每日最新頭條.有趣資訊

物聯網時代 線下大數據的想象太空在哪裡?

來源 | 泰合資本

在近日的“泰合書院”內部分享會上,泰合資本董事梅林分享了她對線下大數據領域的分析和預測。

縱觀人類歷史,人類從農耕時代的土地驅動、手工業時代的勞動力驅動、蒸汽時代的機械驅動,逐漸到現在互聯網時代的數據驅動,可以預見,數據有可能作為基礎設施,成為未來的第五生產要素。而在即將到來的物聯網時代,線下大數據有可能是最重要的命題之一:

關注線下大數據,因為用戶的兩大稀缺資源,時間和金錢依然集中在線下;

相比於線上大數據,線下大數據生產門檻更高,具有精準性和廣泛性的兩大特點;

數據服務主要有四種變現模式:數據交易、數據呈現、行銷服務、運營服務;

理想的線下大數據商業形態是,深度與用戶需求和應用場景相結合的行銷服務和運營服務;

線下大數據的未來趨勢是,通過數據聯盟和場景聯盟進行“融合”。

以下為部分分享內容,經36氪整理發布:

為什麽我們關注線下場景的大數據?

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

線上互聯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,線上消費佔比三分之一,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。

回到產業端,數據服務是企業服務的一種,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。我們發現,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)屬性決定了行業集中度低,業態分散,不僅面臨線上巨頭的競爭,還面臨與線下同地區業態的競爭。線下商業競爭激烈,於是為企業賦能的第三方數據服務有很大的太空。

如果比較線上的數據結構,我們會發現一個典型的TMT公司往往已經形成數據閉環。從流量開始,到打通的账號體系,公司可以清楚地知道用戶是誰,用戶做了什麽,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。比如,我們服務的神策數據,就是幫助企業把所有用戶在線上發生的行為全部采集下來。

反觀線下數據,線下很多業態是無法對其客流進行把握和分析的。一家傳統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麽,更別提感知行銷活動、氣象等對客流的影響,基本處於躺著賺錢的粗放式經營狀態。

雖然部分線下大數據公司已經實現了通過wifi傳感器、攝影頭和Beacon去捕捉和分析客流,但這仍處於最基本的流量環節。關於用戶的識別、以及用戶互動還是兩眼一抹黑。線下場景相對封閉,客流、識別、動線/互動、交易支付、用戶運營每個環節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,業態分散,我們認為這是第三方數據服務存在的太空,最終線下業態會逐步跟隨線上業態完成數據閉環。

數據交易不是線下數據變現的最優解,理想形態應與用戶需求和應用場景相結合

我們從數據價值和變現模式來看待線下大數據理想的商業模式可能是什麽樣的。

首先線下大數據的數據價值體現在精準性和廣泛性兩點:

精準性:相比於可複製的線上數據,線下數據通常代表著用戶的真實消費意願,人們每一次出現在餐廳、零售店、4S店都真實表現了他的時間花費,並且他可能是計程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,互聯網覆蓋較少的銀發人群以及小於10歲的小孩,他們的消費行為和意願是可以在線下被捕捉的。

基於這兩點,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模式:數據交易、數據呈現、行銷服務、運營服務。

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

數據呈現,它是將采集到的數據經過淺加工,變成一個商業化的產品賣給用戶。這種產品的輸出形態是,基於多方數據源,進行數據挖掘後形成的BI報表。比如,把硬體布在零售超市的數據公司,會呈現貨架上面的品類,然後告訴超市哪個SKU現在已經需要去補貨。它變現的方式比較直接,賣產品然後收年服務費。

數據呈現類產品變現的優勢在於,它能落地成一個相對標準化的產品。但是它的問題在於工具屬性比較重,因為它隻做呈現,至於客戶怎麽去使用這個數據,怎麽去決定商業發展的問題,都無法涉足,所以客單價會相對受限。

上圖從左到右,是基於數據源逐步做深的過程,再往後做深就是落實到行銷服務和運營服務裡。

行銷服務,簡單理解就是一種更加精準的線下廣告,它的輸出能力是基於線下采集的數據,加上數據分析能力和媒體曝光的能力,使其最終能在場景裡,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廣告,是按照曝光量去收的。這種模式,優勢在於行銷是剛需,每個企業都有行銷預算,挑戰在於如果沒有媒體資源,它的分潤比例就不會太高。

最後一個維度就是運營服務,即行銷拉新用戶後,還指導企業運營決策,比如如何運營這些用戶,應該在哪裡選址,如果是百貨購物中心的話,裡面應該引入什麽樣的品牌,淘汰什麽樣的品牌,品牌擺放的區位如何安排,這些問題其實都是運營服務的一部分。

這種模式這種現在有企業開始逐步做了,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約製的模式去收,優勢在於技術壁壘比較高,因為背後需要用到的工具很多,客單價也會比較高,挑戰就是在於模式的可複製性,包括產品化的程度還處於較為早期的階段。

數據交易本身不是最優質的商業形態,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,一旦複製和規模化擴張之後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,數據的規模和部門價格之間會相互的製約,這會是一個trade off,並且可能會帶來隱私風險。

理想的線下大數據商業形態應該是,深度與用戶需求和應用場景相結合的行銷服務和運營服務。

線下“頭條”以及數據驅動版“麥肯錫”?

