走向“乌托邦”的智慧零售业

孙亚程 姚岱 邹逸浚

实体商业走向“深水区”

中国实体零售业在近年来面临多重困境，其中最为显著的是疫情的冲击以及电子商务的快速崛起。疫情的爆发和持续深度改变了主流消费者的消费习惯，居家期间更多消费者选择线上购物，导致实体店的销售额和利润双双下滑。即便在疫情前，实体零售业也面临着电子商务的崛起带来的巨大压力和实体店被蚕食的风险。根据瑞吉（JLL）发布的数据，2018年，中国零售商关闭了大约6，600家门店，2019年这一数字达到了9，300家，2020年更是飙升至超过2万家。在2020年的关店数量中，超过70%的门店属于百货商场和购物中心内的租户。在日益严苛的大背景下，除了通过关店裁员来“断臂求生”，实体零售业应该如何有效的减本增效，最终化危为机？

我们确信，尽管电子商务的崛起为消费者提供了更多的购物选择，实体零售业并不会消亡。事实上，零售业的复苏比很多人预想的来的更早更快。根据美国国家零售联合会（National Retail Federation）发布的数据，2021年3月，美国实体零售业销售额同比增长了18.3%，这是近年来的最高增长率之一。此外，根据中国国家统计局发布的数据，2021年第一季度，中国实体零售业销售额同比增长了33.9%。实体零售业之所以在长期能够稳定和发展，关键在于实体零售为消费者提供了独特且不可被完全替代的购物体验：消费者可以在店内实际触摸、试穿、试用商品，同时能够享受到更好的客户服务和面对面的人际交流。此外，实体零售店还可以提供更快捷的商品交付和更灵活的退货/换货政策。这些优势无疑可以吸引那些更注重购物体验的消费者。

实体商业的痛点和盲点

传统零售业的最大痛点，是缺失对顾客线下购物历程和行为的洞察。众所周知，电子商务的长处是商家可对顾客购物历程全程追踪，并获取包括用户的浏览、点击、搜索等行为沉淀下来的“点击流”数据。这些数据对商家有着巨大的价值：一方面，通过对宏观级别的点击流数据分析，结合营销转换漏斗的概念，商家可以（1）清晰了解潜在顾客的来源，进而优化广告投放策略和媒体合作伙伴关系；（2）精准衡量营销活动的效果，如广告点击率、转化率等，以便及时调整和优化营销策略；（3）发现页面的設计问题，从而优化页面布局和提高用户体验。另一方面，通过分析个体消费者层级的全流程数据，有助于商家深度理解洞察每个用户的喜好、兴趣和需求。之前已有营销学者使用隐马尔可夫模型分析点击流数据，研究发现消费者的线上购物旅程对应不同的心理状态，例如享乐状态下，顾客更容易去点击产品信息页来获取产品的深度信息，而在购物状态下，顾客更容易加购和下单。这些洞察可以帮助商家预测顾客在转换漏斗不同阶段的轨迹，也对商家在合适的时间和合适的页面用合适的方式引导顾客，提升漏斗的各级转化率。

而与此相反的，传统零售业态下消费者的购物历程无疑是一个“黑箱”，营销人员的调查研究往往限于对每日的进场人数和销量进行简单统计，而对消费者在商场内浏览购物行为，不同商铺之间的相互导流能力等关键因素一无所知。作为例子，考虑北京市居民李先生一家人某个周日在北京市万达购物中心的详细路线行程，其中共包含若干个主要场景：

场景1 9：10。李先生一家人（李先生和妻子，还有两个8岁和10岁的孩子）乘车来到了万达购物中心的地下停车场，从地下车库的停车电梯进入了商场内部。

场景2 9：10-9：15。李先生一家首先来到了1楼的华为专卖店，他们本想仔细了解华为最新的平板电脑，但门店里外顾客众多，人头攒动。李先生和妻子决定等人少一些的时候再来逛。

场景3 9：15-9：40。李先生一家来到1楼的苹果专卖店。注意到了一则广告：“购买新款iPhone，享受免费一年的Apple Music会员资格”，这里的顾客相对较少，但销售人员非常友好和专业。在销售人员的推荐下，了解了最新的iPhone和iPad产品。

