移动互联网、开源、大数据、O2O……互联网的新潮流带给CIO们的不仅是大量的新技术，更是重新审视营销和客户关系的新思维。所以当我们今天谈精准营销的时候，无论是传统企业还是电商，都需要打破传统思路，以新方法探索搭建新的技术架构。5月29日，CIO发展中心在“IT之道CIOQQ群”与1号店IT资深经理王答明进行了围绕大数据和精准营销的访谈，访谈内容整理如下：

大家好，非常高兴能和大家一起来讨论关于大数据和精准营销的一些话题。1号店在精准营销方面目前主要在做个性化推荐，广告定向，EDM等几个方向。但这些方向之间有很多重叠的部分，也就是说很多底层的东西是相通的。

“个性化推荐”这个大的方向就会牵扯到很多方面的基础性工作。比如，首先我们需要搭建必要的算法集合，而且算法要能适应处理较大的数据量级（网站的数据量相对比较大）。其次，需要对商品属性和用户行为建模，就是大家经常提到的用户画像。还需要考虑精准化的目标，对于一个网站来说，在不同的购物路径上都会不太相同。另外还需要面向这些不同的目标来做优化。最后还要能搭建起比较成熟的技术架构。

关于用户数据

谈大数据首先需要的就是数据，这点对于传统零售肯定是目前最头疼的部分，我们也能看到很多线下企业在尝试各种渠道方式或者引导手段来获取用户数据。当然对于电商，做精准营销的一大便利就是可以拥有用户数据的闭环，天然上会对用户数据有优势。但这是不是说电商拥有的数据就足够了呢？当然也不完全是。

国内电商可能只有阿里拥有了最大量的用户数据，后面的几家可能都会认为自己的消费者数据不够完善。那么在这一点上我们目前从数据层面也在尝试跟第三方，比如做DMP的公司进行一些画像补充合作，但效果目前还在测试中。

除了数据，目前技术上也不能说每个方面都做得很成熟了。如果说难度的话，很多层面目前还都是在探索尝试阶段，比如说对用户画像的一些建模和算法，效果也在尝试。

关于用户画像

关于消费者画像，我们目前主要是针对用户在1号店上所有的行为数据进行建模，比如浏览、搜索、加入购物车和订单等等，然后运用一些建模的算法计算出用户对某些特征的偏好值。从输入的数据源来说，我们利用的不仅仅是购物车、收藏之类，更大的数据量来自于用户的浏览，每个页面逗留时间，搜索等等所谓的“隐式行为”。

维度上除了传统使用的基本属性（性别、年龄、地点……），还有大量的维度是基于用户的兴趣图谱（比如1号店庞大的类目树、品牌和商品属性等）。此外，还会针对行为相对丰富的用户进行购买类型分析，比如某些类目下的消费档次，购物决策类型等等。

传统的用户分群目前应该还在大量使用，比如一个用户我们只能了解到他的几个基本属性，根据基本属性做个分群，然后根据不同的群做推送。但是，目前的大数据分析做用户画像建模的话，一个人的标签会非常多，就拿我们的数据来看，人均的标签量可以达到上千。

可能很多朋友会觉得奇怪，为什么会打上这么多的标签？我们粗略算一下就可以理解，比如1号店的类目树分几级，每个类目下还有不同的品牌和属性，而我们的基本结构就是不同的兴趣标签靠挂在不同的树节点下，这样相乘起来，维度就会非常大。这个也算简单举例了用户画像大概会是什么样子。

如果还从分群的角度来理解，也是可以的，但量变引起质变。如果把一个人当成上千的群来看，传统的推送方法是不是就不好做了？所以这里就面临着很大技术架构和算法的挑战。

所以我们的做法并不完全是传统意义上分群处理，主要是计算出每个人到底对什么感兴趣，基于此再做推荐。或者说，我们是借助技术手段做一对一的服务。

关于销量预测

销量预测方面我们其实也算刚开始探索，目前我们主要是聚焦在日常的预测上。我们尝试的方法是基于大量的多维度数据来做，研究各个因素对销量的影响，建模型来做。对于电商来讲，不定期的促销，价格战，对销量预测都会有影响，但日常预测的话是可以尝试探索的。

关于增加用户粘性

推荐系统其实肩负的一个责任就是要增加用户粘性。在这点上，我个人并不觉得没有线下就一定是很大的弱势。比如推荐系统如果能够在合适的场景下，在对的时间把你可能需要或者感兴趣的东西推荐给你，这就是很好的用户体验，那么也一定会增加用户粘性。

有点像通过技术手段在网站上为用户安排的一个导购。虽然当前来看，“他”还没有真人导购那么成熟，还没有做到非常智能，但他可以记住你，认识你，了解你的需要。随着今后数据越来越全面，算法越来越成熟，用户体验是一定会有提升的。

关于算法

我们基本上是利用了很多目前相对成熟的机器学习算法，在推荐层，用户建模层，场景层等等。不同的地方用的算法也会有不同，比如推荐常用的协同过滤，关联规则，图挖掘等；用户建模利用到贝叶斯，最大熵等；然后其他还会用到回归进行ctr预测等等。

关于O2O

其实我个人觉得，发展O2O的话，数据上也会是一个方向。比如我们目前也在做一些品类管理之类的尝试，一个商家，应该扩展什么品类，哪些sku需要提前进货等等。

如果你只看你自己线下的数据，肯定没办法给你提出前瞻性建议，那么如果你结合互联网上的数据，就会给你很多建议。

我们目前O2O这块，主要是做sby，也就是利用自己积累的优势来跟线下的商超合作。我们会对商家提供很多服务，最开始是针对入驻我们网站的商家，今年的话也包括跟线下商超的合作，大概有库存合作，物流合作，当然也有数据合作，技术服务等。

关于大数据BI和传统BI

现在我们看到到处都在说互联网思维，其实我个人理解，大数据这个东西就是个互联网思维的产物。我们可以来比较一下传统BI和大数据下的BI。

传统的BI，大部分的分析对象都是结构化数据，也就是你放到数据库里的格式都是很明确的数据。随着各种网络的发展，产生了越来越多的非结构化和半结构化数据。这部分数据里也有很多有价值的信息，需要分析。正因为如此，我们需要新的大数据建模手段。

另外，现在我们采用的技术手段开始受到互联网思维的冲击。现在的互联网工具，大部分都是基于开源或者开源基础上的改造开发。传统的各大厂商的昂贵工具慢慢地在互联网公司里消退。因为互联网上产生的数据量更大，所以反过来把技术锤炼得更高，也就是性能等各个指标一点都不比传统厂商的差，而且成本更低廉灵活。

既然大数据BI对大数据的处理都可以很好，那么“小数据”的话更没有问题。所以从BI的角度来看，传统工具开始越来越不适合。

因为时间关系，今天就跟大家讨论这么多，以后有机会咱们再交流！