為什么我們關注線下場景的大數據?

從用戶角度出發(fā)，我們會發(fā)現(xiàn)用戶有兩大稀缺資源，時間和金錢。前者體現(xiàn)在每人每天都只有24小時，后者體現(xiàn)在每人每年的可支配收入是相對固定的。

線上互聯(lián)網的使用場景主要集中在電商、社交、內容等，根據QuestMobile2018年中國移動互聯(lián)網報告，平均用戶每天在線上時間投入大約為5小時。相比而言，除去睡眠時間，用戶投入在線下的時間仍是線上時間的兩倍。

雖然許多非餐飲的食品、煙酒以及日常家用品線上滲透率非常高，但人們還是會去線下消費，比如吃飯、買車、看病、教育等。2017年居民人均消費支出大約在18000元，線上消費占比三分之一，線下消費投入仍是線上消費投入的兩倍。

毫無疑問，用戶的時間、金錢投入的大頭仍在線下。

回到產業(yè)端，數據服務是企業(yè)服務的一種，是賦能的邏輯，如果你做得很好的情況下我是沒有必要幫你做得更好的。我們發(fā)現(xiàn)，線上場景集中度比較高，已經形成巨頭吃肉，余下喝湯的局面。但從線下的競爭觀察，其天然的LBS(Location Based Service)屬性決定了行業(yè)集中度低，業(yè)態(tài)分散，不僅面臨線上巨頭的競爭，還面臨與線下同地區(qū)業(yè)態(tài)的競爭。線下商業(yè)競爭激烈，于是為企業(yè)賦能的第三方數據服務有很大的空間。

如果比較線上的數據結構，我們會發(fā)現(xiàn)一個典型的TMT公司往往已經形成數據閉環(huán)。從流量開始，到打通的賬號體系，公司可以清楚地知道用戶是誰，用戶做了什么，多少的用戶買了單。這些數據都可以被采集和記錄，公司可以通過數據分析，挖掘用戶價值，形成運營體系。

反觀線下數據，線下很多業(yè)態(tài)是無法對其客流進行把握和分析的。一家傳統(tǒng)的百貨公司是不知道今天我來了多少人，他們的消費需求是什么，更別提感知營銷活動、天氣等對客流的影響，基本處于躺著賺錢的粗放式經營狀態(tài)。

雖然部分線下大數據公司已經實現(xiàn)了通過wifi傳感器、攝像頭和Beacon去捕捉和分析客流，但這仍處于最基本的流量環(huán)節(jié)。關于用戶的識別、以及用戶交互還是兩眼一抹黑。線下場景相對封閉，客流、識別、動線/交互、交易支付、用戶運營每個環(huán)節(jié)都需要單獨的供應商，需要從零部署，數據相互打通基本沒有。

線下競爭激烈，業(yè)態(tài)分散，我們認為這是第三方數據服務存在的空間，最終線下業(yè)態(tài)會逐步跟隨線上業(yè)態(tài)完成數據閉環(huán)。

數據交易不是線下數據變現(xiàn)的最優(yōu)解，

理想形態(tài)應與用戶需求和應用場景相結合

我們從數據價值和變現(xiàn)模式來看待線下大數據理想的商業(yè)模式可能是什么樣的。

首先線下大數據的數據價值體現(xiàn)在精準性和廣泛性兩點：

精準性：相比于可復制的線上數據，線下數據通常代表著用戶的真實消費意愿，人們每一次出現(xiàn)在餐廳、零售店、4S店都真實表現(xiàn)了他的時間花費，并且他可能是打車或坐地鐵特地跑去線下店的。

廣泛性：線下數據覆蓋了全量人群，互聯(lián)網覆蓋較少的銀發(fā)人群以及小于10歲的小孩，他們的消費行為和意愿是可以在線下被捕捉的。

基于這兩點，我們看好線下數據的數據價值。目前市面上數據服務主要有以下四種變現(xiàn)模式：數據交易、數據呈現(xiàn)、營銷服務、運營服務。

數據交易，它的變現(xiàn)形式比較簡單，即直接售賣采集到的數據源，但是這種模式存在變現(xiàn)可持續(xù)性不足，以及規(guī)模天花板的問題。

數據呈現(xiàn)，它是將采集到的數據經過淺加工，變成一個商業(yè)化的產品賣給用戶。這種產品的輸出形態(tài)是，基于多方數據源，進行數據挖掘后形成的BI報表。比如，把硬件布在零售超市的數據公司，會呈現(xiàn)貨架上面的品類，然后告訴超市哪個SKU現(xiàn)在已經需要去補貨。它變現(xiàn)的方式比較直接，賣產品然后收年服務費。數據呈現(xiàn)類產品變現(xiàn)的優(yōu)勢在于，它能落地成一個相對標準化的產品。但是它的問題在于工具屬性比較重，因為它只做呈現(xiàn)，至于客戶怎么去使用這個數據，怎么去決定商業(yè)發(fā)展的問題，都無法涉足，所以客單價會相對受限。