场景4 9：40-9：45。随后，一家人来到了2楼的H&M服装店，打算为孩子们挑选一些春季新款的衣服。可是店员告诉他们有几款流行的款式卖断货了，补货要等到明天。李先生有点失望，离开了。

场景5 9：50-10：30。路过玩具反斗城，从外面可以看到店内热闹非凡，人流涌动。李先生和妻子本想离开，但两个孩子却迈不开步子，经过一番讨价还价，他们还是同意进店，小朋友们兴奋地开始挑选自己喜欢的玩具。

场景6 10：35-11：10。等待孩子们选择玩具时，李先生和妻子注意到了旁边的ZARA店正在上新。他们临时决定去ZARA逛逛，并购买了一些成人的时尚服装。

场景7 11：20-11：40。路过3楼屈臣氏药妆店。他们注意到了店外的广告：“满200元，即可享受满减50元优惠。”李先生和妻子进店购买了一些生活用品和化妆品。

场景8 11：50-12：10。来到4楼的MUJI无印良品店，一家人购买了一些家居用品。

场景9 12：20-12：40。来到商场5楼，这里整整一层都是各种特色餐厅，美食云集，琳琅满目，让人眼花缭乱。他们本打算去品尝常去的传统的家常菜馆“外婆家”，然而，当他们来到“外婆家”门口时，发现已经排起了长队，等候时长让人望而却步，他们决定去其他地方吃饭。

场景10 12：50-14：00。途经海底捞门口，被热情的店员邀请进店。李先生一家点了鱼丸、豆腐皮、羊肉片等，一家人大饱口福。

场景11 14：00-14：05。李先生一家人回到了1楼的华为专卖店。顾客比上午少了不少，但还是很多。小朋友对华为的电子产品兴趣不大并且缺少耐心，而所有的店员都在忙着服务其他客人。他们驻足了一会，最终在小朋友的催促下离开了。

场景12 14：10-14：50。最后，一家人来到了1楼的哈根达斯店。孩子们点了香草冰淇淋，李先生和妻子则点了拿铁和抹茶拿铁。

场景13 15：00。李先生一家结束了购物之旅，回到地下车库驾车离开了北京万达购物中心。

从以上有代表性的购物旅行记录中，我们可以看出，由于缺乏消费者的线下购物行为数据，营销行为可能进退失据。首先，正如奥美之父大卫？奥格威（David Ogilvy）说过，“所有不能被计量的东西都不能被优化”—没有消费者行为数据，零售店很难准确评估营销活动（促销和销售人员导购服务）的效果，无法快速调整营销策略以提高效益（如，场景3，7，10）。其次，缺乏消费者行为数据会导致零售商难以预测商品需求，从而无法进行科学的库存管理，可能导致商品积压或断货的问题（如，场景4）。实体零售店无法准确了解消费者的购物习惯、需求和偏好，这会导致客户画像模糊，难以为不同类型的消费者提供精准的营销策略和个性化服务（如，场景11）。此外，购物中心无法了解店铺之间的相互引流作用（如，场景6），从而无法对店铺布局和选择进驻商铺优化上有效发力。

为了应对这些挑战，实体零售店需要加强对消费者行为数据的收集和分析。传统意义上，实体零售店可以采用会员制、客户满意度调查等方法来获取有关消费者的信息，而这些传统方式存在几个问题。

数据完整性问题：由于消费者可能并不总是参与会员制或活动，这些方法可能无法覆盖到所有潜在顾客。此外，客户满意度调查通常依赖于消费者自愿提供信息，因此可能无法获取到所有客户的真实反馈。在上述例子中，年轻单身的顾客可能相对容易配合问卷的填写，而类似李先生这样拖家带口的顾客可能不愿意花宝贵的时间完成问卷，这样回收的问卷无疑会缺乏代表性，无法体现某些重要顾客群体的真实感受。在客户满意度调查中，消费者可能会受到外部因素的影响（如情绪、环境等），从而导致调查结果产生偏见。此外，问卷设计本身也可能存在偏见，如引导性问题等。

时效性问题：传统的数据收集方法通常需要一定的时间才能完成。例如，客户满意度调查可能需要花费数天或数周的时间来收集和整理数据。在这段时间內，市场环境可能已经发生了改变，从而导致数据的实时性减弱。

