揭开大悦城大脑：敢于去中心化 发掘大数据的商业价值

　　“传统企业做大数据不要仅仅把目光放在销售上，而是要通过自己思考，敢于去中心化，以互联网的思维，发掘大数据的商业价值。”这是大悦城研策总监张岩日前在北京某O2O峰会上的一番言论。

　　此前，江湖上关于大悦城O2O的文章不少，但高见不多。亿邦动力网注意到，在新闻层面，大悦城跟电商发生关系最早O2O的爆点，也要追溯到去年双11前夕，“甘愿做天猫试衣间”的骇人言论。

　　在传统零售商眼里，大悦城就像70后眼里的90后，年轻、叛逆、具有颠覆性。而在电商人看来，大悦城又似乎是最难啃下来的“骨头”。它不像万达那么激进，也不像其他百货商场、购物中心随随便便接入个全场WIFI、微信支付，那么沽名钓誉。

　　显然，大悦城是为数不多真正用心研究零售大数据战略的企业。据张岩介绍，大悦城通过客群属性的分析，指导商户进行货品调整，成果是单店提升销售约7%。通过指导项目进行业态调整，整体楼层销售增长超10%。

　　如何做到的？且看张岩如何庖丁解牛，揭开大悦城的数据“大脑”（以下为张岩自述）：

　　大悦城是中粮集团城市综合体的核心品牌。它以年轻、时尚、潮流、品位为特征，以购物中心为主体，同时也包括公寓住宅、写字楼、酒店等多种业态，形成全服务链城市综合体。

　　自2007年北京西单大悦城开业至今，大悦城已成功复制了北京西单大悦城、朝阳大悦城、沈阳中街大悦城、上海大悦城、天津大悦城、烟台大悦城等6个运营项目。未来，大悦城还将在全国以一线城市为核心，辐射长三角、珠三角、环渤海等经济圈，继续复制开发，扩大规模。

　　下面我为大家简单介绍一下大悦城在信息系统建设方面的三次变革和在客流大数据方面的探索。

　　大悦城信息系统的三次变革

　　我们的第一次变革是精细化的系统建设，是以销售为核心，按照业务模型建设信息系统、数据采集系统，并对数据进行分析。围绕销售这个核心，我们针对商户和消费者，消费者和大悦城，以及大悦城和商户这三组关系建立了精细化的信息系统。

　　在商户和消费者之间，我们建设了POS交易系统、会员积分系统、信息推送系统和促销优惠系统，获得的是交易数据和消费数据，从这方面进行的分析是销售的分析，看哪些商户和哪些消费者对我们最重要，依据分析结果来做活动。

　　在大悦城和消费者之间，我们做的是消费行为的发现。为了发现消费者的消费行为，我们建立的系统是：客流统计系统、会员CRM系统、满意度调研系统和KOISE打印系统。现在我们每天收到和处理的信息大概是五千万条。

　　在大悦城与商户之间，我们要获得的是商户的运营数据。我们建立了MIS商业管理系统、销售监控系统、租赁管理系统和运营管理系统，通过这些系统来发现哪些商户是最有价值的。

　　在我们搭建的Hadoop平台上，这些精细化的系统各司其职，精准地工作，来满足各种的业务需求。在第一次变革之后，我们虽然能够抓住每一个业务点，单独看每一个系统，都是精准的；但当我们研究各个系统之间的关系时，会发现问题。各系统得出的分析结果之间可能是正相关的，也有可能是负相关的，会有冲突和矛盾。

　　所以我们开始进行第二次变革的思考。因为系统、算法间的复杂关系使得分析结果相冲突，我们就使用神经网络概念将系统边界模糊化。我们的神经网络式大数据分析系统是将商户相关系统、消费者相关系统和大悦城项目相关系统中得到的数据和结果，进行二次输入，对每个业务结果进行关系上的识别，重新进行评分计算，累计评分得出最终结果。所以我们对商业策略是否正确的判断，并不能单看一个系统的结果，只有将整个系统的结果进行了整合，进行模糊化的计算，这样才能对商业经营进行指导。

　　随着业务的发展，我们的思考也在不断深入。现在我们提出的第三次变革叫做：去中心化。去中心化就是互联网思维，就是大数据思维。我们所说的去中心，是要去除以销售为中心。大家可能会问，传统企业就是以销售为中心，要怎样理解这个“去中心”？

　　其实我们建设信息系统的时候会发现：离销售这个中心越远，我们所获得的信息量就越大，信息量越大，所产生的商业价值就越高。我以大家都关心的客流数据为例来解释一下。最初我们要获得总客流数据，只需要使用红外客流系统。而当我们想要了解客群属性和客流移动轨迹时，就要引入面部识别系统和WIFI定位等系统。这些更加具体的数据虽然并非紧密围绕销售，但却具有更高的商业价值，当然这些系统的数据量和技术难度也更大。

