线下数据争夺战：你真的了解你的消费者吗？

这些使用“用户画像”的高频场景，多见于商业分析师、数据分析师、产品经理、运营的讨论中。不仅是他们，无论哪个企业、哪个岗位都需要了解用户。只有明确用户画像，使团队有一致的目标，才能“劲往一处使”，实现沟通和运营效率的最大化。

常见的用户画像

用户画像是公司产品和市场等战略方向的重要决策因素之一，功用巨大，甚至可以引导公司核心业务部门的工作方向。从规划、研发、优化、设计、营销到推广，用户画像在产品生命周期的各个阶段提供参考和指导。随着消费者对产品的需求日趋个性化、多样化，不断更新和维护用户画像对零售与快消企业就尤为重要。而想要构建可靠的、多维度的用户画像，采集和应用合适的消费者行为数据是基础。

快消行业，构建用户画像从不是新鲜事，因为其本身就源于快消行业的用户研究。然而，传统的用户调研和访谈形式单一，数据不全，且调研过程中干扰因素过多，所采集的数据真假难辨，使得调研结果的可靠性和效用大大降低。于是，线上大数据成为了众多企业的选择。

传统的用户研究

利用技术收集海量的线上消费行为数据，这在一定程度上的确避免了传统用户研究存在的缺陷，但问题是在全渠道的背景下，仅拥有线上的消费者数据就足够了吗？答案显然是：不够。

国家公布的相关数据显示，中国的消费者从未放弃线下购物，实体零售仍占据着70%的份额。印尼市场研究机构JAKPAT通过调查结果发现，线上和线下渠道的消费者对于价格、品类、质量等的关注存在差异性。

实体零售的独特性和不可替代性决定了线下消费者行为数据的巨大价值，采集和应用线下大数据也是开为全渠道精准营销方案的重要环节。在开为进入新零售赛道的六年中，我们欣喜地看到越来越多的企业部门开始发现线下大数据的应用场景和价值，开始重视企业线下数据资产，有意识地去打破现有数据的孤岛式碎片化呈现。

大数据

开为希望借助人工智能（AI）、智能终端（loT）、和大数据（Data）连接交易场景的每一个消费者，帮助客户将消费者现实场景行为数字化、将客户数据转化为智能的、可操作见解的能力，实现全渠道的精准触达及“最后一米”的转化，提升实体零售的运营效率和转化效率。数字化的变革将带来海量的数据规模、多样的数据类型、可靠的数据质量，快速的数据流转和动态的数据体系，也预示着用户体验的提升、运营成本的降低、用户画像的丰富和行业效率的普遍提高。

新零售的浪潮在传统零售业态掀起了门店数智化转型的浪潮，但遗憾的是，一些传统零售业态在技术、系统或人才培养上都较为落后，缺乏整合线上线下大数据的能力，数据孤岛现象严重。一些品牌商和零售商往往积累了大量的数据信息，却没有借此更进一步挖掘其中的价值。数据是基础信息，积累数据只是第一步，通过数据挖掘价值，帮助企业降本增效才是核心的价值资产。

场内数智化触点

通过自研的Kiwi OneHub以及Kiwi OneData，开为将线下数智化触点（智能屏幕、智能货柜、智能冷柜、收银台数据盒子等）、零售商ERP（Enterprise Resource Planning企业资源计划）、CRM系统（Customer relationship management system客户关系管理系统）所产生的交互数据和品牌方人群种子包数据进行收集规整，并进行人群分析、为用户打上多重属性标签，包括基础标签、兴趣标签、线下场景标签、定制标签等。在满足隐私条例及合规的前提下，开为为客户提供丰富的标签体系和ID Mapping打通，借助模型及预测算法，用大数据给用户“打标签”，形成丰富的数据洞察报告。

Kiwi OneHub标签体系

对会员购物数据进行深入挖掘，我们可以得到多维度的会员用户画像，既包括性别、年龄等自然属性，购物天数、购物频率等浅层次属性，也包括折扣敏感度、品类偏好等深层次属性。通过单独的用户画像汇总，再结合会员分层的结果，开为可以为零售商和品牌商提供不同价值层级的会员群体画像。

掌握了这些信息，零售商和品牌商就可以根据不同类别的用户群体属性进行会员精益运营、精准营销，以提升ROI。品牌也可以根据所反馈的数据对货品陈列、包装、SKU进行调整，降低营销成本，提高转化率和复购率。在零售场内，开为所生成的用户画像也可以直接用于会员精准发券，提高核销率。

精准发券

除了数据的采集和应用，开为全渠道数智营销方案还以智慧屏作为线上线下场景连接的流量入口，通过数字化智能引流分流，程序化推送，趣味互动来延长顾客的在店时间。借助Kiwi OneIdea，开为为客户提供上百款AR互动选择。互动玩法丰富，客户可以选择标准化的模板，也可以定制独有玩法。

开为深耕零售与快消行业多年，为多家头部零售商和品牌商提供过数据洞察和营销服务，此处仅以前段时间为国内某头部零售商设计的智慧选品方案为例。该零售商的一个主要需求为：减少商品的SKU，同时尽量保留商品的引流效果。对于这一需求，开为经过分析最终决定从商品的引流、销量、利润三大能力着手，设计一个整体的数据分析方案和算法模型方案。

鉴于客户希望在减少SKU的同时尽量保留商品的引流效果，开为认为首先需要对流量进行分层。以会员消费间隔、消费频率、消费总金额为参考维度，开为使用RFM模型将顾客分成了8个层次：重要价值客户、重要发展客户、重要保持客户、重要挽留客户、一般价值客户、一般发展客户、一般保持客户以及一般挽留客户。

基于RFM模型的用户分层

通过单独的用户画像汇总，再结合会员分层的结果，开为最终得到了不同层级的会员用户画像。譬如，关于重要挽留客户，我们发现他们往往有停车需求、价格敏感度低、通常购物时间较短。商家就可利用不同层级的会员用户画像，针对性地改善消费者的购物体验，提高消费者的到店率。

会员层级画像

以此为基础，开为通过TGI模型分析了不同商品的引流价值。再结合商品的利润价值，开为为零售商提供了以下建议：尽量保留高净值群体偏好商品；尽量保留利润型、暴利型商品，只减少优化型和走量型商品；保证个价格区间商品都有所保留；结合性别、年龄等用户画像属性，保证每个群体都能保留适用商品。

END