Cooperation
info@th-cap.comBeijing Office
18F, China World O?ce1,No.1Jian Guo Men Wai Avenue,Chaoyang District, Beijing 100020, ChinaJoin Us
hr@th-cap.comShanghai Office
Building 5, Yiyuan, Lane 506,Jianguo West Road, Xuhui District,Shanghai 200031, China
In the era of the Internet of Things, why should we pay attention to offline big data?
2018-11-08
线上互联网的使用场景主要集中在电商、社交、内容等，，，，凭证QuestMobile2018年中国移动互联网报告，，，，平均用户天天在线上时间投入约莫为5小时。。。。相比而言，，，，除去睡眠时间，，，，用户投入在线下的时间仍是线上时间的两倍。。。。
虽然许多非餐饮的食物、烟酒以及一样平常家用品线上渗透率很是高，，，，但人们照旧会去线下消耗，，，，好比用饭、买车、看病、教育等。。。。2017年住民人均消耗支出约莫在18000元，，，，线上消耗占比三分之一，，，，线下消耗投入仍是线上消耗投入的两倍。。。。
毫无疑问，，，，用户的时间、款子投入的大头仍在线下。。。。
回到工业端，，，，数据效劳是企业效劳的一种，，，，是赋能的逻辑，，，，若是你做得很好的情形下我是没有须要帮你做得更好的。。。。我们发明，，，，线上场景集中度较量高，，，，已经形成巨头吃肉，，，，余下喝汤的时势。。。。但从线下的竞争视察，，，，其自然的LBS(Location Based Service)属性决议了行业集中度低，，，，业态疏散，，，，不但面临线上巨头的竞争，，，，还面临与线下同地区业态的竞争。。。。线下商业竞争强烈，，，，于是为企业赋能的第三方数据效劳有很大的空间。。。。
若是较量线上的数据结构，，，，我们会发明一个典范的TMT公司往往已经形成数据闭环。。。。从流量最先，，，，到买通的账号系统，，，，公司可以清晰地知道用户是谁，，，，用户做了什么，，，，几多的用户买了单。。。。这些数据都可以被收罗和纪录，，，，公司可以通过数据剖析，，，，挖掘用户价值，，，，形成运营系统。。。。好比，，，，我们效劳的神策数据，，，，就是资助企业把所有用户在线上爆发的行为所有收罗下来。。。。
反观线下数据，，，，线下许多业态是无法对其客流举行掌握和剖析的。。。。一祖古板的百货公司是不知道今天我来了几多人，，，，他们的消耗需求是什么，，，，更别提感知营销运动、天气等对客流的影响，，，，基本处于躺着赚钱的粗放式谋划状态。。。。
虽然部分线下大数据公司已经实现了通过wifi传感器、摄像头和Beacon去捕获和剖析客流，，，，但这仍处于最基本的流量环节。。。。关于用户的识别、以及用户交互照旧两眼一抹黑。。。。线下场景相对关闭，，，，客流、识别、动线/交互、生意支付、用户运营每个环节都需要单独的供应商，，，，需要从零安排，，，，数据相互买通基本没有。。。。
线下竞争强烈，，，，业态疏散，，，，我们以为这是第三方数据效劳保存的空间，，，，最终线下业态会逐步追随线上业态完成数据闭环。。。。
数据生意不是线下数据变现的最优解，，，，理想形态应与用户需求和应用场景相连系
我们从数据价值和变现模式来看待线下大数据理想的商业模式可能是什么样的。。。。
首先线下大数据的数据价值体现在精准性和普遍性两点：
以是，，，，数据的规模和单位价钱之间会相互的制约，，，，这会是一个trade off，，，，并且可能会带来隐私危害。。。。
理想的线下大数据商业形态应该是，，，，深度与用户需求和应用场景相连系的营销效劳和运营效劳。。。。
线下“头条”以及数据驱动版“麦肯锡”？？
从营销和运营角度，，，，线下大数据的想象空间在那里？？我们将行业通过决议周期和消耗频次两个维度去分类，，，，有的行业需要营销，，，，有的需要运营。。。。
决议周期长、消耗频次低的商品种类，，，，类似于汽车、房产等，，，，营销需求强。。。。由于其一，，，，消耗频次很低，，，，好比用户购置新车后，，，，需要等个五年十年才会买另一辆，，，，这是一个自然的长周期生意，，，，也就是说拉新是它主要收入的孝顺泉源，，，，之后才华从拉新的主顾身上赚取足够的钱。。。。以是，，，，消耗频次越低，，，，营销需求越强。。。。其二，，，，正由于购置决议流程极其重大，，，，营销就有较量多的窗口时机。。。。好比一种场景是，，，，通过装备探测到消耗者去了4S店，，，，或许率他就是需要买车的人，，，，可是不可能他第一次去就就地买车。。。。以是，，，，在3-6个月左右的时间窗口里，，，，企业就可以推送广告或者其他效劳，，，，这样营销效率是很是高的。。。。
