【導讀】過去我們處在一個數據片段破碎的零售時代，隨著數字化潮流的來臨，企業一直朝著運用數據改善營運效率的方向前進，最終我們將被數據包圍，而且在無接縫的環境下善用各種不同性質的數據，完整描繪顧客，清楚結合市場走向與資源運用后，精確的規劃企業策略。

　　大數據也好，小數據也罷，已經有很多的專家討論過運用數據到底可以帶來什么價值。只是在這么多的數據分析的論述之后，筆者觀察到市場上大多數人對于數據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，最擔心的是在物聯網應用方案設計之初的系統架構中數據分析的角色沒有被優先對待，以致于相關方案的設計只是一大堆硬件的集合，自動化或者有之，而智慧化則往往消失無蹤。

　　首先，筆者要澄清一點，數據的來源很多，聯網裝置只是收集數據的一種手段，并非只有物聯網應用方案才能搜集數據。

　　舉例來說，傳統的收銀機也在累積數據，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分析。直到收銀這個功能與工業電腦結合，數據開始有了進一步被分析的方便性。然而，為了加快結帳速度，現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。然而這些裝置收集的數據都集中在業務成交結帳時，零售業者仍舊無從得知每個時點有多少人經過門口，多少人走進賣場，更不用說個別顧客繞行路徑，抑或是在每個柜位或貨架前的停留或注視時間。

　　近來隨著GPU等硬件的發展與相關視覺辨識軟件的進步，這些數據搜集都由不可能逐漸變為可能。

　　此外，數據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，數據科學家得以將目光由結構化數據 (structured data) 投向非結構化數據(unstructured data)。簡單來說，語音與文字資料的記錄得以被分析。首先，傳統客服電話的對談內容已經可以直接語音轉文字，再將透過自然語言處理 (natural language processing, NLP) 文字探勘進行客戶訴求分析。讓客服人員與顧客抱怨的對話內容與處理過程都變成顧客檔案的一部分。甚至，為了節省客服人力，運用相關數據科技開發出來的聊天機器人也應運而生。顧客在網站上或在賣場內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對話過程主動建議顧客適合的商品。相比之下，傳統客服人員雖然可以做到更細致的服務或應付更隨機的問題，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閱提問顧客的顧客檔案，即時掌握顧客的品味，在對話結束前的黃金時間內做最有效的商品推薦。

　　非結構化資料的來源還可以是網路上的社群討論或任何內容媒體流傳的一篇報導及底下的留言評論。君不見網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。不理解粉絲團或網路搜尋優化威力的行銷人員，想來在公司內發言權也將逐漸式微。針對網路時代新的行銷宣傳趨勢，網路輿情分析 (social listening/social media monitoring, SL) 早已經廣為企業行銷人員采用。甚至，居于市場領導地位（或有心急起直追）的廠商，還逐漸了解到市場商情調查 (market intelligence, MI) 不再是復制-粘貼加一大堆的研究人員解讀，運用NLP開發的MI系統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。相對于濫竽充數的類似產品，優秀的數據科學家開發的SL與MI，可以讓企業迅速掌握產業趨勢、發掘潛力產品或技術，也可以監控網路上意見領袖或重量級媒體報導對于企業自己或競爭同業產品的影響，更快速的采取應對之道。此外，結合SL與MI的精神，擅長NLP的資料科學家還可以開發出競爭同業的監控方案。

　　行文至此，讀者可能已經體會到“數據爆炸”這個名詞的嚴重性。看中這個市場潛力的業者，從傳統系統整合商、標榜數據分析的軟體開發商、提供高速資料處理的硬體系統商，到物聯網應用方案提供者，大家無不強調自家開發的產品或方案能夠為企業快速處理分析急速增加的數據。在這些玲瑯滿目的眾多的選擇中，企業應該先問自己，數據搜集的目的是什么;更精確地說，企業希望解決的問題是什么，哪一種或幾種數據可以有效地回答待解決問題。不論是智慧制造、智慧零售或是智慧建筑的方案，這個問題都是最優先要回答的。循著這個邏輯，下一步應該盤點企業內是否已經擁有相關數據。若答案是肯定的，緊接著要思考用傳統的統計分析、商業分析 (business intelligence) 或更進一步的機器學習 (machine learning)來解答。如果數據的復雜度需要用到機器學習，那么企業內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、硬體工具適合企業使用的答案就自然浮現了。

