电商巨头裹挟、人员成本增加、租金不断涨价，使传统零售业面临巨大危机。变革，迫在眉睫。在线上数据和线下数据相互融合的新思维碰撞下，数字化转型成为给传统零售企业，带来新销售机遇和业务增长的曙光。

在沙龙中，嘉宾们具体分享了哪些宝贵的经验和知识点呢？现在，我们一起回顾下。

一、“D2D”：OMO模式下的数据化变革：

TalkingData咨询部地产及零售行业咨询总经理张赜

D2D，TalkingData数字化转型方法论，从“数字化”到“数字化”，以业务数字化为起点，以效益数字化为节点的数字化运营闭环，迭代上升，全面提升数字化能力。

从三个层面，来看D2D的实现路径：

1.跬步和千里-起节点的设计

起点：以业务的数字化为起点，拆解人货场的数据元素，厘清交互的流转数据，将业务比特化。传统方式下，以ERP、CRM的内控驱动的零售经营，以财务绩效指标为衡量企业产出的唯一因素；物质化的资产作为生产支撑工具，与业务的运营有较为清晰的分割；不管是以产定销还是以需定产，对于消费者的评估和市场的预测，都基于较为粗放和单一的逻辑；前端的设计、生产、供应链，到后端的市场、销售、终端，单向的业务链条难以形成前后端的有效整合和互动。

如今，在互联网和大数据的驱动下，从交易到交互，再到公开市场，企业对于消费者的洞察具有更为全面可获得的数据，将数据视为资产运营，并成为贯穿企业运营的承载主体，其战略意义已经超越传统的资产范畴。因此，全域触点建设尤为重要，将“人货场”的元素拆解，并建立关联；主动采集各交互流转的数据，形成数据资产的流动；通过工程化、标签化、模型化的注入，形成数据资产的价值运营，以实现全触点互动、全链路体验和全渠道的融合。

节点：以效益的数字化为节点。追求“效率”和“收益”的平衡和共进，以小的闭环验证，替代以往长周期归因的方式，快速循环、迭代和稳固提高产出价值，是数字化转型策略执行的关键。

• 效率的提升：数字化转型的前期更侧重于夯实基础，效率的提升为主要的目标。数据资产的建设、数字化平台的建设、数字化决策基础能力的建设都是垒以变革的基础。TalkingData在某零售企业的数字化转型变革中，通过前期的数据诊断评估及优化，从无到有的建设线下数据采集触点，实现近1万家门店，800万的线下客户数字化。并建立数字化平台，集成数据、模型和指标体系，形成营运决策的自动化闭环链路。同时，在效率产出阶段，投入营销活动的闭环实践，验证人货场的关联，以产消者为核心的向上向下驱动链路中，“人-货”、“人-场”的组合轮动模式，继而形成人货场的互动整合、元素重构。

• 收益的提升：经营目标的提升可以说是零售企业追求的“终极”目的，这一环节与销售端的价值创造能力息息相关。从消费者经营角度，提升消费者价值转化的漏斗，提高收入，降低成本，是提高收益的三个重要内容。构建潜在目标客户群体，提高从潜在会员到会员，再到高价值会员的漏斗转化，降低休眠和流失会员比例，使会员价值分布上移，构建良性的会员结构。并在交易环节，以更丰富和贴近的营销策略，提高客单价，降低销售成本，提高ROI。

起节点的交互和一致亦很重要。以业务的数字化，实现效益数字化的产出；并根据效益的数字化，反馈和优化业务数字化的执行，以及指导业务数字化的布局，保证两者的协同。

2.实现路径的“四化”交互

数据资产化、分析模型化、应用场景化、流程自动化

数据资产化：业务的比特化和重组的过程，将拆解后的业务数字元素，整合为可以支持企业经营，并能够持续化运营的数据资产。这一环节，需要企业在组织变革中进行较为彻底的转变，强调对于数据的采集、回笼和运营，并纳入每次营运策略制定和考核的核心内容，以长期经营资产的心态去经营数据，才能保障数据的资产化和生态化发展。

分析模型化：以机器算法与专家知识结合，提升效益的扩展能力。建立以业务场景出发，到业务场景验证的模型化分析闭环，实现数据价值的不断深入挖掘。在这一过程中，大数据的处理能力、OMO下的数据整合建模能力、客群细分和洞察能力、算法模型的验证和迭代能力，以及与专家知识的结合是关键。以大家熟知的RFM模型为例，经典的RFM模型以交易数据和频率为主要建模指标，但TalkingData通过补充线上线下交互数据，将RFM模型升级，增加到访频次和到访停留等指标，来实现更为精准的人群划分，精细化判断营销策略组合中的优化方向。同时，TalkingData数据科学团队构建的潜在客户挖掘模型、关联模型、客户流失预警模型、场景感知模型、销售预测模型、选址模型等，都开创性实现了在一三方数据整合的基础上，以人货场元素的拆解和关联，并借助TalkingData的海外在线平台优化，形成从D2D（从数字化到数字化）到D2AI（从数字化到AI）的提升。