数据分析的成本：实施会员制度、营销活动追踪和客户满意度调查需要投入人力、物力和财力。对于中小型零售商来说，这些成本可能会成为一个难以承受的负担。对于大量的调查数据进行分析和解读需要花费大量的时间和精力。此外，由于数据收集方式的局限性，部分信息可能无法直接得出具体结论，需要进行更深入和专业的分析。类似对点击流数据的研究，需要营销科学家结合线下数据特征和消费者行为理论，开发适用线下场景的新模型和新方法论，对顾客洞察进行深入挖掘。除了这些显性成本以外，另一个隐性成本是顾客隐私和合规性问题：在收集和处理消费者数据时，零售商需要遵守相关的隐私和数据保护法规。如不当处理，可能会引发法律风险和消费者的信任危机。

走向“乌托邦”的智慧零售业

数据驱动“智慧零售业”的概念和技术底座

我们认为，通用人工智能（AGI）的迅猛发展，为实体零售业指明了全新的发展方向，即AGI对传统实体零售业深度改造的“智慧零售业”。“智慧零售业”的概念和应用已经引起了业界和学术界的广泛关注。智慧零售业的本质在于使用更先进的技术手段，如物联网、人工智能和视觉大数据等全新的数据和相应的算法，来收集、分析和利用消费者行为数据，从而克服传统数据的劣势，大幅度提高数据的准确性、时效性和可靠性。

智能零售业的价值来源于对商家的赋能，通过获取全新和深刻的顾客洞察，并基于这些顾客洞察更好地经营客流，为消费者和商家提供新价值。对消费者的价值为线下购物体验的大幅提升，为商家提供更为精准的客流预测和客流管理方式，从速度、数量、规模发展模式，向效益、质量、价值发展模式转换。以实体商业中购物中心为例，智慧零售业的技术渗透主要体现在“人·店·场·车·屏”的数字化与智能化，目前主流的智慧应用包括精准客流系统、智慧导览导视系统及触点应用（智慧屏等）、智慧停车场系统、AIOT（三维重建、数字孪生应用带来的物联网管理）。如图1所示，这些智慧应用可以对线下顾客旅程进行全流程跟踪和数字化。这些炫酷的功能后面又包含了哪些底层技术呢？

发展至今，以视觉人工智能为核心的智慧零售业技术底座已经逐步完善成熟，其中包括三个关键要素。

首先，三维客流数字空间重建技术，在店内公共区域的通道布置摄像头，这些摄像头在三维虚拟空间内计算视野范围内顾客的坐标位置。此技术不识别人脸，依靠时空关联及时间戳信息确保每个采集的身份标识映射唯一对应一个人。它收集人体检测框、人体服装或体型等表面信息（同时利用人脸图像等生物特征信息，通过边缘计算等技术生成匿名身份识别，不保存和传输生物特征敏感信息）以及三维空间构建与定位、多摄像头协同、时间戳信息等，来匿名分析一个人在一段时间内的行为事件信息。

其次，通过视觉算法生成全身范围人体表面综合特征值。人工智能摄像机识别人体全身范围的丰富视觉信息的非生物表面综合特征（发型、服装、体型、随身物品等）。为保护顾客隐私，不识别人脸、耳廓等生物信息。

最后，基于三维地图坐标，全场摄像机实现连续时空追踪。通过对每个摄像头进行位置标定，建立起摄像头生成的匿名身份标识值与三维空间之间的映射关系，从而将不同摄像头下的轨迹投影到同一个三维坐标系。再利用视觉特征和轨迹时空特征，对全场轨迹进行聚类，形成每名顾客的完整匿名化连续轨迹动线。匿名化连续轨迹动线通过运算和输出，数据准确率高，可反映顾客全覆盖、全流程、全流量的真实动线。

商业运营中关键的消费者洞察相关技术在持续的发展演变，精准客流的发展阶段大致经历了四个阶段——1.0头肩识别、2.0人脸识别、3.0跨镜追踪、4.0 3D时空动线。

1.0头肩识别阶段：通过监控摄像头捕捉客流的头肩图像，利用图像识别技术统计不同头肩在视野内的出现次数和停留时间，以推测客流量和热力分布。该技术识别精度低，无法区分不同个体，只能做粗略分析。