從行銷和運營角度,線下大數據的想象太空在哪裡?我們將行業通過決策周期和消費頻次兩個維度去分類,有的行業需要行銷,有的需要運營。

決策周期長、消費頻次低的商品種類,類似於汽車、房產等,行銷需求強。因為其一,消費頻次很低,比如用戶購買新車後,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,之後才能從拉新的顧客身上賺取足夠的錢。所以,消費頻次越低,行銷需求越強。

其二,正因為購買決策流程極其複雜,行銷就有比較多的視窗機會。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個月左右的時間視窗裡,企業就可以推送廣告或者其他服務,這樣行銷效率是非常高的。

以線下大數據為核心的行銷業態可能是什麽樣的?如果看線上巨頭如百度和頭條,根據用戶行為數據做精準行銷,已經是非常成熟的模式,但線下行銷還停留在資源驅動為主,比如像分眾傳媒等這樣的公司,通過將螢幕鋪設在電梯、機場,佔據各個線下場景。

在我們看來,通過線下大數據幫助線下傳媒做精準資訊分發是有可能的。

舉一個典型場景的例子來講,這是幾位男性創業者跟我們講的一個笑話,他們在一個辦公大樓裡面等電梯,結果就發現電梯那邊的廣告在展示一個衛生巾的廣告,他們就覺得很尷尬。

所以,其實他們想象的場景是什麽呢?未來這個螢幕上面可能是會有傳感器的,基於這些資訊我就會知道,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,基於誰來到了我這個螢幕旁邊去決定我到底要給你推送什麽樣的內容,而這件事情天然就是線上的數據驅動的業態,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態出現一家新型媒體集團。

決策周期短、消費頻次高的行業例如餐飲、零售、購物中心,這是所見即所得的服務,運營需求強。這些業態已經有相應的流量,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。

市面上已經有兩類谘詢在幫助企業做運營。一類如典型谘詢公司麥肯錫、貝恩等,他們在行業裡有豐富的經驗,了解行業的know how,可以幫助企業提供經驗驅動型的谘詢服務。另一類如於Nielson等數據驅動的企業服務公司,根據企業已有的交易數據、用戶數據去以及市場情況,提供數據監測管理服務。

但在此基礎上,我們認為未來可能存在將兩者結合,出現以數據為主要驅動力的谘詢業態。已經出現的玩家比如Aibee,它將各地的數據匯總到一起,通過AI各種工具,基於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的增速

雖然說線下大數據市場很大、價值和太空也很大,但它不像2C這個業態,一上線就能爆發式的增長,線下大數據增速緩慢的現狀,主要難點就在於分散:

一是場景分散,不同的場景是極度分散的。百貨中心是獨立業態、餐飲連鎖是獨立業態,兩者相互之間並不關聯。而一個用戶有可能到任何一個場景裡面去遊逛。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隔的,它分散在不同的省份、不同的城市、不同的位置裡。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,然後一個一個的去布到這個場景裡面。

三是數據采集形式分散,線下數據采集形式包括WiFi探針、攝影頭集群、POS收銀系統等。不同的采集形式帶來的是不同的账號體系,用戶ID Mapping尚未打通。

展望未來,線下數據服務商應多元融合,建立數據聯盟和場景聯盟,促進線下商業從LBS (Location Based Service,基於位置的服務) 轉向UBS (User Based Service,基於用戶的服務),將用戶價值最大化。

上圖左邊的數據聯盟,為什麽我們需要它,是因為每一個企業本身所獲得的數據,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盟,大家數據互通,資源互補。而右邊的場景聯盟,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佔據,那麽企業可以選擇戰略性放棄而進入其他場景,但通過資本的合作,把場景聯盟也構建起來,讓場景相互之間也能夠串聯。

最終的形態就是通過數據互通、場景互聯,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。然後幫助企業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係就會更緊密,客戶就會把更多的場景給到你,有了更多的場景之後,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,行業內會出現多元的數據服務商,在數據和場景維度能夠深度合作。

編輯 | 丹丹

優質項目“融資首發綠色通道”:創業者請加微信gkbx2296832155,務必注明項目名稱;或發送BP至[email protected]

此文版權歸原作者所有,非鉛筆道原創,不對文中觀點和真實性負責,內容僅供讀者參考。

獲得更多的PTT最新消息
按讚加入粉絲團