论文部分内容阅读
先来思考这样一个问题：为什么星巴克的排队一定是横排的，而不是肯德基、麦当劳那样的竖排？这个问题经济学中有很多种解释，其中比较靠谱的一种说法：横排排队可以减少空间里的压抑感，一方面让整个空间看起来更宽敞；另一方面可以降低人流的流动频次，缓解空间里的紧张感。
通过横着排队这种对行为规则的改变，让咖啡馆区别于快餐店，确定自己的消费人群和商业模型，是个非常好的经济学案例。这其中很重要的一点是说明了“行为”能带来的商业结果。著名心理学家卡勒曼凭借对行为经濟学中前景理论的构建获得过诺贝尔经济科学奖。所谓行为学，在学术上的研究目标是“个体和社群为适应内外环境变化所做出的反应”。我们每天的一举一动莫不是行为，习惯、工作、爱好也都是行为。
很有意思的是，行为是一个非常好的数据化样本，比如你每天的出行路线、上网的浏览轨迹、摄像头中的一举一动，都可以被数据化。而数据的运行本身也是一种行为，比如数据的运算、建模、流动和交换。我们今天的世界，可以说是从行为数据化中开始，到数据行为化中结束。
最近一个特别火的概念是新零售。马云在提出新零售时，就明确了它是融合线上、线下与数据的产物。目前我们看到的生物识别+无人超市，就是一种线上数据来到线下场景的示例。我们可以换一种方式理解数据，来打通线下消费的更多可能性。
结果与过程：另一个视角看数据
大数据到底是什么？比如说，大数据显示，每天有多少共享单车被使用、房价在一年里被抬高了多少、地区农作物产量的数据变化等，这都是大数据的结果。我们看到的数据，是经历了数据收集与运算、整理过程之后，呈现出可供人理解的“扁平化大数据”。我们可能确实知道了很多此前不知道的，但这绝对不是大数据的全貌。
比如，我们看得到一个地区交通事故的总数和时间曲线，却看不到每一次交通事故是如何发生、原因是什么、哪些事故因素可以被改善、哪些事故可以更及时救援，甚至哪些可以预防。
假如我们看到的数据结果是一个二次元的漫画人物，那么看不见的数据就是一个三次元里完整的人一一这就是数据行为。数据行为不仅仅是数据的增长过程，还包括在整个时空关系中数据的交互状态，比如具体数据的轨迹、数据的折返区间、数据多元性，以及与预期模型之间的差异。
这么说可能有点过于抽象，举个不太恰当的例子来解释：你买个雪糕，是数据结果，证明你喜欢这个牌子的雪糕。但是数据行为却可能显示，你是问了好几个牌子都没货、挑了好几个牌子嫌太贵、不想买却发现天气实在太热，才最终买了这个雪糕……然后吃一口就扔了一一这都是数据行为一一也是其他雪糕品牌占领这个客户的机会。
通过大数据来了解用户，已经不是什么新鲜事，甚至有点老生常谈。但根据用户的数据行为来了解你的用户却是一个空白。通过解码数据行为，你会得到哪些对用户的全新认知呢？
数据行为在时间上的同频性可以让掌握数据的企业认识多端口数据源融合下的用户。比如说我们的社交行为、内容阅读行为、购物行为，与真实世界中摄像头拍摄下的、交通信息中的、工商信息中的我们，其实各自都是我们自身的一个剪影。通过时间概念把这些数据整合起来，可以合并成一个相对完整的用户形象。
用户在购买行为之外的所思所想、每天的所见所闻，用暴露于公共视野下的数据拼接起来并不难。如此，企业对于用户消费动机与规律的把握，将提升到一个新的高度。
数据行为会侦测用户消费轨迹的改变。大部分人在生活中都有稳定的消费规则，或高或低都有其规律。而一旦出现峰值，就会说明用户有某种消费异常产生。实时分析这些消费数据的行为轨迹，可以实时提供恰当的服务，比如用户突然出现消费冲动时进行针对引导、用户消费轨迹趋缓时给予消费刺激。
另一个数据行为带来的改变是企业可以测算出用户应用的使用模型。比如打篮球，用户本应该一周打五次，一次半小时。但假如出现用户使用率降低，可能就说明产品本身出现了问题。对于互联网产品来说，用户行为与预期模型之间的差别能说明很多问题。
组织行为中的关键信息比特化
通过人工智能检测个体用户数据之外，还有一种检测集体数据行为的方式。比如已经在城市安防当中应用的人流轨迹识别技术。这类技术可以观察一个群体的动态，并通过多个数据源进行数据采集与分析。这一类数据进行全面的数据行为监控很难，但可以永久留存关键信息并进行多个领域的应用。