上圖從左到右，是基于數據源逐步做深的過程，再往后做深就是落實到營銷服務和運營服務里。

營銷服務，簡單理解就是一種更加精準的線下廣告，它的輸出能力是基于線下采集的數據，加上數據分析能力和媒體曝光的能力，使其最終能在場景里，比較精準地觸達目標人群，比如白領人群、家長人群等，可以對人群打各種各樣的標簽。它的收費模式類似傳統(tǒng)廣告，是按照曝光量去收的。這種模式，優(yōu)勢在于營銷是剛需，每個企業(yè)都有營銷預算，挑戰(zhàn)在于如果沒有媒體資源，它的分潤比例就不會太高。

最后一個維度就是運營服務，即營銷拉新用戶后，還指導企業(yè)運營決策，比如如何運營這些用戶，應該在哪里選址，如果是百貨購物中心的話，里面應該引入什么樣的品牌，淘汰什么樣的品牌，品牌擺放的區(qū)位如何安排，這些問題其實都是運營服務的一部分。這種模式這種現(xiàn)在有企業(yè)開始逐步做了，算是相對比較新的領域，比較典型的收費模式就是按照項目合同制的模式去收，優(yōu)勢在于技術壁壘比較高，因為背后需要用到的工具很多，客單價也會比較高，挑戰(zhàn)就是在于模式的可復制性，包括產品化的程度還處于較為早期的階段。

數據交易本身不是最優(yōu)質的商業(yè)形態(tài)，原因如下：

數據跟普通的商品不一樣，它是沒有使用異步性的問題，一旦復制和規(guī)?；瘮U張之后數據的價值就會降低。

數據邊際成本幾乎為零。一旦布下一個傳感器，它就持續(xù)不斷地貢獻數據，額外地增加這個數據的獲取成本，基本上可以趨向為零。

如果數據源不去與應用深度的結合，單純賣一個數據源，無法掌握數據的定價權的。

涉及數據交易比較容易遇到用戶隱私的問題。

所以，數據的規(guī)模和單位價格之間會相互的制約，這會是一個trade off，并且可能會帶來隱私風險。

理想的線下大數據商業(yè)形態(tài)應該是，深度與用戶需求和應用場景相結合的營銷服務和運營服務。

線下“頭條”以及數據驅動版“麥肯錫”?

從營銷和運營角度，線下大數據的想象空間在哪里?我們將行業(yè)通過決策周期和消費頻次兩個維度去分類，有的行業(yè)需要營銷，有的需要運營。

決策周期長、消費頻次低的商品種類，類似于汽車、房產等，營銷需求強。因為其一，消費頻次很低，比如用戶購買新車后，需要等個五年十年才會買另一輛，這是一個天然的長周期生意，也就是說拉新是它主要收入的貢獻來源，之后才能從拉新的顧客身上賺取足夠的錢。所以，消費頻次越低，營銷需求越強。其二，正因為購買決策流程極其復雜，營銷就有比較多的窗口機會。比如一種場景是，通過設備探測到消費者去了4S店，大概率他就是需要買車的人，但是不可能他第一次去就當場買車。所以，在3-6個月左右的時間窗口里，企業(yè)就可以推送廣告或者其他服務，這樣營銷效率是非常高的。

以線下大數據為核心的營銷業(yè)態(tài)可能是什么樣的?如果看線上巨頭如百度和頭條，根據用戶行為數據做精準營銷，已經是非常成熟的模式，但線下營銷還停留在資源驅動為主，比如像分眾傳媒等這樣的公司，通過將屏幕鋪設在電梯、機場，占據各個線下場景。

在我們看來，通過線下大數據幫助線下傳媒做精準信息分發(fā)是有可能的。

舉一個典型場景的例子來講，這是幾位男性創(chuàng)業(yè)者跟我們講的一個笑話，他們在一個寫字樓里面等電梯，結果就發(fā)現(xiàn)電梯那邊的廣告在展示一個衛(wèi)生巾的廣告，他們就覺得很尷尬。

