大數(shù)據(jù)也好，小數(shù)據(jù)也罷，已經(jīng)有很多的專家討論過運用數(shù)據(jù)到底可以帶來什么價值。只是在這么多的數(shù)據(jù)分析的論述之后，筆者觀察到市場上大多數(shù)人對于數(shù)據(jù)收集與分析仍舊是一頭霧水。很多讀者在給筆者的回饋意見中，筆者最擔心的是在物聯(lián)網(wǎng)應(yīng)用方案設(shè)計之初的系統(tǒng)架構(gòu)中 (system architecture)，數(shù)據(jù)分析的角色沒有被優(yōu)先對待，以致于相關(guān)方案的設(shè)計只是一大堆硬體的集合 ，自動化或者有之，說好的智慧化則往往消失無蹤。

首先，筆者要澄清一點，數(shù)據(jù)的來源很多，聯(lián)網(wǎng)裝置只是收集數(shù)據(jù)的一種手段，并非只有物聯(lián)網(wǎng)應(yīng)用方案才能搜集資料。舉例來說，傳統(tǒng)的收銀機也在累積數(shù)據(jù)，只是沒有電子存儲裝置，一切都是保留在紙帶上，取用非常不方便，基本上很難用來做精細的營業(yè)分析。直到收銀這個功能與工業(yè)電腦結(jié)合，數(shù)據(jù)開始有了進一步被分析的方便性。

然而，為了加快結(jié)帳速度，現(xiàn)行電子式收銀機能收集的欄位仍有限制，所以如果讀者在結(jié)帳時特別注意，幾乎每一臺電子式收銀機都外掛了不少其他裝置，一開始是幾種信用卡刷卡機，插卡式或感應(yīng)式的不一而足，最近隨著第三方支付的普及，額外的條碼掃描裝置也開始出現(xiàn)。然而這些裝置收集的資料都集中在業(yè)務(wù)成交結(jié)帳時，零售業(yè)者仍舊無從得知每個時點有多少人經(jīng)過門口，多少人走進賣場，更不用說個別顧客繞行路徑，甚或是在每個柜位或貨架前的停留或注視時間。近來隨著資通訊科技與相關(guān)視覺辨識軟體的進步，這些資料搜集都由不可能逐漸變?yōu)榭赡堋?/p>

此外，數(shù)據(jù)分析科技的進步隨著運算與儲存裝置性能提升與價格下滑，數(shù)據(jù)科學家得以將目光由結(jié)構(gòu)化資料 (structured data) 投向非結(jié)構(gòu)化資料 (unstructured data)。簡單來說，語音與文字資料的記錄得以被分析。首先，傳統(tǒng)客服電話的對談內(nèi)容已經(jīng)可以直接語音轉(zhuǎn)文字，再將透過自然語言處理 (natural language processing, NLP) 文字探勘進行客訴分析，讓客服人員與顧客抱怨的對話內(nèi)容與處理過程都變成顧客檔案 (customer profile) 的一部分。

甚至，為了節(jié)省客服人力，運用相關(guān)數(shù)據(jù)科技開發(fā)出來的聊天機器人 (chatbot) 也應(yīng)運而生。顧客在網(wǎng)站上或在賣場內(nèi)的輸入裝置都可以直接詢問聊天機器人(通常是文字對話)與賣場或商品相關(guān)的資訊。如此一來，不但資料搜集的流程直接進入電腦，聊天機器人甚至可以根據(jù)對話過程主動建議顧客適合的商品。

相比之下，傳統(tǒng)客服人員雖然可以做到更細致的服務(wù)或應(yīng)付更隨機的問題，但人腦記憶容量有限，我們不可能苛責客服人員記得賣場內(nèi)成千上萬種商品的品名特色或所在位置，更無法期待客服人員隨時調(diào)閱提問顧客的顧客檔案，即時掌握顧客的品味，在對話結(jié)束前的黃金時間內(nèi)做最有效的商品推薦。

非結(jié)構(gòu)化資料的來源還可以是網(wǎng)路上的社群討論或任何內(nèi)容媒體流傳的一篇報導(dǎo)及底下的留言評論。 君不見網(wǎng)路留言的病毒式擴散效果，早已是每一個行銷人員必修課程。不理解粉絲團或網(wǎng)路搜尋優(yōu)化 (searching engine optimization) 威力的行銷人員，想來在公司內(nèi)發(fā)言權(quán)也將逐漸式微。針對網(wǎng)路時代新的行銷宣傳趨勢，網(wǎng)路輿情分析 (social listening/social media monitoring, SL) 早已經(jīng)廣為企業(yè)行銷人員采用。