2.0人脸识别阶段：通过人脸识别算法，能够区分不同的人脸图像，追踪同一个人脸的动线，统计每个人的停留时间和频次，实现基于人脸的客流分析。这使客流分析的精度大幅提高，可以识别回头客和新客比例等。

3.0跨镜追踪阶段：利用多视角的摄像头，通过跨摄像头的身份匹配算法，实现对同一人从入口到离开的全过程跟踪，重构个体动线和行为轨迹，达到高精度的客流轨迹分析。这使客流分析涉及到客流通道选择、热区驻留分析等更加深入的应用。

4.0 3D时空动线阶段：通过3D深度摄像头采集人体3D图像，在3D空间内重构个体精确的空间坐标和运动轨迹，搭配时间戳，实现对客流的高精度3D时空动线跟踪与分析。这使客流分析达到了立体和微观的层次，可以用于路径分析（Path Analysis）等应用。

目前，头部商业较为重视的客流评价方法为“QQCE”体系，包括四大维度，包括客流体量（Quantity）、客流质量（Quality）、客流转化效果（Conversion）和交叉贡献度（Externality）。图2呈现了某商场内的真实客流数据，从图2中，我们能直观的看出商场不同位置的客流密度（热力）以及顾客在商场中的移動轨迹（动线）。事实上，客流数据里蕴含的信息非常丰富，运用得当可以大大提高零售商的运营效率与客户体验。实际操作中，智慧零售业可以从客流数据中的“客流交叉”“品牌热力”“动线热力”三个关键方向开展精准运营：

客流交叉：通过跟踪不同个体的动线，分析个体之间的交叉频次和停留时间，找到客流聚集的热点区域，以及不同客流群体的相互作用强度，为店铺的放置进行优化，最大限度地刺激客流的互动和消费。

品牌热力：通过统计不同客流观看和停留在特定品牌区块的频次和时间，清晰地了解不同品牌对哪些客流群体有更高的吸引力，并进行针对性的品牌营销，为特定客流推荐感兴趣度较高的品牌或产品。

动线热力：通过分析客流在商场内部的详细动线，可以清楚地看到客流在哪些区域停留时间最长，体验最深入，这反映出哪些区域对客流有更高的吸引力。可据此调整店铺空间布局，给予这些区域更多曝光和流量，或在这些区域设置更多互动体验以提高客流的驻留时间。

综上，通过对不同维度的客流数据进行深入分析与挖掘，零售商可以清晰地理解不同客流群体的消费心理与行为模式，针对性地进行精准营销与运营。例如，可以为常驻性较高的客流群体推出会员积分活动，在客流驻留时间最长的区域设置新品体验区，根据不同客流的品牌偏好进行个性化的品牌推荐等等。

为了进一步挖掘数据的潜力，零售商家可以对客流交叉、品牌热力和动线热力等数据进行联合分析，商家可以通过以下三点，精准定位客户并提高场内流量。

精准定位客群：通过分析不同客流群体的特征，如年龄、性别、停留时间、驻留区域等，可以清晰地划分出关键客群，如停车场客群，写字楼办公族，年轻的潮流客等。然后可以针对不同客群推出定制化的营销策略，提高客户体验与流量。

发现品牌与客流的关联：通过分析不同客流观看和驻留在特定品牌区域的时间，可以找到哪些品牌对某些客群有更高的吸引力，然后针对这些客群进行品牌的推荐与互动，提高品牌的曝光度与销量。这有助于品牌实现更加精准的营销。

优化动线布局，盘活流量：通过分析客流在店铺的详细动线，可以清晰地找到客流驻留时间最长和体验最深入的区域。然后可以在这些区域设置更多互动体验，或调整店铺动线使更多客流经过这些区域，达到吸引更多流量至这些区域的目的。这可以优化商铺动线，提高场内总体流量与互动。

综上，通过对客流数据的分析挖掘，零售企业可以实现对客户、品牌与店铺动线之间微妙关联的深入理解。这为企业带来销售精准化与流量最大化的双重好处。例如设计出吸引特定客群的互动活动，发掘出增强品牌影响力的合作机会，调整动线布局以不断培育新的热点区域。

数据赋能“智慧零售业”的“价值场景”应用

大数据赋能的智能零售业为企业提供了丰富多元的价值场景。表1提供了数个有代表性的场景。通过对传统零售模式和智慧零售业的比较，不难看出，智能零售业能够帮助零售商开发全新的工具箱和方法论，有针对性解决传统零售业态的盲点和痛点，在提升顾客体验、准确度量营销效果，优化营销策略方方面面均大有可为。