比如说，某个写字楼里一到中午分贝就提高，人脸识别表示不高兴的人数急剧攀升：这可能说明外卖必须投入更多人力。或者某地铁站早上的人流停滞度过高，人流运行缓慢：这可能说明要投放更多的共享单车。通过分析这些数据运行的关键值，可以给企业提供非常好的运行依据。
这只是最基本的一种人流数据行为应用。具体到相对垂直、复杂的群落组织中，数据行为的应用性会更加广阔。
如何激发消费
到底如何把数据行为应用放到新零售里呢？数据行为可以更好地理解个体与群体在时间轴上的精准动向和动机。这就让很多基于移动互联网的简单商业激发有可能变得更加复杂。通过对线上数据行为的广泛测写，结合现实世界数据收集端口提供帮助。人工智能至少可以为线下消费场景搭建以下几种能力：
一、解决地理空间中的推荐问题：我们都感受过所谓的智能推荐，基本都是根据你的浏览记录进行购买推荐。这种推荐本身非常不智能，而且往往进行线下推荐时就会失效。因为系统只能知道你的定位，却无法预计你的目标，也无从知道你的运动轨迹。更多时候还是需要用户自己去寻找消费。而结合运行轨迹、消费轨迹等数据行为，或许可以准确地在地理空间中实现线下消费推荐：不走冤枉路、不浪费时间，就近找到你的消费可能。
二、解决实时需求：数据行为检测的一个特征，就是其具有非常强的实时处理能力。很多消费契机都是实时出现的，可能用户自身都没有察觉到。但数据系统却可以感知到。比如数据分析出你该渴了，又能从以往消费数据中判断你的口味，然后实时对接饮品店的消费可能。这就集成了很多消费机会。
三、提供线下的智能服务：新零售里一直有个预期，就是你到了店里，发现店里正好都是你需要买的东西，不用自己找。这种听起来像读心术的消费场景，也可能通过对你生活中方方面面的数据行为的测算得到结果。人进行线下消费的频率其实是非常稳定的。利用迁移学习和过往数据来生成一个人的购物预期模型，并非不能做到。
四、根据群体行为调整供需策略：群体行为往往决定了很多服务与消费的市场，群体行为的往复变化也决定了很多依托人群的消费场景兴衰。测算人群，实时调整供需和营销，可以为人群场景的线下消费企业提供极大的效率改善。
相比我们经常看到的图表和结论，大数据其实能体现更多东西。我们每天都暴露在数据收集器之下，也成为数据的使用者和消费者。相比无尽的增大数据量，把现有数据立体化、行为化，其实就能探究人类社会的无数奥秘。
通过横着排队这种对行为规则的改变，让咖啡馆区别于快餐店，确定自己的消费人群和商业模型，是个非常好的经济学案例。这其中很重要的一点是说明了“行为”能带来的商业结果。著名心理学家卡勒曼凭借对行为经濟学中前景理论的构建获得过诺贝尔经济科学奖。所谓行为学，在学术上的研究目标是“个体和社群为适应内外环境变化所做出的反应”。我们每天的一举一动莫不是行为，习惯、工作、爱好也都是行为。
很有意思的是，行为是一个非常好的数据化样本，比如你每天的出行路线、上网的浏览轨迹、摄像头中的一举一动，都可以被数据化。而数据的运行本身也是一种行为，比如数据的运算、建模、流动和交换。我们今天的世界，可以说是从行为数据化中开始，到数据行为化中结束。
最近一个特别火的概念是新零售。马云在提出新零售时，就明确了它是融合线上、线下与数据的产物。目前我们看到的生物识别+无人超市，就是一种线上数据来到线下场景的示例。我们可以换一种方式理解数据，来打通线下消费的更多可能性。
结果与过程：另一个视角看数据
大数据到底是什么？比如说，大数据显示，每天有多少共享单车被使用、房价在一年里被抬高了多少、地区农作物产量的数据变化等，这都是大数据的结果。我们看到的数据，是经历了数据收集与运算、整理过程之后，呈现出可供人理解的“扁平化大数据”。我们可能确实知道了很多此前不知道的，但这绝对不是大数据的全貌。
比如，我们看得到一个地区交通事故的总数和时间曲线，却看不到每一次交通事故是如何发生、原因是什么、哪些事故因素可以被改善、哪些事故可以更及时救援，甚至哪些可以预防。
假如我们看到的数据结果是一个二次元的漫画人物，那么看不见的数据就是一个三次元里完整的人一一这就是数据行为。数据行为不仅仅是数据的增长过程，还包括在整个时空关系中数据的交互状态，比如具体数据的轨迹、数据的折返区间、数据多元性，以及与预期模型之间的差异。