甚至，居于市場領(lǐng)導(dǎo)地位(或有心急起直追)的廠商，還逐漸了解到市場商情調(diào)查 (market intelligence, MI) 不再是剪刀糨煳加一大堆的研究人員解讀，運用 NLP 開發(fā)的 MI 系統(tǒng)讓市場商情走向的掌握不再是大公司才能擁有的獨門利器。

相對于濫竽充數(shù)的類似產(chǎn)品，優(yōu)秀的數(shù)據(jù)科學家開發(fā)的 SL 與 MI，可以讓企業(yè)迅速掌握產(chǎn)業(yè)趨勢、發(fā)掘潛力產(chǎn)品或技術(shù)，也可以監(jiān)控網(wǎng)路上意見領(lǐng)袖或重量級媒體報導(dǎo)對于企業(yè)自己或競爭同業(yè)產(chǎn)品的影響，更快速的采取因應(yīng)之道。此外，結(jié)合 SL 與 MI 的精神，精擅 NLP 的資料科學家還可以開發(fā)出競爭同業(yè)的監(jiān)控方案。

行文至此，讀者可能已經(jīng)體會到"資料爆炸"這個名詞的嚴重性。看中這個市場潛力的業(yè)者，從傳統(tǒng)系統(tǒng)整合商、標榜數(shù)據(jù)分析的軟體開發(fā)商、提供高速資料處理的硬體系統(tǒng)，到物聯(lián)網(wǎng)應(yīng)用方案提供者，大家無不強調(diào)自家開發(fā)的產(chǎn)品或方案能夠為企業(yè)快速處理分析急速增加的資料。在被這些玲瑯滿目的眾多選擇中，企業(yè)應(yīng)該先問自己，資料搜集的目的為何 ;更精確地說， 企業(yè)希望解決的問題是什么，哪一種或幾種資料可以有效地回答這個待解決問題。

不論是智能制造、智能零售或是智能建筑的方案，這個問題都是最優(yōu)先要回答的。循著這個邏輯，下一步應(yīng)該盤點企業(yè)內(nèi)是否已經(jīng)擁有相關(guān)資料。若答案是肯定的，緊接著要思考用傳統(tǒng)的統(tǒng)計分析、商業(yè)分析 (business intelligence) 或更進一步的機器學習 (machine learning) 來解答。如果資料的復(fù)雜度需要用到機器學習，那么企業(yè)內(nèi)有熟悉資料科學的人員可以處理嗎?當這些問題都清楚審視過后，哪些軟、硬體工具適合企業(yè)使用的答案就自然浮現(xiàn)了。

若是企業(yè)目前擁有的資料不能回答待解決問題，則在進行上述思考過程前，必須更優(yōu)先評估如何取得必要的資料。傳統(tǒng)上，企業(yè)在買電視廣告前，通常會買一份收視率調(diào)查報告，再針對自家產(chǎn)品的特性與預(yù)算規(guī)模，選擇投放廣告的頻道及時段。然而當前個性化消費的時代來臨，企業(yè)已經(jīng)不能滿足于電視廣告這種單向且無差別式的溝通方式。

互聯(lián)網(wǎng)經(jīng)濟下， 顧客在網(wǎng)站內(nèi)瀏覽行為是最直接的行為數(shù)據(jù)。 只是時代往新零售模式邁進，線上結(jié)合線下 (online to offline, O2O) 乃至全通路 (omni channel) 已然成為沛不可擋的趨勢。因此 顧客在線下的行為，甚至是在不同通路或場景的一舉一動能否更大幅度地被記錄，已是企業(yè)不得不面對的難題 ，這就是筆者一貫提倡用物聯(lián)網(wǎng)應(yīng)用方案協(xié)助企業(yè)的背后緣由。

然而，值得說明的一點， 沒有清楚針對企業(yè)需求組合的物聯(lián)網(wǎng)應(yīng)用方案絕對不是一個好方案，而且沒有對接數(shù)據(jù)分析功能 (不論是內(nèi)建或有意識地輸送數(shù)據(jù)到其他數(shù)據(jù)分析軟體)的方案，只是一個騙取客戶荷包內(nèi)預(yù)算的花架子 。企業(yè)在選擇訴求智能零售/智能商城方案時，首先應(yīng)該檢視相關(guān)方案的系統(tǒng)架構(gòu)，才不會浪費時間與預(yù)算。