以线下大数据为焦点的营销业态可能是什么样的？？若是看线上巨头如百度和头条，，，，凭证用户行为数据做精准营销，，，，已经是很是成熟的模式，，，，但线下营销还停留在资源驱动为主，，，，好比像分众传媒等这样的公司，，，，通过将屏幕铺设在电梯、机场，，，，占有各个线下场景。。。。
在我们看来，，，，通过线下大数据资助线下传媒做精准信息分发是有可能的。。。。
举一个典范场景的例子来讲，，，，这是几位男性创业者跟我们讲的一个笑话，，，，他们在一个写字楼内里等电梯，，，，效果就发明电梯那里的广告在展示一个卫生巾的广告，，，，他们就以为很尴尬。。。。
以是，，，，着实他们想象的场景是什么呢？？未来这个屏幕上面可能是会有传感器的，，，，基于这些信息我就会知道，，，，在我眼前站着的这小我私家是一帮男性，，，，并且是相对中青年的男性，，，，在这种情形下面它有可能就不会去推这个广告，，，，它的广告就可以做到疏散化，，，，做到一个颗粒度更细，，，，基于谁来到了我这个屏幕旁边去决议我究竟要给你推送什么样的内容，，，，而这件事情自然就是线上的数据驱动的业态，，，，就是千人千面。。。。
我们以为，，，，未来有可能通过线下数据和场景资源连系的业态泛起一家新型媒体集团。。。。
决议周期短、消耗频次高的行业例如餐饮、零售、购物中心，，，，这是所见即所得的效劳，，，，运营需求强。。。。这些业态已经有响应的流量，，，，可是我需要知道流量是谁，，，，需要去更好的相识用户从而指导运营，，，，这个部分是运营导向的。。。。
市面上已经有两类咨询在资助企业做运营。。。。一类如典范咨询公司麦肯锡、贝恩等，，，，他们在行业里有富厚的履历，，，，相识行业的know how，，，，可以资助企业提供履历驱动型的咨询效劳。。。。另一类如于Nielson等数据驱动的企业效劳公司，，，，凭证企业已有的生意数据、用户数据去以及市场情形，，，，提供数据监测治理效劳。。。。
但在此基础上，，，，我们以为未来可能保存将两者连系，，，，泛起以数据为主要驱动力的咨询业态。。。。已经泛起的玩家好比Aibee，，，，它将各地的数据汇总到一起，，，，通过AI种种工具，，，，基于用户需求提供整套解决计划。。。。
数据收罗疏散限制了线下大数据行业的增速
虽然说线下大数据市场很大、价值和空间也很大，，，，但它不像2C这个业态，，，，一上线就能爆发式的增添，，，，线下大数据增速缓慢的现状，，，，主要难点就在于疏散：
一是场景疏散，，，，差别的场景是极端疏散的。。。。百货中心是自力业态、餐饮连锁是自力业态，，，，两者相互之间并不关联。。。。而一个用户有可能到任何一个场景内里去游逛。。。。以是若是不买通极端疏散的场景，，，，对用户的认知一定水平上就会变得较量浅层和片面。。。。
二是数据收罗位置疏散，，，，适才讲到线下场景自然就是有物理区隔的，，，，它疏散在差别的省份、差别的都会、差别的位置里。。。。线下的数据收罗都是需要一步一个脚印，，，，一个一个客户的去敲门，，，，然后一个一个的去布到这个场景内里。。。。
三是数据收罗形式疏散，，，，线下数据收罗形式包括WiFi探针、摄像头集群、POS收银系统等。。。。差别的收罗形式带来的是差别的账号系统，，，，用户ID Mapping尚未买通。。。。
展望未来，，，，线下数据效劳商应多元融合，，，，建设数据同盟和场景同盟，，，，增进线下商业从LBS (Location Based Service，，，，基于位置的效劳) 转向UBS (User Based Service，，，，基于用户的效劳)，，，，将用户价值最大化。。。。
上图左边的数据同盟，，，，为什么我们需要它，，，，是由于每一个企业自己所获得的数据，，，，只是普遍数据中一个小的子集，，，，最好的方法是通过多种形式，，，，好比通过股权相助的形式去促成数据同盟，，，，各人数据互通，，，，资源互补。。。。而右边的场景同盟，，，，是指若是有一些场景好比百货购物中心，，，，已经被其他市场玩家占有，，，，那么企业可以选择战略性放弃而进入其他场景，，，，但通过资源的相助，，，，把场景同盟也构建起来，，，，让场景相互之间也能够串联
最终的形态就是通过数据互通、场景互联，，，，让数据维度越发富厚，，，，从而能更好地知道客户是谁，，，，带来更大的数据价值。。。。然后资助企业更好地知道客户需求，，，，从而提供更好的效劳。。。。
若是上述事情能够完成，，，，客户和这些数据效劳商之间的关系就会更细密，，，，客户就会把更多的场景给到你，，，，有了更多的场景之后，，，，效劳商形貌用户的数据维度又会越发富厚，，，，这样一个滚雪球的无限循环就完成了，，，，最终的效果就是用户价值最大化。。。。我们乐见其成的是，，，，行业内会泛起多元的数据效劳商，，，，在数据和场景维度能够深度相助。。。。