这么说可能有点过于抽象，举个不太恰当的例子来解释：你买个雪糕，是数据结果，证明你喜欢这个牌子的雪糕。但是数据行为却可能显示，你是问了好几个牌子都没货、挑了好几个牌子嫌太贵、不想买却发现天气实在太热，才最终买了这个雪糕……然后吃一口就扔了一一这都是数据行为一一也是其他雪糕品牌占领这个客户的机会。
通过大数据来了解用户，已经不是什么新鲜事，甚至有点老生常谈。但根据用户的数据行为来了解你的用户却是一个空白。通过解码数据行为，你会得到哪些对用户的全新认知呢？
数据行为在时间上的同频性可以让掌握数据的企业认识多端口数据源融合下的用户。比如说我们的社交行为、内容阅读行为、购物行为，与真实世界中摄像头拍摄下的、交通信息中的、工商信息中的我们，其实各自都是我们自身的一个剪影。通过时间概念把这些数据整合起来，可以合并成一个相对完整的用户形象。
用户在购买行为之外的所思所想、每天的所见所闻，用暴露于公共视野下的数据拼接起来并不难。如此，企业对于用户消费动机与规律的把握，将提升到一个新的高度。
数据行为会侦测用户消费轨迹的改变。大部分人在生活中都有稳定的消费规则，或高或低都有其规律。而一旦出现峰值，就会说明用户有某种消费异常产生。实时分析这些消费数据的行为轨迹，可以实时提供恰当的服务，比如用户突然出现消费冲动时进行针对引导、用户消费轨迹趋缓时给予消费刺激。
另一个数据行为带来的改变是企业可以测算出用户应用的使用模型。比如打篮球，用户本应该一周打五次，一次半小时。但假如出现用户使用率降低，可能就说明产品本身出现了问题。对于互联网产品来说，用户行为与预期模型之间的差别能说明很多问题。
组织行为中的关键信息比特化
通过人工智能检测个体用户数据之外，还有一种检测集体数据行为的方式。比如已经在城市安防当中应用的人流轨迹识别技术。这类技术可以观察一个群体的动态，并通过多个数据源进行数据采集与分析。这一类数据进行全面的数据行为监控很难，但可以永久留存关键信息并进行多个领域的应用。
比如说，某个写字楼里一到中午分贝就提高，人脸识别表示不高兴的人数急剧攀升：这可能说明外卖必须投入更多人力。或者某地铁站早上的人流停滞度过高，人流运行缓慢：这可能说明要投放更多的共享单车。通过分析这些数据运行的关键值，可以给企业提供非常好的运行依据。
这只是最基本的一种人流数据行为应用。具体到相对垂直、复杂的群落组织中，数据行为的应用性会更加广阔。
如何激发消费
到底如何把数据行为应用放到新零售里呢？数据行为可以更好地理解个体与群体在时间轴上的精准动向和动机。这就让很多基于移动互联网的简单商业激发有可能变得更加复杂。通过对线上数据行为的广泛测写，结合现实世界数据收集端口提供帮助。人工智能至少可以为线下消费场景搭建以下几种能力：
一、解决地理空间中的推荐问题：我们都感受过所谓的智能推荐，基本都是根据你的浏览记录进行购买推荐。这种推荐本身非常不智能，而且往往进行线下推荐时就会失效。因为系统只能知道你的定位，却无法预计你的目标，也无从知道你的运动轨迹。更多时候还是需要用户自己去寻找消费。而结合运行轨迹、消费轨迹等数据行为，或许可以准确地在地理空间中实现线下消费推荐：不走冤枉路、不浪费时间，就近找到你的消费可能。
二、解决实时需求：数据行为检测的一个特征，就是其具有非常强的实时处理能力。很多消费契机都是实时出现的，可能用户自身都没有察觉到。但数据系统却可以感知到。比如数据分析出你该渴了，又能从以往消费数据中判断你的口味，然后实时对接饮品店的消费可能。这就集成了很多消费机会。
三、提供线下的智能服务：新零售里一直有个预期，就是你到了店里，发现店里正好都是你需要买的东西，不用自己找。这种听起来像读心术的消费场景，也可能通过对你生活中方方面面的数据行为的测算得到结果。人进行线下消费的频率其实是非常稳定的。利用迁移学习和过往数据来生成一个人的购物预期模型，并非不能做到。
四、根据群体行为调整供需策略：群体行为往往决定了很多服务与消费的市场，群体行为的往复变化也决定了很多依托人群的消费场景兴衰。测算人群，实时调整供需和营销，可以为人群场景的线下消费企业提供极大的效率改善。
相比我们经常看到的图表和结论，大数据其实能体现更多东西。我们每天都暴露在数据收集器之下，也成为数据的使用者和消费者。相比无尽的增大数据量，把现有数据立体化、行为化，其实就能探究人类社会的无数奥秘。