半岛官方网站AI时代零售业如何提升用户转化？ 星科技•专精特新“小巨人”过去十年，中国零售业发生了翻天覆地的变化，新的技术和商业模式层出不穷，重塑着行业格局与业态。

　　艾瑞咨询《2021年中国零售数字化转型研究报告》显示，基于大数据及新技术，数字化持续赋能零售业全渠道，线下渠道向智能化转型，线上渠道在便捷性及个性化推荐方面优势显著，预计未来在数字化的驱动下，线上线下渠道将进一步融合。

　　CNNIC数据反映了互联网流量环境，2016-2020年中国网民规模及移动网民规模逐年递增。截至2020年末，中国互联网用户量高达9.89亿，网民渗透率为70.4%；移动网民规模高达9.86亿，渗透率为70.2%。高渗透率一方面驱使零售行业企业主重视线上渠道的销售与营销；一方面说明流量红利向上增长空间受限，零售企业主应重视存量用户的运营，深度挖掘用户全生命周期价值。

　　货币化率即平台变现能力，反映平台型电商通过佣金及广告变现的情况，典型电商平台如京东、阿里货币化率逐年提升。货币化率从另一个层面也反映平台入驻商家的投入成本，而且零售行业中的快速消费品、服装类商品佣金要较其他品类更高。获客成本升高，企业经营及营销承压，零售业态用户为王，关注用户需求势在必行。根据中国百货业协会调研，百货店收集消费者数据的用途集中在了解用户偏好与精准营销，并为顾客提供更个性化的产品及服务。

　　中国信息化周报针对企业数字化转型主导权做出调研，结果显示不同企业数字化转型主导部门有差异，42.6%的受访企业IT部门起主导作用，41.2%的是企业管理部门，11.8%为业务部门。技术团队与业务部门在协作过程中存在以下痛点：从职能本质来讲，技术团队主导数据的底层处理与分析，处于价值转化的前端；业务团队基于业务逻辑，结合分析成果做出决策与判断，处于价值转化的后端。IT部门在技术支持上和业务需求存在错配，仍需不断磨合和协同，尤其是在数智化阶段，如何让IT技术更加贴近业务进而产生更大的价值，是零售企业转型的主要痛点。

　　零售业数智化升级进程中，数据作为平台及企业的关键资产，更是企业主的痛点所在。从数据采集层面看，企业主面临一方数据采集难、三方数据质量差的困境，对于分销渠道复杂的零售品类，用户数据采集缺乏实时性与全面性；从数据处理层面看，数据清洗困难、各渠道数据打通不易，用户分层及用户标签的创建与数据质量息息相关，直接决定企业是否能够实现精准营销；从数据应用层面看半岛官网，数智化产品在用户行为预测、销售决策等复杂建模功能上亟待优化。

　　过去十年，中国零售业发生了翻天覆地的变化，其行业格局正在以前所未有的速度被颠覆、被重塑，新的技术、业态和商业模式层出叠现，同时也孕育着众多锐意求变、数字化能力居时代前沿的领先企业。

　　近日，中国连锁经营协会与全球管理咨询公司麦肯锡共同发布《2022年中国零售数字化》，详细分析了中国零售业数字化转型现状，揭示了正在重塑中国零售市场的主要趋势，并从中提炼出对零售企业的四大关键启示。

　　一是随着零售行业增速放缓、利润下滑，数字化不再只关乎单纯的渠道拓展，而更需要驱动门店、商品、供应链的精益运营，实现降本增效。

　　二是无论线上线下，零售业依靠“流量红利”的时代已经过去，之前“补贴换增长”的模式不可持续。全渠道、精细化的流量及用户运营基本功，是零售企业实现流量价值最大化的必备能力。

　　四是门店从商品购买渠道拓展为用户体验场所、用户运营阵地、即时配送履约中心等多元角色，同时零售企业亟待通过数字化转型推动门店和一线人员运营升级。

　　申万宏源《2022年零售电商行业投资策略：从流量到留量，追求高质量增长》认为，中国互联网电商行业自2010年起发展迅猛，推荐算法的精准度在不断提升，消费网购体验在不断优化，基于用户浏览内容挖掘用户消费需求已成为零售电商行业发展的新趋势。

　　然而，零售电商在飞速发展的过程中也面临着诸多挑战：如推荐覆盖率低 ：运营策略单一，马太效应显著；推荐不准：商品不符合用户喜好，转化率走低；推荐不新：推荐结果单薄重复，无法满足新颖度需求。对此，达观数据智能推荐助力零售业持续提升用户转化。

　　达观智能推荐系统内置了近30种优质召回策略并支持自定义召回策略，可快速适配不同推荐业务场景，实现全方位多角度地生成个性化推荐结果。

　　达观智能推荐系统根据商品和用户的标签属性构建画像并进行人-货匹配，同时利用人群实验等进行效果测试，打造专属精准推荐结果。

　　通过对商品名称、价格、品牌、类别、标签、颜色等商品属性进行分析，构建商品的基础画像；利用达观自研的NLP自然语言处理技术可提取商品关键词、分析用户评论，拓展更加丰富的商品特征；基于达观零售行业知识图谱，可发现商品间深层次关联关系，生成更加多样性和更加精准的推荐结果。

　　从用户的静态信息和动态信息两方面进行刻画：静态信息即用户性别、所在省份、城市、使用的手机品牌等，根据用户属性进行分析推荐，如女性用户多推荐美妆、服装、配饰等，男性用户多推荐电子产品、运动鞋；动态信息即用户的行为信息，如点击、收藏、加入购物车、购买、评论等，可分析用户的行为特点和偏好，如对用户点击数量较多的同类别、同品牌、相似价格的商品进行推荐。

　　为了测试制定的推荐方案是否可以获得较好的数据反馈，可在推荐场景下进行流量分流做人群实验，为不同的人群制定不同的推荐方案。

　　实验过后的效果数据可通过达观的场景效果分析模块进行总览及对比分析，指标全方位解析推荐效果，进而精准调整运营策略，实现真正的精细化运营。

　　在数据分析里有一个经典的啤酒和尿布案例：出来买尿不湿的家长以父亲居多，如果他们在买尿不湿的同时看到了啤酒，将有很大的概率购买，这样就可以提高啤酒的销售量。基于这种关联关系，达观智能推荐系统在系统中内置了多种数据挖掘算法。