史蒂芬说：被万达董事长王健林视为潜在竞争对手的大悦城在高调扩张的同时，也一直低调修炼内功，在对商业和业务充分理解和创新的基础上，用大数据让信息技术成为商业变革的核心力量。

    大悦城，被万达董事长王健林视为潜在竞争对手。其背景是，自2009年底，中粮旗下的大悦城开始高调在全国“攻城略地”.

    其实，早在2009年初中粮集团就正式提出了打造“全产业链的食品企业、全服务链的城市综合体”的“两链”发展战略。第一条是全产业链链：打造从农产品原料到终端消费者的产业链，为消费者奉献安全、放心、营养、健康的食品。第二条就是全服务链：是以购物中心为核心，将购物、餐饮、娱乐、办公、旅游、居住等多项城市功能在空间上进行科学的整合，形成针对目标客户的全服务链，创建出多功能、高效率、复杂而统一的城市综合地标性建筑。

    大悦城正是第二条全服务链的拳头品牌。如今，大悦城已成为高品质城市生活新标志，给商业地产界带来了诸多的创新和颠覆。

    正如大悦城战略布局那样：“大悦城从2006年筹建以来，2007年做项目，2008年做行业，2009年做品牌，2010年做布局，2011年做统一，2012年做提升，2013年做体验。”其实，这些年来大悦城在高调扩张的同时，也一直在低调修炼内功。与其他的商业地产相比较，大悦城不仅仅是简单的打造“数字化大悦城”,更是在对商业和业务充分理解和创新的基础上，让信息技术成为商业变革的核心力量。

    Gartner在对2015年10大IT趋势的预测中指出，“各公司内外有组织和无组织的数据将继续整合。”进一步印证到商业地产及零售业，正如Intel在其零售转型的数字化解决方案里曾写道的那样：“零售的未来就是连接！”

    连接，意味着系统、应用、数据、分析、设备、人、物等等因素的连接。大悦城在“大数据变现”的过程中，就是充分实现了各种连接，就像Gartner指出的那样，“每个应用将需要一个分析应用。”

    毋庸置疑，随着技术的发展，零售业正在被迫改变。技术的发展不断提升着消费者的购物体验，同时提高商家的运营效率和营销效果。一个简单而普通的应用场景就可以被用来当以例证：旨在将网上购物的便捷引入实体店，基于英特尔？酷睿？i7的Memory Mirror数字“全身镜”可让店内顾客虚拟试穿多套服装，在镜子前或通过智能手机/平板电脑查看、对比多套造型。Memory Mirror通过英特尔集成显卡技术创建不同造型，以便消费者进行社交媒体分享、征求朋友评论，或者立即选择并在店内购买。

    最为国内目前发展势头最好、引领创新、颠覆传统的代表，大悦城也有着一套自己的发展逻辑，用大数据来实现企业商业价值的最大化。

    因此，ITValue特邀大悦城研策总监张岩进行实战分享，具体讲述大悦城是如何玩转大数据，并实现商业价值的。

    大悦城是以“年轻、时尚、潮流、品味”为定位的城市综合体，作为实体商业是如何进行信息化建设、以及大数据运作的呢？这中间经历过三到四次的思想变革，最初通过系统建设实现了第一次的变革。建立精细化的运营分析体系和商业分析体系之后，才可以获得数据。

    任何信息化的提升一定要以业务模型为核心。基于商业原理来说，大悦城的业务核心是以创造销售为目的来展开的，围绕着销售建立了整个设备以及整个系统体系。在整个设备之外，是建立算法分析层面。

    数据如何进行获取？首先要看消费者跟商户之间是什么的关系，即从整体应用关系看销售关系。这个商业逻辑指导着大悦城信息化的建设。

    商户跟大悦城之间的交易关系，使企业（大悦城）获得了整个交易数据。为了获得交易数据，大悦城建立了POS系统、会员积分系统等。在这些系统的下面，对每天540万条的交易数据，开始创造以预测销售为核心的商业分析。通过这些交易数据可以分析出商户的销售状况。同时，还能够做到提前60天预测出商品销售将会达到什么水平，再根据预测结果指导最终运用什么运营方法来进行经营支持。

    大悦城跟消费者之间的关系，是以消费行为研究为核心。即研究消费者跟大悦城之间是如何互动、如何产生购买的。把整个消费者的行为利用各种方式来进行预测，比如预测客流量、预测整体消费者的忠诚度变化等指标。

