
購物中心需要大數據 場景化營銷要轉變幾個思維
購物中心精細化運營勢在必行
雖然線上零售對線下零售造成很大的沖擊,但在零售總額實際比例中,線下零售占比高達90%,而線上零售只占10%。展望未來,線下零售依然會占零售的重要地位,因為我們每個人都會有一個物理的身體,物理便利性和物理體驗性這兩個支撐點足以支撐線下零售長遠發(fā)展。物里體驗即我們身體體驗,對吃喝玩樂、生活娛樂服務我們都需要我們物理的身體去體驗,而這些服務在線上我們是無法切身體驗到的。這種純體驗的零售業(yè)態(tài)典型代表就是購物中心,它將越來越往全體驗式發(fā)展。
越來越多的報告證明,消費者逐漸回歸線下零售,購物中心以吃喝穿玩樂,兼?zhèn)渖缃慌c消費功能的大平臺,比其他業(yè)態(tài)更獲得消費者青睞。
專注于大數據和O2O轉型服務的購物中心專業(yè)領袖柏林森認為,雖然實體零售大環(huán)境還好,購物中心面也臨著三方面挑戰(zhàn):
第一方面,同質化競爭十分激烈。我們可以看見,原來一條街上只有一個購物中心,現在一條街上就有好幾個購物中心,商業(yè)機會明顯變少。因此,購物中心需要精細化運營,避免同質化,在激烈的競爭中脫穎而出。實現精細化運營必定是在數據驅動下的,沒有數據的驅動,根本談不上精細化運營,購物中心需要數據驅動經營分析輔助營銷。
第二方面,人口紅利的消失。從消費者觸點角度來說,城鎮(zhèn)化已經飽和了,以前開一個購物中心,只要有貨就能賣出去,現在新的客人不會再源源不斷地來了。從這個角度來說,零售商應該認識到,現在購物中心的核心資源已不再像以前那樣是商品或者品牌,而是購物中心店面或者在這個平臺上能夠壟聚的人流,只要把這些人伺候好,自然能夠把服務賣給他,把商品賣給他,自然而然能從他們身上獲得利潤,所以購物中心經營要轉變思維,要以消費者為中心。
第三方面,購物中心整體消費群、消費習慣發(fā)生了變遷。表面上大家看到的是購物中心受到了電商沖擊,而其實其根本原因是因為消費者的消費習慣發(fā)生了轉移,不管是消費者的支付手段、消費的場景、消費的方式還是消費的目的等方面,都在轉變,而購物中心的體量、運營方式的步調是相對緩慢的。
精細化運營需要以消費者為中心的大數據
柏林森認為, 一個購物中心的首要核心定位是:它本身是一個區(qū)域本地平臺,具有平臺的特征。運營好這樣的平臺必須掌握它的用戶體系、交易體系與信用體系,一方面要以數據驅動、消費者為核心來做整個精細化運營,另一方面要不斷嘗試,不管是通過APP、微信、移動支付還是通過其他新的方式去適應消費群體現在的消費習慣。 信柏專注于零售大數據和O2O服務,成功為正佳廣場、朝陽大悅城、金鷹購物中心、天虹百貨等多家知名零售企業(yè)提供專業(yè)大數據服務,在這個領域里,信柏始終堅持兩條靈魂線:一是數據驅動,二是以消費者為中心。數據驅動指的是信柏的每一個應用和環(huán)境都是以數據來驅動經營分析和營銷的。以消費者為中心指的是信柏關注的點是消費者,信柏搭建的平臺也是以消費者為中心的平臺,每一個應用點也是圍繞消費者為核心。信柏提出,購物中心以消費者大數據驅動精細化運營,這里的消費者大數據包含消費者基本人口屬性、行為、偏好、社交以及在各個觸點交互產生的數據等數據的采集、加工與整合,購物中心將從前的經營思維從關心商品怎么走轉變到關心在什么地方和消費者打上交道,從而在各個接觸點上將消費者伺候好(全觸點服務和營銷),自然能夠把商品賣出去。
購物中心大數據著力點:場景化營銷
線下的購物中心平臺區(qū)別于線上平臺的差異在于:多觸點、場景化。場景化營銷是信柏購物中心大數據應用中最讓人感興趣、最容易理解和驗證的著力點,當然技術難度也高,需要全觸點的數據采集和打通整合,經過標簽處理工具、分析引擎、營銷引擎、觸發(fā)引擎。以往大家提到的精準營銷就是找到合適客群后給他們推送相應的信息,而場景化營銷是不僅要找到正確的人,還要找到正確的時間、正確的觸點環(huán)境、對他進行正確的觸發(fā)。場景營銷基本流程是,先要找到合適的人,判斷當前場景明確引導方向,再通過人和所屬群體決定用什么樣的內容,再根據他的環(huán)境用什么樣的觸點可能是有效的:是在手機上的觸點有效還是大屏上的觸點有效,還是結帳的時候POS機上觸點的有效?