所以，其實他們想象的場景是什么呢?未來這個屏幕上面可能是會有傳感器的，基于這些信息我就會知道，在我面前站著的這個人是一幫男性，而且是相對中青年的男性，在這種情況下面它有可能就不會去推這個廣告，它的廣告就可以做到分散化，做到一個顆粒度更細，基于誰來到了我這個屏幕旁邊去決定我到底要給你推送什么樣的內容，而這件事情天然就是線上的數據驅動的業(yè)態(tài)，就是千人千面。

我們認為，未來有可能通過線下數據和場景資源結合的業(yè)態(tài)出現(xiàn)一家新型媒體集團。

決策周期短、消費頻次高的行業(yè)例如餐飲、零售、購物中心，這是所見即所得的服務，運營需求強。這些業(yè)態(tài)已經有相應的流量，但是我需要知道流量是誰，需要去更好的了解用戶從而指導運營，這個部分是運營導向的。

市面上已經有兩類咨詢在幫助企業(yè)做運營。一類如典型咨詢公司麥肯錫、貝恩等，他們在行業(yè)里有豐富的經驗，了解行業(yè)的know how，可以幫助企業(yè)提供經驗驅動型的咨詢服務。另一類如于Nielson等數據驅動的企業(yè)服務公司，根據企業(yè)已有的交易數據、用戶數據去以及市場情況，提供數據監(jiān)測管理服務。

但在此基礎上，我們認為未來可能存在將兩者結合，出現(xiàn)以數據為主要驅動力的咨詢業(yè)態(tài)。已經出現(xiàn)的玩家比如Aibee，它將各地的數據匯總到一起，通過AI各種工具，基于用戶需求提供整套解決方案。

數據采集分散限制了線下大數據行業(yè)的增速

雖然說線下大數據市場很大、價值和空間也很大，但它不像2C這個業(yè)態(tài)，一上線就能爆發(fā)式的增長，線下大數據增速緩慢的現(xiàn)狀，主要難點就在于分散：

一是場景分散，不同的場景是極度分散的。百貨中心是獨立業(yè)態(tài)、餐飲連鎖是獨立業(yè)態(tài)，兩者相互之間并不關聯(lián)。而一個用戶有可能到任何一個場景里面去游逛。所以如果不打通極度分散的場景，對用戶的認知一定程度上就會變得比較淺層和片面。

二是數據采集位置分散，剛才講到線下場景天然就是有物理區(qū)隔的，它分散在不同的省份、不同的城市、不同的位置里。線下的數據采集都是需要一步一個腳印，一個一個客戶的去敲門，然后一個一個的去布到這個場景里面。

三是數據采集形式分散，線下數據采集形式包括WiFi探針、攝像頭集群、POS收銀系統(tǒng)等。不同的采集形式帶來的是不同的賬號體系，用戶ID Mapping尚未打通。

展望未來，線下數據服務商應多元融合，建立數據聯(lián)盟和場景聯(lián)盟，促進線下商業(yè)從LBS (Location Based Service，基于位置的服務) 轉向UBS (User Based Service，基于用戶的服務)，將用戶價值最大化。

上圖左邊的數據聯(lián)盟，為什么我們需要它，是因為每一個企業(yè)本身所獲得的數據，只是廣泛數據中一個小的子集，最好的方式是通過多種形式，比如通過股權合作的形式去促成數據聯(lián)盟，大家數據互通，資源互補。而右邊的場景聯(lián)盟，是指如果有一些場景比如百貨購物中心，已經被其他市場玩家占據，那么企業(yè)可以選擇戰(zhàn)略性放棄而進入其他場景，但通過資本的合作，把場景聯(lián)盟也構建起來，讓場景相互之間也能夠串聯(lián)。

最終的形態(tài)就是通過數據互通、場景互聯(lián)，讓數據維度更加豐富，從而能更好地知道客戶是誰，帶來更大的數據價值。然后幫助企業(yè)更好地知道客戶需求，從而提供更好的服務。

如果上述事情能夠完成，客戶和這些數據服務商之間的關系就會更緊密，客戶就會把更多的場景給到你，有了更多的場景之后，服務商描述用戶的數據維度又會更加豐富，這樣一個滾雪球的無限循環(huán)就完成了，最終的結果就是用戶價值最大化。我們樂見其成的是，行業(yè)內會出現(xiàn)多元的數據服務商，在數據和場景維度能夠深度合作。