零售餐飲是個直接面對顧客的行業(yè)，企業(yè)每天要處理的都是事關(guān)“人”的滿意度的議題。在互聯(lián)網(wǎng)快速迭代演進的中國，小從 POS 的互聯(lián)網(wǎng)化開始，許多業(yè)者將原本笨重的收銀機轉(zhuǎn)為手持裝置，概念上與手機相似，連里面裝載的應(yīng)用程序也相仿，因此可以大量使用既有的互聯(lián)網(wǎng)架構(gòu)與資源，讓收銀機的成本大幅下降。

最重要的是 透過這個聯(lián)網(wǎng)裝置可以直接與網(wǎng)路社群接觸， 實際實現(xiàn)了 O2O 的精神，將顧客從過去的過路客，拓展到慣于使用網(wǎng)路的新世代，還將他們帶到店內(nèi)消費。借助目前已經(jīng)蔚然茁壯的云產(chǎn)業(yè)的支持，一個便宜的手持式裝置在某些方面的表現(xiàn)甚至還強于昂貴的電子式收銀機。

在這個觀念上更往前一步的則是專注于開發(fā)云端的 POS 系統(tǒng)，他們不挑選特定輕量型裝置(不強調(diào)訂制化的手持式 POS，即便是一臺 iPad 也行)，這種理念開發(fā)出來的 POS 方案，甚至跳脫服務(wù)單店的手持式 POS，進而支持規(guī)模數(shù)量龐大的連鎖體系，此時搭配互聯(lián)網(wǎng)上各種點餐快送 app，更加將線上向線下導(dǎo)流發(fā)揮到極致，這樣的方案如果搭配 ERP 及 CRM，再加上各種物聯(lián)網(wǎng)應(yīng)用方案，可以為大規(guī)模連鎖總部提供更快速即時的多種顧客行為及企業(yè)內(nèi)經(jīng)營效率資料。

鎖定資料源并完成數(shù)據(jù)搜集后，企業(yè)緊接著應(yīng)該向方法論的下一步邁進，有意識地依照順序交叉使用各種管道收集得來的顧客資料。 舉例來說，成交資料代表著前一階段各部門集體努力的經(jīng)營成果，這里通常是分析的起點，加上各場合獲得的顧客行為資料，是大多數(shù)顧客推薦系統(tǒng)處理的范疇。

然而個別顧客推薦系統(tǒng)能夠處理的資料欄位、采用的算法、處理資料量與處理速度等等都是企業(yè)應(yīng)該評估的重點。然而，從成交記錄出發(fā)另一個處理的角度可能是企業(yè)進貨(或備料)預(yù)測，這部分的分析除了更加需要產(chǎn)業(yè)知識 (domain knowledge) 外，對于選擇適合的一種或數(shù)種算法能力的要求更高，因此對于數(shù)據(jù)科學家的要求更高。

而且，外部的非結(jié)構(gòu)化資料也可以在適當?shù)臅r點投入被交叉分析的行列中。這一切都要求數(shù)據(jù)科學家與企業(yè)各相關(guān)部門人員在導(dǎo)入初期就討論出適合被解決問題的方法論，才能有效率的回應(yīng)企業(yè)在新零售時代的挑戰(zhàn)。

借用 Frost &Sullivan 的 Smart retail journey 圖敘述企業(yè)對于的演進歷程，過去我們處在一個資料片段破碎的零售時代，隨著數(shù)位化潮流的來臨，企業(yè)一直朝著運用數(shù)據(jù)改善營運效率的方向前進， 最終我們將被資料包圍，而且在無接縫的環(huán)境下善用各種不同性質(zhì)的資料，完整描繪顧客，清楚結(jié)合市場走向與資源運用后，精確的規(guī)劃企業(yè)策略。

但有句老話說：“盡信書不如無書”，企業(yè)在沒有確認自身的需求，沒有厘清回應(yīng)這個需求必須解決的問題前，不宜貿(mào)然投入太多資源擴編相關(guān)團隊或?qū)胨^的智慧零售方案。否則，搜集資料的裝置要錢、儲存與運算快速增生的資料需要的軟硬體要錢、分析資料的人員要付薪資，用了不可靠的分析造成企業(yè)經(jīng)營方向偏移或浪費時間的代價更高，經(jīng)營者與決策主管不可不審慎為之。