場景化營銷所動用的,就是以人為中心的大數據。例如場內熱點,系統對一個新增加的顧客并沒有多少了解,而這時對這位新顧客最有效的營銷是推薦熱門的商品和服務,這樣觸動新顧客的概率是最大的。但對于系統已經認識到的、以前來過的老顧客,系統就可以做進一步的消費引導或者消費升級和消費切換。何謂消費升級?例如,一個顧客在這里面準備消費300或者已經消費了300,系統可以有針對性地刺激這位顧客(如對個人單獨發(fā)放500返50的返還券等動作)以提高客單價,這是建立在對模式判斷之上。何謂消費切換?如果在場內一位剛剛吃完午飯并且準備離場,這個時候系統可智能化給他推薦咖啡或甜點的優(yōu)惠券(系統是推咖啡還是甜點都會基于顧客的個人偏好而判斷觸發(fā))。場景化營銷,是購物中心營銷必須具備的手段。
實施場景化營銷需要有三個支撐:數據支撐、分析支撐、觸點支撐。首先需要多渠道大規(guī)模地了解用戶、了解商品,然后通過分析挖掘場景、客戶分群,然后需要對觸點進行把控,做到針對不同的顧客可以在最適合他當前的觸點環(huán)境給他推薦最適合的商品和服務。數據支撐方面,包括數據采集,包括會員信息、消費信息、行為信息、刷卡交易、運營商數據以及調用信柏自有數據庫。在掌握一個個顧客的這些的數據后,系統就能對每個顧客進行畫像,還可以進行客群分類,然后精細化每個客群。例如,給他們都打上標簽、會員等級、數據模型、經驗分類、大數據聚類、自定義分類。信柏做購物中心大數據應用消費者畫像和客群聚類畫像時,通常關心以下一些數據維度和標簽:第一,顧客的基本屬性,如性別、收入水平、年齡階段、小區(qū)檔次、是否有車,是否有房子等。第二,顧客的消費分層,如顧客喜歡什么品牌的衣服、什么顏色、什么品類、支付能力怎么樣、消費頻率等。第三,顧客的興趣,如顧客喜不喜歡玩游戲、看不看政治新聞等。第四,顧客的人際關系,做人和人之間的關系關聯。第五,顧客的地理位置,如顧客經常的活動區(qū)域在什么地方等一系列的數據。觸點支撐方面,顯然而易見,線上零售的觸點是單一的,而線下零售的觸點則呈現多元化,顧客可能在手機端,短信、微信接觸這個購物中心,也有可能在購物中心場內通過WIFI、智能POS、智能大屏甚至人工服務等觸點接觸這個購物中心,我們需要全觸點了解這個顧客,并和他進行直接的交互。
對比以前的營銷,信柏科技CEO柏林森認為,做購物中心場景化營銷需要轉變幾個主要思維:
一、營銷的目的需要發(fā)生轉變。購物中心以前做營銷活動,其最重要的訴求是首先先把客戶吸引到自己的場子來,然后再通過發(fā)放優(yōu)惠券、打折券等形式,促進客戶盡快完成交易。而現在購物中心主要訴求應該是如何把顧客都變成自己的會員,將一錘子的買賣轉變?yōu)殚L期持續(xù)的買賣,因此現在購物中心更多關注的是到場會員的激活,以及重復到場重復消費的提升,讓消費者的價值盡可能發(fā)揮到最大化。
二、營銷的重點需要發(fā)生轉變。以前購物中心的營銷更關注活動本身、品牌以及商品。例如,各種節(jié)假日的活動、各類促銷節(jié)的活動,但現在購物中心的這些營銷活動實際上是常態(tài)化的過程,購物中心運營者更應關注的是我們的客群分成哪幾類、他們的訴求是什么,從而針對消費者的訴求來策劃營銷活動,而不是先策劃了一項項活動再考慮把消費者拉過來。以消費者為中心策劃營銷活動的這種思維流程,雖然有些東西表面上看起來和以前一樣,但其實所有底層的策劃流程完全不一樣,效果也會有很大的差別。
三、頻率的定義需要發(fā)生轉變。以前以節(jié)假日為導向的周期性的活動,這些時間節(jié)點周期應倒過來為消費群服務。比如,如果我們的購物中心的消費客群里有大量的中老年女性顧客,這時候購物中心運營者的思維應該是可以利用婦女節(jié)策劃一個營銷活動觸動我們的這個客群。反之,如果購物中心的消費客群基本上是90后小姑娘小伙子,策劃婦女節(jié)活動則意義向不大效果不佳,但針對他們策劃情人節(jié)活動,那情況就不一樣了。
不管是從什么目標、重點、頻率或者營銷方式出發(fā),其實只要我們明確了以數據為基礎來驅動營銷的每個環(huán)節(jié),一切都圍繞消費者來設計整個流程,相信我們所做出來的事情是完全不一樣的,收到的營銷效果也是更加樂觀的。信柏將關注消費者、關注跟消費者在什么地方以那種觸點與消費者發(fā)生交互這件事,作為信柏購物中心實時場景化營銷的整體解決方案基礎。