智慧零售业走向“乌托邦”的挑战和对策

在实际操作中，实现人工智能与智慧零售业的转型仍然面临诸多挑战。首先，智慧零售业的前期面临巨大的投资成本。实现智慧零售业需要大量投资用于技术研发、设备升级等等。对于中小型零售商来说，这可能是一个难以独自承受的负担。其次，智慧零售业的发展存在着技术壁垒。虽然AI技术在零售领域的应用逐渐成熟，但仍存在一定的技术壁垒。这可能会影响智慧零售业在实际操作中的效果。最后，智慧零售业还带来了日益凸显的数据安全与隐私问题：在收集和处理海量消费者数据的过程中，数据安全与隐私问题尤为重要。零售商需要建立健全的数据保护机制，遵循相关法规，以免引发消费者不满。

为了最小化投资成本的风险，零售商可以考虑“双试点”策略，即先选择其中最为关键的一两个技术，在一两个选定的零售场进行试点应用与测试，充分检验效果后再逐步推广与升级。或者可以通过云服务等灵活的方式实现技术应用，降低自身投资成本。为了克服技术壁垒，零售商可以与专业的科技公司展开深度合作，共同推动关键技术的开发与创新应用，实现双方的共赢。此外，零售商应当严格遵循相关的数据法规与指南，在收集与使用数据的全流程建立相应的安全机制。数据采集阶段，可以整合顾客隐私保护技术，例如前端摄像头采用边缘计算（Edge Computing）技术，在识别图像和生成匿名身份标识值后立即清除图像，不传递、不保存敏感数据。数据存储阶段，可以通过数据加密存储，多重身份验证，权限管控等，以及定期对系统进行安全审核等多种方法保护数据的安全性。同时，在使用非匿名个体数据时，也要透明地向消费者说明数据使用规则，在取得用户授权与同意后方可收集与运用数据。

综上，零售商在智慧零售业转型中既要积极拥抱技术创新与应用，也要高度重视数据安全与消费者信任。通过灵活务实的策略降低投资门槛，密切业界合作破除技术壁垒，用严格的数据安全与隐私保护机制维护消费者权益。只有在技术和消费者体验两方面齐头并进，零售商才能真正实现智慧零售业的成功转型与发展。

智慧零售业去向何方？

展望未来，实体零售业的破局和发展之道，在于进一步挖掘和发扬自己在消费者体验上无可比拟的优势。人工智能技术的迅猛发展带来了更多的想象空间。未来，零售商可以借助人工智能技术重构业态与模式，探索智能客服、无人零售店、虚拟试衣、智慧推荐与沉浸式购物等新体验。

首先， 智能客服系统可以通过自然语言处理技术和语音识别技术，自动识别并回答消费者的问题，减少等待时间和人力成本，提高消费者的满意度。

其次，零售商可以建立无人零售店。通过部署计算机视觉、语音识别与自然语言处理系统，零售商可以实现全流程“无人”运营，不仅可以延长营业时间，还可以降低成本。无人零售店模式消除人员限制，为消费者带来更加灵活便捷的购物体验。零售商可以引入AI技术，打造智能客服系统，帮助消费者快速解决问题。

再次，虚拟试衣系统可以通过增强现实技術，让消费者在店体验虚拟服装，评估上身效果。这种技术可以展现更丰富的商品选择，同时为消费者节省在店试衣的时间成本，优化购物体验，减少退换货的成本。

基于深度学习的智慧推荐系统可以分析海量数据挖掘消费者偏好，实现个性化商品推荐。相比人工推荐，这种技术可以更精准匹配消费者喜好，显著提高购物转化率。

最后，零售商可以采用虚拟现实与增强现实技术，打造沉浸式购物体验。例如消费者可以“体验”三维虚拟店铺选购商品，加深对商品与品牌的记忆。

这些新模式以更加精细与个性化的方式服务消费者，重塑人们的购物方式和习惯。我们确信，未来已来，技术的创新必将催生零售业商业模式的进一步的深度变革。

本文获国家自然科学基金杰出青年基金（72225003）、国家自然科学基金重大项目子课题（71991461）的资助。