先來思考這樣一個問題：為什么星巴克的排隊一定是橫排的，而不是肯德基麥當勞那樣的豎排？

這個問題經濟學中有很多中解釋，但其中比較靠譜的一種認為：橫排排隊可以減少空間中的壓抑感，一方面讓整個空間看起來更寬敞，一方面可以降低人流的流動頻次，緩解空間中的緊張感。

新零售的另一種解題思路：重新認識數據行為

通過橫著排隊這種對行為規則的改變，讓咖啡館區別于快餐店，確定了自己的消費人群和商業模型，是個非常好的經濟學案例。

這其中很重要的一點是說明了“行為”這個東西能帶來的商業結果。經濟學有個分支叫做行為經濟學，就是專門研究這個的。著名的心理學家卡勒曼還憑借對行為經濟學中心賬理論的構建獲得過諾貝爾經濟科學獎。

以上是為了說明行為學與經濟學交叉可能發酵出的價值。所謂行為學，在學術上的研究目標是“個體和社群為適應內外環境變化所作出的反應”。我們每天的一舉一動莫不是行為，習慣、工作、愛好也都是行為。

很有意思的是，行為是一個非常好的數據化樣本，比如你每天的出行路線、上網的瀏覽軌跡、攝像頭中的一舉一動，都可以被數據化。而數據的運行本身也是一種行為，比如數據的運算、建模、流動和交換。我們今天的世界，可以說是從行為數據化中開始，到數據行為化中結束（好吧我承認這段有點繞，但是沒關系，下邊會更繞的）。

關注數據行為，可能得到的東西非常多，絕對不是一篇文章可以討論的。所以我們不妨在這里舉個例子，來看一下數據行為化可能激發的想象。

最近一個特別火的概念是新零售。而馬云提出新零售時，就明確了它是融合線上、線下與數據的產物。目前我們看到的生物識別+無人超市，就是一種線上數據來到線下場景的示例。

但數據行為也許可以給我們更多，今天我們的主題是通過換一種方式理解數據，來打通線下消費的更多可能性。

結果與過程：另一個視角看數據

首先我們要知道，一般情況所看到的大數據到底是什么？

比如說，我們看到了大數據顯示，每天有多少共享單車被使用、房價一年抬高了多少、地區農作物產量的數據變化等等，這都是大數據的結果。

我們看到的數據，是經歷了數據收集與運算、整理過程之后，呈現出可供人理解的“扁平化大數據”。我們可能確實知道了很多此前不知道的，但這絕對不是大數據的全貌。

比如，我們看得到一個地區交通事故的總數和時間曲線，卻看不到每一次交通事故是如何發生的、原因有哪些種、哪些事故因素可以被改善、哪些事故可以更及時救援，甚至哪些可以預防。

假如說我們看到的數據結果是一個二次元的漫畫人物，那么看不見的數據就是一個三次元的里的完整的人——這就是數據行為。

數據行為不僅僅是數據的增長過程，還包括在整個時空關系中數據的交互狀態。比如具體數據的軌跡、數據的折返區間、數據多元性，以及與預期模型之間的差異。

這么說可能有點過于抽象，舉個不太恰當的例子來解釋：你買個盒雪糕，這個是數據結果，證明你喜歡這個牌子的雪糕。但是數據行為卻可能顯示，你是問了好幾個牌子都沒貨，挑了好幾個牌子嫌太貴，不想買卻發現實在太熱，才最終買了這盒雪糕……然后吃一口就扔了——這都是數據行為——也是其他雪糕品牌占領這個客戶的機會。

當然，數據行為實在太復雜了，因為這是在跟蹤數據而不是整理數據。此工作人力無法勝任。但人工智能不正是用來解決人力無法完成的工作嗎？比如已經有用遷移學習技術來追蹤城市里每輛車形式軌跡的技術，這就是一種解讀數據行為的嘗試。

由于數據行為千變萬化，具體而微，尤其可能關乎與人與社會空間的互動。解碼數據行為，也就成為了AI介入生活的一次良機。

用戶數據行為

想要搞明白如何用數據行為驅動新零售，首先要看到哪些數據可能對零售場景產生影響。這里我們可以把它分為兩種：個體用戶數據和群組數據。

通過大數據來了解用戶，已經不是什么新鮮事，甚至有點老生常談。但根據用戶數據的數據行為來了解你的用戶卻是一個空白。

通過解碼數據行為，你會得到哪些對用戶的全新認知呢？

首先是數據行為在時間上的同頻性，可以讓掌握數據的企業認識多端口數據源融合下的用戶。比如說我們的社交行為、內容閱讀行為、購物行為，與真實世界中攝像頭拍攝下的我們、交通信息中的我們、工商信息中的我們，其實各自都是我們自身的一個剪影。通過時間概念把這些數據整合起來，可以合并成一個相對完整的用戶形象。

