第四次零售业革命之后，WOT三位专家告诉你什么才是真正的智慧零售!
WakeData联合创始人党海鑫：唤醒沉睡的数据
党海鑫认为，客户经营的本质是流量的经营，这将带来四大趋势：一是去中心化，二是在零售行业人、货、场中将更多利用大数据去做决策和洞察，三是提升效率，零售行业更希望通过经营流量提升客单价、复购率，最终提升营收额，四是资本升值概念将得到更多重视，对于用户ARUP值的挖掘将更深入。
那么如何做好客户经营呢?党海鑫指出，大数据是客户经营必要的技术核心，他也分享了惟客数据的客户经营大数据的架构。首先零售企业可以先建立数据模型，企业自己的数据远远不够，还需要从第三方进行补充。然后让线下的传统企业具备和全域流量对等的数据能力，全域流量指的是头条、抖音、微博、微信等等，接着这些数据能力会去驱动零售企业自有流量，如微信、电商和线下门店的能力提升，让零售企业在全域媒体上能够快速找到用户，最后为营销活动和工具赋能。
演讲中，党海鑫特别强调，线下的系统是信息孤岛彼此割裂，只有通过一个完整的体系才能够贯穿一个人的行为周期。简单的方法是通过手机号来识别一个人的所有购物行为，也可以通过算法去对用户的ID或MAC地址做匹配，还有一种更有效的方法就是为用户打标签。“当所有数据资产沉淀之后，零售企业就可以去构建全域流量了，将商品覆盖到需要拓展的所有人群中。当然，营销方式也会随之发生变化，有更多的玩法和线上推送方式。”他总结道。
MobTech数据科学副总裁方桢：基于创新算法的半监督lookalike的效果营销
方桢在开场就介绍道， MobTech在零售营销场景中做了很多创新算法的研究，帮助客户提高效率。演讲中，她表示Lookalike(相似人群扩展，是指通过开放丰富的数据能力，基于种子用户画像和社交关系链寻找相似的受众)有一个特点，就是只有正样本，而且量级比较小。当使用分类模型来处理Lookalike业务时，最大的问题就是负样本的获取。传统的做法简单粗暴，主要是随机选取，依赖自然情况下负样本事件发生的概率较大。MobTech则不然，他们使用Positive-Unlabelled Learning算法，不用随机挑选，而是通过正样本的一些特征去寻找比较可靠的负样本，最终得到的模型在效果上能有2%~5%的提升。
据方桢透露，研发出来的新算法，经过本地测试、历史数据测试，最终还是要上生产环境投产测试。那么如何分配测试流量?MobTech在营销系统中引入MAB(Multi-Armed Bandit)来做自动优化，尽量减少机会成本。具体而言，MobTech首先随机选取小部分流量(如5%)，分配给新模型用于测试;其次经过1个stage之后，统计新模型和旧模型效果，得到两者分别的beta(α, β)分布;然后，基于两者的beta分布计算两者在下一stage的流量比例;最后按照第3步得到的比例分配流量，回到第2步循环，直到测试结束。
演讲最后方桢分享了MobTech算法的价值：在2018年5月~2019年6月期间，Lookalike在游戏行业投放情况的数据显示，普通用户在使用3个月后转化率提升至0.05%;当用户升级产品PU Learning使用半年后，转化率高达0.11%;再次升级产品为AUC+MAB后，短短三个月转化率就已达到0.29%，效果显著。
原京东集团技术发展部负责人杨海明：新零售下的智慧中台
杨海明在一开场便表示，从百货商店到电子商务数字平台，在经历四次零售革命之后，其实零售的本质并没有改变，依然是成本、效率、体验，升级的核心在于零售基础设施的变革。他表示，零售基础设施主要是指服务信息、商品和资金流的这些公共基础设施。如今，在后台技术的3I(感知 Instrumented、互联Interconnected、智能Intelligent)和消费入口 3P(多元化Pluralistic 、个性化Personalized、参与化Participative)之间，出现了零售中台3S(可塑化 Scalable、智能化 Smart、协同化 Synergetic)，3S提供了商流、信息流、资金流等服务。
他告诉听众，零售基础设施中台可以打造和沉淀基础设施，围绕“智慧供应链”这一核心竞争优势，全面提升三个智能：智能消费、智能供应、智能物流。不仅如此，零售基础设施中台还能够对外赋能——技术能力开放，为零售商、品牌商、其它合作伙伴提升表现，更可以为生态构建贡献价值，它连接内部能力与外部能力，可以与外部生态伙伴共建平台。