    真正具有商业价值的体系，要能看出哪个商户对于大悦城的运营最有价值。在第一次变革期间，进行绩效管理，进行数据的整理跟积存，每个系统各司其职，各种业务系统精准完成目标。

    从构建体系到构建整体系统

    商户相关体系、消费者相关体系、大悦城相关体系，这三个体系要作为一个整体来看。进一步来说，与商户相关的交易系统，与消费者相关的会员系统，精细化的管理模式，每一个系统都能够提供精确的计算数据。任何一个系统都有自己大量的分析。比如说在MIS系统里处理商户的销售数据以及坪效、租金贡献等数据计算，来精准的反应商户与购物中心的贡献关系。在CRM系统里计算会员的分类以及贡献价值，来反应会员、消费者的状况。在科传系统里，处理各种投诉数据与满意度KPI间的关系，来判断整个项目的客群关系。这样从每一个系统都能精准的计算、反应该系统内可考量的业务数据的变化状况，来评估该业务的优劣情况。但是如果从公司统一的业务工作角度来看各系统之间的关系那就不一样了。我们会发现各系统之间对于同一个业务目标的体现既有正相关也有负相关，如果把系统作为一个整体来考虑，系统之间的分析结果就会产生冲突。

    这就是系统的复杂性！从业务来看，单一的系统结果都是正确的。但从总体看来，业务之间相互的关联发生冲突，应该怎么解决？应该怎么考虑对其进行计算分析？

    因此我们按照神经网络的算法模式，将各个业务系统进行业务定位。将不同系统集中成3大业务集群---商户相关系统集群、消费者相关系统集群、项目运营相关业务集群。然后建立hadoop的计算平台，各集群里的业务系统对各自的业务数据计算后，将结果输出到hadoop平台上。我们再根据需要具体计算的业务事项，按照神经网络算法设计出与项业务相关的二级指标。然后把所有单一系统计算结果再导入hadoop二级指标体系进行二次的输入，通过这个输入再进行业务识别。对消费者、商户、大悦城，三个关系综合评分得出最终的累计结果。这过程其实就是我们提倡的系统模糊化，就是将单一系统精准的计算结果，通过hadoop神经网络算法，将精准的结果模糊化，而计算出更多对业务开展有指导意义的结果，而不是依赖单独的系统。

    这是所谓的系统定位模糊化。否则，随着数据量的庞大，任何两个数据放在一起分析，一定有结果，但这个结果不一定是正确的，而对于其它的关系，可能就是对的。之后再进行二次计算，再加上一套神经网络的算法，这样就能看到整体的数据量已经开始翻番了。

    “去中心化”就是要“去销售化”

    处理好数据的结构关系之后，就开始思考真正的大数据层面，即去中心化。任何互联网思维都进行去中心化。而我们要说的去中心化是“去销售”为中心化，不是以销售作为商业系统在建设的重心。那怎么来理解去中心化？

    在我所说的第一次变革中是商业系统的建设，但是现在是开始考虑销售之外的业务价值。以前的系统是以商业作为核心目的，但现在整个销售来源更多的是按照中心之外进行延长的价值产生，离销售中心越来越远。从发现的结果数据当中产生的结果、产生的商业价值就会越高，但同时产生的数据量越大，技术难度也会越大。

    举一个简单的例子来说明在整体模式下的“去中心化”.当企业谈销售时，客流是一个非常重要的要素。如果建立一个简单的系统就能知道客流量，将会给企业带来很多的便捷，因为客流量对于整个消费的引导都起到非常大的作用。但是，只知道大体客流量与业务增长，是不够的，还需要有更精准的客流量--比如，顾客几点来，几点客流高峰，几点客流低潮。如果在客流高的时候，就开始做行销活动，这样企业的收益就会增加。

    对于客流数据的统计分析，如果能知道顾客是成人还是孩子，那么企业的销售将会再上一个档次。所以需要分别做成人跟孩子的数据系统。当知道来客是成人或孩子的时候，如果可以区分顾客的性别，就可以针对不同性别的需求进行服务了。所以，大悦城又增加了面部识别的系统。这些识别的面部数据有了之后，又在此基础上增加了统计顾客在商场整体的运动线的系统。顾客怎么在商场运动？有WIFI盯着。WIFI知道哪个门店客流多，如果销售不好，就需要让那个店面提升管理。

