互联网、物联网、移动终端、智能终端、传感器和观测设备等产生的关于零售企业与顾客信息的交互数据,主
11、要包括社交网络数据、射频识别数据、时间和位置数据、文本数据和观测数据。二、零售业大数据的应用(一)应用的必要性。大数据时刻都在源源不断地渗入现代零售企业的日常管理和经营运作中,零售企业从不断生成的交易与交互数据中获取泽字节的有关消费者、供应商和运营管理方面的信息,大数据的形成与应用必将对现代零售业的数据竞争力、经营运作理念、组织业务流程、市场营销决策以及新型商业模式等产生巨大影响,使得零售企业经营管理决策越来越依赖于数据分析而非经验甚至直觉。零售业大数据应用的必要性体现在以下三个方面:1.构建零售业的新型数据竞争力。麦肯锡报告指出:已经有越来越多令人信服的证据表明,只要实施正确的政策和激励,大
12、数据将成为竞争的关键性基础,并成为下一波生产率提高、创新和为消费者创造价值的支柱。托马斯达文波特指出:要做到“低成本、高效率”的运营及决策正确,企业必须广泛推行以事实为基础的决策方法,大量使用数据分析来优化企业的各个运营环节,通过基于数据的优化和对接,把业务流程和决策过程当中存在的每一分潜在的价值都“挤”出来,从而节约成本、战胜对手、在市场上幸存。2.实现零售企业对市场的实时化理解和对顾客需求的精准化洞察。大数据背景下,零售企业记录或搜集顾客在各种渠道和产品生命周期各个阶段的行为数据和偏好数据,通过数据分析,宏观上可以把握顾客的结构、流量、购买周期以及不同顾客群的利润率和贡献率;微观上可以具体
13、到每一个顾客的购买频率、购买兴趣、忠诚度和流失的可能性。通过全息可见的消费者个体行为与偏好数据的点、线、面齐全分析,可以确定最忠诚的顾客群体,预测其消费意愿,主动为其提供专属性的个性化产品和服务。从接触顾客、吸引顾客,到管理顾客、专题促销,再到最终的销售,整个过程只在数据交互中实现,通过了解用户行为数据,从而实现精准销售。3.实现零售企业基于大数据的创新思维。大数据环境下,零售业的创新思维涉及三个方面。其一, 整合企业内部与外部的大数据,分析多渠道、互联网与移动网、线上线下消费者行为图谱及其联系,通过顾客的数据识别,设计潜在的个性化服务,满足不同细分市场的需求。其二,基于大数据平台的数据实时分
14、析,预测顾客实际行为的动态变化和设计与之适应的销售策略更新。其三,基于大数据平台的零售业新型商业模式创新,这种商业模式创新的源泉依赖于从海量的可拓展数据中挖掘有价值的信息,以及这些信息真正影响零售企业运营系统中的销售模式、组织结构调整、劳动生产率、经营绩效、管理决策和管理效率,实现大数据的商业模式创新给零售企业带来的价值提升。(二)应用的可能性。大数据价值的完整体现及其应用需要多种技术的协同,多种技术分三个层面: 平台层(并行构架和资源平台,即硬件层面)、系统层(大数据存储管理和并行编程模型与计算框架,即软件层面)、处理层(数据挖掘与数据分析,即应用开发层面)。三个层面技术逐渐成熟,为零售业的
15、大数据应用提供强大的技术支撑。1.大数据的平台层技术云计算。大数据是存储的内容,云计算是存储大数据的 IT 架构,大数据的存储与利用离不开 IT 计算资源池组织配置架构的云模式,云模式中资源池的核心内容是复杂的巨量数据。2006 年,google 首先提出云计算概念,支撑 google 内部各种大数据应用的正是其自行研发的一系列云计算技术和工具,包括文件系统、数据库系统、 索引与查询技术、数据分析技术等,这些技术被广泛了解并得到应用。正是云计算技术在数据存储、管理与分析等方面的支撑,才使得大数据有用武之地。2.大数据的系统层技术关系数据库。目前, Hadoop 是应用最广的大数据处理平台,它已
16、经发展成为包括文件系统、数据库、数据处理等功能模块在内的完整生态系统。实际上,Hadoop 成为大数据处理工具的标准,其大数据处理主要集中在系统性能开放、高效查询、索引构建和使用、构建数据仓库、数据库系统连接、数据挖掘和推荐系统等方面。传统数据库技术面临新的挑战,一是大数据时代的数据量远超单机所能容纳的数据量,需要系统具有扩展性的分布式存储方式。二是传统数据库比较适合结构化数据的存储,但是除结构化数据外,非结构化数据将是大数据的重要组成部分。在此背景下, 关系数据库应运而生,关系数据库追求的是普适性目标,希望将用户从繁杂的数据管理中解脱出来,在面对不同时间、不同问题、不同数据类型时,从新理念出发,设计原子性、一致性、隔离性和持久性的新的数据管理方式。3.大数据的处理层技术数据挖掘。数据挖掘是指通过特定的计算机算法对大量的数据进行自动分析,从而揭示数据之间隐藏的关系、模式和趋势,为决策者提供新的知识。在数据挖掘过程中,根据不同的应用需求选择不同的挖掘模型,对数据进行深度挖掘。数据挖掘模型有两类,一是分析模型,