流程自动化：业务流程和系统流程的自动化，是“四化”的承载。（1）业务流程，与传统的变革管理中组织变革、流程重组BPR不同，数字化转型的组织优化在于分割、交互、回归与自循环，即更为清晰的分割机器的能力与人的能力，并建立两者的良性交互，将人的作用回归到主观性、创造性与决策性判断上，并建立组织的自我驱动和自我优化能力。（2）系统流程，搭建数字化平台，实现对于大数据处理能力、分析洞察及建模能力、预测能力、智能交互能力和营运闭环能力，以及与传统企业一方系统平台的对接，来实现对于海量快速增长的结构化/非结构化的数据处理需求，以及对于算法模型的优化，和AI等新的零售技术的应用支持。

3.闭环、迭代和持续优化

数字化转型是一个目标和变革的方向，不能一蹴而就。以企业的基线出发，以诊断和评估入手，制定转型的阶段性目标；从起点到节点（而不是结点），实现四化能力的构建，并建立闭环反馈机制，每次迭代形成新的基线，并指导下一次的策略。将传统企业的转型与互联网的经营思路相结合，以基石的稳固和小的闭环迭代快速推演、优化，才是数字化转型的正确实现方式。

实践：运用TalkingData D2D方法论，TalkingData形成数字化转型的整体解决方案，从数据、平台、咨询层面，为零售企业提供一体化解决方案，驱动传统零售企业以数据的智能构建技术的智能、组织的智能和决策的智能，稳步推进数字化转型，并构建可以持续化发展的能力。

二、打通线下与线上，数据资产化赋能新零售：

众盟数据商业拓展VP王志勇

众盟数据商业拓展VP王志勇认为，线上流量红利消失，实体商业流量价值迎来黄金时代。线下场景流量巨大，并且蕴藏巨大的商业价值。在线上流量逐渐消失的情况下，线下流量至少是线上的50倍。而且线下流量成本更低、稳定性更高。线下实体经营者，应该增强对线下流量运营的概念和意识。

三、如何在新零售商浪潮下玩转商业地产：

中国电信云计算分公司大数据事业部首席数据分析师张宇中

在新零售浪潮下，中国电信云计算分公司大数据事业部首席数据分析师张宇中把地产行业客户主要分为：商业地产运营企业、渠道代理商、住宅地产运营企业和政府部门，这4类行业客户，并针对此4类行业客户给现场同学带来了以下痛点分析——

1）商业地产运营企业（购物中心、商铺、品牌连锁店）

• 商业决策凭经验且周期长，与市场需求脱节；

• 顾客粘性差，高频到访客流占比低；

• 流量转化率低，线下流量浪费严重；

• 营销效果差，营销成本高；会员沉默比例高；

• 竞品间运营和业态服务同质化严重。

2）渠道代理商（含大数据应用服务公司）

• 有客户资源，但缺乏提供解决方案的能力；

• 自建解决方案平台成本高，周期长，运营经验不足；

• 自采购的数据质量差且数据源单一，解决方案无法满足客户需求。

3）住宅地产运营企业

• 拿地选址阶段，无法量化人口数量、收入等指标；

• 产品设计阶段，目标客户群偏好和需求把握不准；

• 营销阶段，线上和线下引流效果差和销售转化率低；

• 社区物业运营阶段，缺乏对社区居民的生活阶段、画像和偏好的了解。

4）政府部门（含事业单位或行业协会）

• 城镇化管理与决策理论方法滞后；

• 城镇化相关决策和管理，缺少量化依据；

• 城镇化决策静态化，目标单一，缺乏全局视角；

• 城镇化管理手段不精细，效率低，持续性差。

四、数驱OMO TalkingData营销实战解析：

TalkingData数据分析高级总监 王鹏

随着当前线上、线下销售竞争加剧和流量渠道变革，传统购物中心、商场运营模式业受到了前所未有的挑战和冲击。TalkingData数据分析高级总监王鹏，给现场同学分享了以商场为例的OMO营销实战解析。王鹏表示基于当下行业状况，商场运营者需要精细的了解客户特点，才能更好的优化商场的业态组合，从而提升用户体验吸引更多用户。王鹏根据多年客户经验，总结了在商场营销、运营实践中，可尝试从

1.人群洞察

根据不同的数据源，进行不同维度的洞察分析。不同数据源之间，是否能打通，决定了分析者从哪个角度分析数据与自身业务点结合、与应用场景结合；

2.流量分析

人群分布特征，给线下运营活动推广提供了有效的决策依据和指导；

3.关联分析

通过数据和AI不断优化商场店铺，智能招商，智慧运营；

五、TalkingData核心产品分享：

TalkingData数据营销方案总监 曲政

TalkingData数据营销方案总监 曲政，在本次沙龙中为在座同学介绍助力企业全面线上线下数据融合，带来新发展机遇、用数据赋能营销增长的TalkingData相关数据服务产品。

1.SMC-智能营销云

依托于TalkingData强大数据源和TD数据市场的互联数据，从目标客群寻找、客群特征洞察、营销流量连接触达，到营销效果监测并学习提升的一体化数据营销闭环平台。

2.BrandGrowth-品牌广告价值分析

一款基于大数据贯穿品牌营销全链路助力品牌价值增长的产品，除了效果转化外,更能看到广告主品牌美誉度的提升。

3.SDMK-智能数据交易市场

用数据帮助传统企业转型升级为数据驱动型企业。

4.MI-移动观象台

纵览行业数据，解析移动趋势。

閱讀更多 TalkingData 的文章

關鍵字: 人工智能 大数据 云计算