    这样的系统，离所谓的中心越来越远，但商业价值越来越高。所以，去中心化就是打破以销售为中心的思路。以销售为中心建的所有的系统概念，其实都是资源型的。

[page]    让数据从“资源型”变为“服务型”

    真正让商业以“去中心化”去运行，就需要全方位的服务投入，整个企业要由“资源型”向“服务型”转变。

    以客流量为例，没有客流系统的时候，就无法识别出客流量对于业务的作用。后来我们使用了红外客流系统，通过客流进入商场大门时对红外探测设备的阻断，使红外客流系统能够计算出有多少客流进入，并向系统后台提供客流量的变化数据。这个最大的意义就是，第一次知道客流的可视化，从而通过销售数据的变化和客流数据的变化，确立了销售与客流的关系。有了客流的数据之后，可以真正看到客流的价值和真正的经营数据。在获得客流总量后，我们又设置了图像客流系统，头像客流系统可以通过双摄像头的识别探头，计算图像的高差，因此可以识别出进入商场的客流是大人还是孩子，同时图像客流系统还可以进行区域内的图像追踪，这样通过图像客流系统数据可以看到，客流在这个区域停留了多长时间，每个人的运动方向。这时候你会发现，图像客流系统识别的客流方向数据中，最大的价值并不是每天进入商场多少人，出去多少人。而是通过进出客流量的数据计算出，目前到底有多少客流滞留在购物中心内。而这是红外客流系统所不能提供的在，滞留数据对经营的指导意义更大。

    用客流来界定商场的销售，也就是电商的访问量大小问题。这其实跟到底有多少人不成正比，真正有关的是滞留了多少客流。当发现在商场销售时间内的消费人很多时，就会发现，整体是有销售增长的提升空间的。我们通过计算后台客流滞留数据来匹配计算销售的低谷，当销售非常低的时候，如果单一项目里面客流非常低，而不用考虑整个商场滞留量多少。知道滞留量的多少，从而调整客流低的情况，再来做促销活动，整个销售就会提升。

    在获得客流的滞留数据后，从对于经营的指导来看，我们可以计算滞留数据、客流数据、销售数据这三方的关系，通过计算这些关系，可以使用三个变量来发现整体经营问题。随着客流系统的整体进步，知道进来的成人还是小孩、是男还是女、年龄岁数的时候，就发现可以做的营销、商户销售等等，可挖掘空间更大。

    但是，这些数据非常麻烦。我们通过面部识别系统数据，可以看到客流的属性数据跟整个客流变化数据是完全不一样的。随着第一次可以获得整个消费者数据，就可以建立智能的分析和运转模型。

    商业定位跟客户满意度之间也是相关联的。整个关联主要是外部因素，而对于真正的销售本身，销售额变化带出关联性整合问题。因为知道了整个商场进来的是男性还是女性，就可以指导商户对于商品做出调整。如果商户的商品跟消费者差太多，同时也会对整个项目进行指导。比如说，通过整合客流属性分析会发现，其实更多的是偏大龄化的东西。因此把整个定位从年轻少淑型改成了大淑型，这种调整之后整个楼层销售增长10%,这个是数据分析创造的一些价值。

    除了客流的属性，更多的是客流行进的路线。所以，大悦城增加了WIFI的客流分析系统。通过监测消费者在整个商场里面的流动轨迹，就能够知道消费者是不是经常经过这里，如果消费者经常在这里过，这家店的销售可以做的更好。

    有了WIFI系统可以得到的人位置之后，就可以再提供服务来以企业数据的整体预测为核心。但是，会发现整个客户的数据量翻倍式的增长，而取得的效果是商业的转化率提高3%到4%,这已经是是非常好的。

    经过以上的阶段，发现数据都是通过设备获得的。但是数据背后的东西是什么？还是需要企业自身去考虑。真正预测的客流量的增长变化，首先要对于整个区域客流变化进行预测，搭建客流的预测模型，通过模型观察大致的区域客流的情况。根据这个方式再对整个商业进行调查分析。

    从1.1亿次到26.4亿次计算背后的客流分析

    以上做的只是一点点区域数据分析，能不能把整个人做成单点人的分析和预测？即通过模型来预测人在不同空间的运动模式。

    参考气象学的观点：美国国家海洋与大气管理局在测算整个北美的暴风系统，有一个模型，每一条线都是每条飓风所经过的地方。做客流研究，就是把每个人当成个体，即跟着主流走也有离散的逻辑，把它的模型借鉴过来。