　　客流大数据的初步探索

　　下面我具体介绍大悦城在客流大数据方面的探索历程。

　　最初我们采用手工、红外客流，这是大悦城的数据纪元之始。通过获取客流数据，我们得到了销售与客流关系的分析基础：即销售额=客流x提袋率×客单价。

　　进而我们又引入双摄像头系统，获得了客流方向，并引入客流滞留量指标。通过销售数据、客流数据和滞留数据这三个变量因子的分析，识别商城销售低谷中的销售潜力，精准地指导营销活动开展的时间，提升低谷期的销售增长6%。

　　我们再进一步就要求获得客群属性，即客群的性别、年龄等等，所以我们使用了面部识别系统。而就是从这一步，使我们开始由统计学精确计算向大数据关联算法转变。在这个阶段我们把系统分成了两个部分，一个部分是BI的精准分析，分析的是线性数据，如销售数据、交易数据。另一部分我们有关联性的分析系统，来分析客群属性和商业定位的关系，以及商业定位和客群满意度的关系。同时，我们在两个系统之间进行相互印证。通过客群属性的分析，我们可以掌握进入一家品牌店的客群属性构成，指导商户进行货品调整，成果是单店提升销售约7%。通过指导项目进行业态调整，整体楼层销售增长超10%。

　　下面就是我们所说的WIFI客流，是获得消费者在楼内的行动路径。了解了消费者的行动轨迹，我们就可以知道客流停留时间，扶持低购买率商户；知道重复到店率，展开针对性的销售扶持、会员营销。通过精细化的管理，提袋率水平可以提升3%至4%。

　　建立大数据模型，实现客流预测

　　但是，行动路径数据就是客流大数据了吗？我们的答案是否定的。因为掌握客流轨迹只是花了很多钱，用一套系统来证实现场的实际情况。这还不是我们运用大数据提升商业的真正需求。真正的需求是用大数据来做预测。

　　我们的客流数据预测的第一步是对项目内的区域客流进行评分，从而重新评估商铺位置的价值。我们用计算出的模型来指导某一个项目的品牌招商的调整，指导租金水平的调整，在经营面积未变的情况下，总租金收入上涨23%，销售额上涨50%，年销售达到21亿元。

　　我们了解了一块区域内的客流变化，进一步我们还希望预测每一位消费者的行动路径。这个主题研究也就是通过模型计算空间采点数据，预测真实人流的全空间运动关系，是相当有难度的一个题目。

　　借鉴了海洋气象学中飓风预报系统的算法模型（美国国家海洋与大气管理局飓风预报系统），以及地质矿物学中计算矿脉的模型（克里金布朗质子算法），大悦城提炼出自己的客流预测算法模型。2014年5月，大悦城首次通过大数据计算，模拟出一个具体项目的客流状态。此次计算中已经包含了对障碍条件，比如建筑物墙体的考虑。

　　接着我们又细化变量因素，加入了栅格扩散条件计算。以0.5㎡为一个栅格，一栋建筑体总栅格数达到33万个，再加上大悦城一共308个门，总数据量是1.1亿。通过扩散范围数据的计算，我们精准的识别出建筑转角、通道宽窄、休息区、商户标牌、洗手间、电梯间等购物中心的客观因素对消费者运动的影响关系。

　　我们还要考虑轨迹热度数据的计算，使用的是汉密尔顿轨迹计算。全楼有8000条路径，整合33万个栅格，每一次预测需要26.4亿次计算量。路径密集度与扩散规律的重合双校验，使客流的离散和定向值得到模型化。

　　通过以上从数据输入到加入变量因素的一整套算法，最终我们就比较完整地掌握了客流变化的规律。我们将这个模型运用在朝阳大悦城的周末客流预测中，模型预测结果与实际客流状况相似度达90%以上。

　　这样完全通过算法就能在一个商业项目开业前预测客流分布情况，能知道商户的位置怎样安排能够创造最大价值，能知道我们的落位方案是否合理。可以说是一个创举。这就是我们大数据客流的第一个应用价值。我们在大悦城开业之前就将它的平面图导入我们的系统，可以通过计算，知道主力店位置的不同安排方式、通道宽窄、休息区的位置等等，会对整个项目的客流产生怎样的影响。这是真正实现：在商场未建成前，能够预测客流和销售状况，能够找出商场规划的最佳方案，及时调整，避免重复调整和重复建设的浪费。这是大数据真正的价值。

　　我们目前正在做的是大数据客流的第二个应用价值：就是基于城市客群价值的LBS大数据分析。根据对消费购买力的分析，可以识别城市中各个区域的价值，了解每一个区域和项目之间的不同关系，比如购买产生关系、竞争关系、跟随关系、传播关系，或者是潜力引导关系。通过这种分析，可以指导我们在项目规划初期的拿地的位置；对于已经建成的项目，可以明确促销活动的目标消费者群体所在的区域。

　　最后的总结：传统企业做大数据不要仅仅把目光放在销售上，而是要通过自己思考，敢于去中心化，以互联网的思维，发掘大数据的商业价值。大数据的核心价值是数据的分析能力；对商业的理解是分析产生价值的基础；真正产生价值的大数据战略只能由企业自身建立。