<address id="5lf53"><listing id="5lf53"><meter id="5lf53"></meter></listing></address>

        <form id="5lf53"><form id="5lf53"><nobr id="5lf53"></nobr></form></form>

          沒有預測,哪來對比?

          2020-03-04

          在購物中心存量時代,數據驅動的精細化運營成為了打贏客流爭奪戰的必然趨勢。然而,傳統數據分析方法的短板,成為橫亙在實體商業智慧運營前的重重阻攔:海量數據中的偏誤難以排除,經驗法則在波詭云譎的市場變化下難以適用,諸如新型冠狀病毒肺炎疫情等“黑天鵝”事件帶來的沖擊難以評估……如何全面、準確地挖掘數據中的價值,仍然是購物中心從業者探索的方向。幸運的是,以精準預測著稱的人工智能算法,已經為實體商業運營的轉型之路打開了一扇大門;而匯客云,正在這條道路上穩步向前。

          為什么要預測客流?

          先舉個例子:1月23日武漢“封城”的消息傳出后,全國實體商業客流在1月24日產生了下降。要想精準計算客流下降多少,就需要給1月24日的客流找個基準。這時困惑出現了。如果用1月23日做基準,那天是年二十九,客流本來就應該比1月24日除夕的客流高很多,不可比;如果用2019年1月24日做基準,那天是個年前農歷十九的工作日,也不可比。因此,要客觀地評估客流下降的程度,根本無從談起。其根本原因是,沒有可進行對比的基準。

          再舉個例子:某購物中心2019年9月22日周日舉行了一場親子主題的活動,活動結束后的數據是這樣的:活動舉行的這天,購物中心的總客流為25,000人次,如何評估活動效果?困惑又出現了。如果用2018年9月22日做基準,那天是中秋節假期第一天的周六,客流非常大,而2019年9月22日是中秋節前的周日,不可比;如果把2019年9月22日前后一周的周日做基準,9月15日是中秋節假期第三天的周日,9月29日是國慶假期補班的周日,也不可比。同樣的,由于沒有科學的、可進行對比的基準,要想客觀地評估這次活動的效果,無異于建造空中樓閣。

          那預測客流量是什么?可以解決以上的問題嗎?答案是肯定的。

          我們知道,影響客流量的因素是非常多的且復雜的。簡單講,針對這次活動,預測客流量指的是如果沒有做這場活動,購物中心的當天客流應該是多少。當我們知道了預測客流數據時,我們就可以以此為基準,通過和搞活動時的客流量的比較,清楚的得知——本場活動為購物中心帶來了多少客流增量。這點很重要,我們可以對歷次的活動進行這樣計算,以對比各個活動帶來的客流增量之間大小,進而量化對比每次活動的投入產出比(ROI)。接下來,購物中心就可以有針對性的對活動進行優化了。

          所以,預測客流量這個數據,建立了一個非常重要的但之前靠小量數據和常規統計無法獲得的數據對比基準,這個基準就好比一把尺子,購物中心運營中和客流相關的方方面面數據和信息,都可以進行科學的測量了。

          人工智能模型精準預測客流

          客流量是購物中心經營的基礎和核心指標。而提前預知未來客流量,正是購物中心以數據指導運營的核心手段。購物中心在預測未來某天客流量時傳統上使用過去日歷上同一天的客流量,在分析當前段時間內客流量狀況時也主要采用歷史同期客流進行比較,上述傳統方法沒有充分考慮購物中心固有競爭力、工作日、節假日、天氣等因素對客流的影響。

          如何才能得到精準的“預測客流“呢?要進行精準的客流預測,龐大的數據和精準的算法缺一不可。在數據方面,不光要有超大規模的樣本,每個樣本的數據需要有長的時間跨度和細致的粒度。在算法方面,因為要綜合非常多的影響因素,常規統計算法就無法勝任了。

          與傳統方法不同,匯客云平臺上的人工智能算法模型基于目前最流行的、預測最精準的集成學習和深度學習,能夠準確處理非常多因素之前的相關性和對結果的影響。建模過程中,則通過云計算和并行計算技術處理全國上千家購物中心過去多年的海量數據,采用海量數據同時進行建模訓練,并結合額外的多渠道數據,包括過去多年上千家購物中心所在地每天的天氣情況,節假日情況,購物中心的營銷活動等,反復訓練和驗證模型,從而獲得更精準的預測結果。

          目前,基于人工智能算法開發的購物中心短期、長期預測模型已經開始為實體商業從業者提供決策支持。在2020年3月3日匯納科技發布的“匯客云中國實體商業客流桔皮書”(下稱“桔皮書”)中提出,新型冠狀病毒肺炎疫情導致2020年1月20日至2月29日的全國購物中心客流量減少33億人次。這一客流下降的測算結果,是通過基于集成學習和深度學習的客流預測模型,得到未發生疫情情況下的客流預測值,并與客流真實值相比得出的客流量差值。該模型預測值在2019年11月和12月實測誤差率僅2.7%,顯示出客流預測模型極高的準確率,也反映出疫情影響下客流差值測算的可靠性。


          圖 1:預測模型的客流預測值與客流真實值對比

          人工智能模型剖析客流影響因素

          盡管準確的客流預測值已經為實體商業的經營狀況提供了明確的參照標準,但只有深入理解影響客流量產生的因素和邏輯,才能為實際運營提供最有針對性的抓手。匯客云平臺上的人工智能算法模型采用了最前沿的可解釋的機器學習方法,使得模型既能產生精準的預測又能被解讀和產生商業洞察力。基于上述模型,可對客流預測值進行歸因,了解每個可測量因素對客流量的影響是促進提升,還是引起下降。根據各因素對客流量的正向或負向影響,實體商業運營者可有針對性地從各因素入手采取措施,強化正向影響因素,削弱負向影響因素,從而獲得提升客流量的清晰路線圖。

          “桔皮書”中,集團類型因素以及所在地區因素對客流的影響正體現了歸因分析的作用。考察集團類型因素對平均客流增量的影響,可以測算得出,若以非集團項目客流數值為比較基準,且通過人工智能建模剔除所有其他影響客流的因素后,民營及外資集團管轄的項目日均高出2.5%。這一結果表明,民營及外資集團管轄的項目更具吸引客流的活力,應當繼續堅持運營創新、提升服務質量,強化自身優勢;而其余集團類型的項目,則可以民營及外資集團的項目為標桿,學習先進運營理念,進一步提升管理效率。與集團類型因素的分析相似,考察地區因素平均客流增量的影響,同樣通過人工智能建模控制其他影響客流的因素,得出項目位于南部、北部、東部、西部時,對平均客流增量的影響依次遞減,其中位于西部和南部地區的購物中心在客流表現方面相差近4%。這一結果表明,所有其他因素都相同的情況下,南部地區的購物中心吸引客流能力更強,對品牌選址更有吸引力,并購時更具投資價值。


          圖 2:集團類型因素以及所在地區因素對客流影響的歸因分析

          人工智能賦能實體商業

          人工智能帶來的產業變革,也推動著實體商業走上時代的前沿。匯納科技的匯客云平臺,不僅擁有中國最大規模的實體商業客流數據庫,更在人工智能算法模型的助力下實現精準預測和智能決策,幫助購物中心和品牌實現智能的“量化運營”,也幫助政府和金融機構準確掌握市場動態。我們堅信,人工智能賦能下的實體商業,定能乘風破浪,向陽生長,繼續作為中國經濟基本盤的最強后援,為中國經濟發展提供源源不斷的動力!

          返回    >
          中文
          在线aav片线 - 视频 - 在线观看 - 影视资讯 - 品爱网