    同时，还参考了地质学：地质探矿的时候，沿着一个矿自由增长。通过这两种模型，我们完成了大悦城自己的特有预算模型。大悦城任何一点客流，在线下跟限定的两点之间移动时，在整体的模型带领之下，进行客流的计算。

    5月12号，大悦城首次模拟出客流的状况。系统中，红色是整个客流的密集区，绿色是比较少的区区域。对客流状况的成功监测，是一个非常大的成就。但是跟客流的实际情况进行对比，会发现还有很大的差距。气象学跟地质学的这个公式，转变过来没有阻碍的关系，但是对于生活来说，就是一堵墙，会对消费者阻碍。

    这个情况虽然还是很不如意，但是非常接近。在计算客流的时候，客流会向四周散射。这种情况该怎么处理？就是把客流切割成小方格，明确的知道客流高处向低处扩散。所以大悦城制作了大量的基础数据点，每个大概0.5平米的面积，一层楼是3万个，一个11层的建筑体，达到了33万个，全楼有308滞留点。从每一个点里面出来的一个人经过33万个的算法，以此计算达到了1.1亿次。这个对于整体的系统后面的管控平台提出了一个非常高的技术要求。

    而做这些的成果是什么呢？企业可以非常清楚地知道每个消费者在项目里面看到的这个项目墙是圆角，还是直角，通道的宽窄，休息区，洗手间等等对于消费者的扩散产生的影响。这些客观因素对于整个运动所影响的关系，消费者客流密集的红色区向蓝色区不是平滑的过渡，而是其他的因素影响的。这样才能非常精确地知道消费者怎么进行项目的流动。知道整个的扩散影响之后，再看运动的轨迹与重合度，人怎么样走的，就是这些轨迹对于客流密度的影响。

    再比如，系统中蓝色的是商户业，红色到蓝色的色彩过渡就是客流运动的轨迹。绿色的线就是计算出来消费者在楼里是怎么运动的。

    如果运动的线非常直的，那么消费者就是直线运动，用图形可以模拟出来。如果有一个小的封闭型空间，消费者沿着这个线进来之后发现不对还可以自己走出来。他们并不是沿着一条路走出来的。前期把所有的关系模型在整个数据里面进行仔细的计算，对于一个楼有8000条路径和33万个数据点，26.4亿的计算量。

    这个可以使企业非常清晰地知道客流的离散性，就是客流沿着这条主路走的时候这个量多少，当周围离散时客流达到多少，客流的运动整个进行了模型化。在整体的计算当中，底层处理是非常不规则的算法。

    计算这个有什么用？它可以通过公式来充分地模拟计算出一个项目的客流分析情况。当顾客要进大悦城一个新的商业区的时候，在没有建设之前就可以计算出来这个项目的客流怎么样运动，通道是不是重新改，在建好之后就不需要再考虑这些问题了。

    甚至可以具体到，这个项目的客流这么运动，销售将是什么情况，项目没有卖出之前就知道销售达到了多少。招商人员只要把主页在上面进行更换，就可以看到，整体客流变化的水平可以被非常清晰的体现出来。另外，还可以清晰的看到，当前这一套方案的客流到底怎么样走，到底哪个方案客流价值最高。

    动态的区域价值分析系统，大悦城做一个推广活动或者一个销售活动时，把限定条件输入，就可以做一个区块的价格变化。有哪些跟销售产生关系，随着关系的不同每个区块都会发生变化。因此，在整个策略执行之前就能知道，竞争对手如果使用这个政策会对区域价值产生怎样的影响，并且在销售之前能够知道整个业态的变化、以及整个区域投放的点。

    对于一个没有运营项目的新城市来说，通过系统可以建设并模拟大悦城，知道这一块地方到底适合不适合，竞争关系是怎么样的策略。

    对于大数据来说，整体的核心就在于分析能力，这些分析能力首先构成指导的动线，这些都是大数据所驾驭的地方。很多大数据服务商只能提供一些前方的数据采集，但是这些分析能力一定是对商业的理解。如果商业不理解，就不知道客流应该怎么样走合适、租金的关系是什么样的……因此，做大数据要由企业自身去做的。