數據分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
訓練與驗證損失驟升:機器學習訓練中的異常診斷與解決方案 在機器學習模型訓練過程中,“損失曲線” 是反映模型學習狀態(tài)的核心指 ...
2025-09-19解析 DataHub 與 Kafka:數據生態(tài)中兩類核心工具的差異與協同 在數字化轉型加速的今天,企業(yè)對數據的需求已從 “存儲” 轉向 “ ...
2025-09-19CDA 數據分析師:讓統計基本概念成為業(yè)務決策的底層邏輯 統計基本概念是商業(yè)數據分析的 “基礎語言”—— 從描述數據分布的 “均 ...
2025-09-19CDA 數據分析師:表結構數據 “獲取 - 加工 - 使用” 全流程的賦能者 表結構數據(如數據庫表、Excel 表、CSV 文件)是企業(yè)數字 ...
2025-09-19SQL Server 中 CONVERT 函數的日期轉換:從基礎用法到實戰(zhàn)優(yōu)化 在 SQL Server 的數據處理中,日期格式轉換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關聯查詢效率:打破 “拆分必慢” 的認知誤區(qū) 在 MySQL 數據庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18DSGE 模型中的 Et:理性預期算子的內涵、作用與應用解析 動態(tài)隨機一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數據分析師:解鎖表結構數據特征價值的專業(yè)核心 表結構數據(以 “行 - 列” 規(guī)范存儲的結構化數據,如數據庫表、Excel 表、 ...
2025-09-17Excel 導入數據含缺失值?詳解 dropna 函數的功能與實戰(zhàn)應用 在用 Python(如 pandas 庫)處理 Excel 數據時,“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗與 t 檢驗:差異、適用場景與實踐應用 在數據分析與統計學領域,假設檢驗是驗證研究假設、判斷數據差異是否 “ ...
2025-09-16CDA 數據分析師:掌控表格結構數據全功能周期的專業(yè)操盤手 表格結構數據(以 “行 - 列” 存儲的結構化數據,如 Excel 表、數據 ...
2025-09-16MySQL 執(zhí)行計劃中 rows 數量的準確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調優(yōu)中,EXPLAIN執(zhí)行計劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實踐指南 在 Python 進行 HTTP 網絡請求開發(fā)時(如使用requests ...
2025-09-15CDA 數據分析師:激活表格結構數據價值的核心操盤手 表格結構數據(如 Excel 表格、數據庫表)是企業(yè)最基礎、最核心的數據形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調用、數據爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點數據的科學計數法問題 為幫助 Python 數據從業(yè)者解決pd.read_csv讀取長浮點數據時的科學計數法問題 ...
2025-09-12CDA 數據分析師:業(yè)務數據分析步驟的落地者與價值優(yōu)化者 業(yè)務數據分析是企業(yè)解決日常運營問題、提升執(zhí)行效率的核心手段,其價值 ...
2025-09-12用 SQL 驗證業(yè)務邏輯:從規(guī)則拆解到數據把關的實戰(zhàn)指南 在業(yè)務系統落地過程中,“業(yè)務邏輯” 是連接 “需求設計” 與 “用戶體驗 ...
2025-09-11塔吉特百貨孕婦營銷案例:數據驅動下的精準零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當下,精準營銷成為企業(yè)突圍的核心方 ...
2025-09-11