它在購買行為之外的所思所想，每天的所見所聞，其實都不難在暴露在公共視野下的數據拼接起來。這樣企業對于用戶消費動機與規律的把握，將提升到一個新的高度。

再比如說，數據行為會偵測用戶消費軌跡的改變。大部分人在生活中都有穩定的消費

規則，或高或低都有其規律。而一旦出現峰值，就會說明用戶有某種消費異常產生。實時分析這些消費數據的行為軌跡，可以實時提供切中服務，比如用戶突然出現消費沖動時進行針對引導、用戶消費軌跡趨緩時給予消費刺激，用戶消費進入極端低谷，就該考慮提供網貸產品了（開玩笑開玩笑）。

另一個數據行為帶來的改變，是企業可以測算出用戶應用的使用模型。比如一個籃球，用戶本應該一周打五次，一次半小時。但假如出現用戶使用率降低，可能就說明產品本身出現問題了。當然就籃球來說可能只是因為用戶比較懶，但對于互聯網產品來說，用戶行為與預期模型之間的差別卻能說明很多問題。

組織行為中的關鍵信息比特化

通過人工智能檢測個體用戶數據之外，還有一種檢測集體數據行為的方式。比如已經在城市安防當中應用的人流軌跡識別技術。

這類技術可以觀察一個群體的動態，并通過多個數據源進行數據采集與分析。這一類數據進行全面的數據行為監控很難，但卻可以對關鍵信息進行比特化。永久留存并進行多個領域的應用。

比如說，某個寫字樓里一到中午就聲貝提高，人臉識別表示不高興的人數急劇攀升：這可能說明外賣必須投入更多人力了。或者某地鐵站早上的人流停滯度過高，人流運行緩慢：這可能說明要放更多共享單車了。通過比特化這些數據運行的關鍵值，可以給企業提供非常好的運行依據。

這只是最基本的一種人流數據行為應用。具體到相對垂直、復雜的群落組織中，數據行為的應用性會更加廣闊。

有一個多領域的交叉學科叫做組織行為學，專門研究組織中人的心理和行為表現及其客觀規律，以達到預測、引導和控制人的行為的能力。通過計算機計算去測算和預期組織行為中個體與群落的互動，恐怕會帶來無數種應用可能。

如何激發消費

說了這么多，到底如何把數據行為應用放到新零售里呢？

綜上所述，數據行為可以更好地理解個體與群體在時間軸上的精準動向和動機。這就讓很多基于移動互聯網的簡單商業激發有可能變得更加復雜。

通過對線上數據行為的廣泛測寫，結合現實世界數據收集端口提供幫助。人工智能至少可以為線下消費場景搭建以下幾種能力：

一、解決地理空間中的推薦問題：我們都感受過所謂的智能推薦，基本都是根據你的瀏覽記錄進行購買推薦。這種推薦本身非常不智能，而且往往進行線下推薦時就會失效。因為系統只能知道你的定位，卻無法預計你的目標，也無從知道你的運動軌跡。更多時候還是需要用戶自己去尋找消費。而結合運行軌跡、消費軌跡等數據行為，或許可以準確的在地理空間中實現線下消費推薦：不走冤枉路，不浪費時間，就近找到你的消費可能。

二、解決實時需求：數據行為檢測的一個特征，就是其具有非常強的實時處理能力。很多消費契機都是實時出現的，可能用戶自身都沒有察覺到。但數據系統卻可以感知到。比如數據證明你該渴了，又能從以往消費數據中判斷你的口味，然后實時對接飲品店的消費可能。這就集成了很多消費機會。

三、提供線下的智能服務：新零售里一直有個預期，就是你到了店里，發現店里正好都是你需要買的東西，不用自己找。這種聽起來像讀心術的消費場景，也可能通過對你生活中方方面面數據行為的測算得到結果。人進行線下消費的頻率其實是非常穩定的。利用遷移學習和過往數據來生成一個人的購物預期模型，并非不能做到。

四、根據群體行為調整供需策略：就像上文說的，群體行為往往決定了很多服務與消費的市場，群體行為的往復變化也決定了很多依托人群的消費場景興衰。測算人群，實時調整供需和營銷，可以為人群場景的線下消費企業提供極大的效率改善。

相比我們經常看到的圖表和結論，大數據這東西其實能體現更多東西。我們每天都暴露在數據收集器之下，也成為數據的使用者和消費者。相比無盡的增大數據量，把現有數據立體化、行為化其實就能探究人類社會的無數秘密。

數據會繼續帶來更多改變，同時也引發著更多恐懼：在人工智能才有能力理解的海量數據面前，人類究竟還有什么秘密與隱私可言？
責編AJX