　　若是企業目前擁有的數據不能回答待解決問題，則在進行上述思考過程前，必須更優先評估如何取得必要的數據。傳統上，企業在買電視廣告前，通常會買一份收視率調查報告，再針對自家產品的特性與預算規模，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，企業已經不能滿足于電視廣告這種單向且無差別式的溝通方式。互聯網經濟下，顧客在網站內瀏覽行為是最直接的行為數據。只是時代往新零售模式邁進，線上結合線下 (online to offline, O2O) 乃至全渠道(omni channel) 已然成為勢不可擋的趨勢。

　　因此顧客在線下的行為，甚至是在不同渠道或場景的一舉一動能否更大幅度地被記錄，已是企業不得不面對的難題，這就是筆者一貫提倡用物聯網應用方案協助企業的背后緣由。然而，值得說明的一點，沒有清楚針對企業需求組合的物聯網應用方案絕對不是一個好方案，而且沒有對接數據分析功能（不論是內建或有意識地輸送數據到其他數據分析軟件）的方案，只是一個騙取客戶荷包內預算的花架子。企業在選擇訴求智慧零售/智慧商城方案時，首先應該檢視相關方案的系統架構，才不會浪費時間與預算。

　　零售餐飲是個直接面對顧客的行業，企業每天要處理的都是事關”人”的滿意度的議題。在互聯網快速迭代演進的中國，小從POS的互聯網化開始，許多從業者將原本笨重的收銀機轉為手持裝置，概念上與手機相似，連里面裝載的應用程式也相仿，因此可以大量使用既有的互聯網架構與資源，讓收銀機的成本大幅下降。最重要的是透過這個聯網裝置可以直接與網絡社群接觸，實際實現了O2O的精神，將顧客從過去的過路客，拓展到慣于使用網絡的新世代，還將他們帶到店內消費。借由目前已經蔚然茁壯的云產業的支持，一個便宜的手持式裝置在某些方面的表現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云端的POS系統，他們不挑選特定輕量型裝置（不強調客制化的手持式POS，即便是一臺iPad也行），這種理念開發出來的POS方案，甚至跳脫服務單店的手持式POS，進而支持規模數量龐大的連鎖體系，此時搭配互聯網上各種點餐快送app，更加將線上向線下導流發揮到極致，這樣的方案如果搭配ERP及CRM，再加上各種物聯網應用方案，可以為大規模連鎖總部提供更快速即時的多種顧客行為及企業內經營效率資料。

　　鎖定數據源并完成數據搜集后，企業緊接著應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數據。

　　舉例來說，成交數據代表著前一階段各部門集體努力的經營成果，這里通常是分析的起點，加上各場合獲得的顧客行為數據，是大多數顧客推薦系統處理的范疇。然而個別顧客推薦系統能夠處理的數據欄位、采用的演算法、處理數據量與處理速度等等都是企業應該評估的重點。然而，從成交記錄出發另一個處理的角度可能是企業進貨（或備料）預測，這部分的分析除了更加需要產業知識 (domain knowledge) 外，對于選擇適合的一種或數種演算法能力的要求更高，因此對于數據科學家的要求更高。而且，外部的非結構化資料也可以在適當的時點投入被交叉分析的行列中。這一切都要求數據科學家與企業各相關部門人員在導入初期就討論出適合被解決問題的方法論，才能有效率的回應企業在新零售時代的挑戰。

　　借用Frost & Sullivan的Smart retail journey圖敘述企業對于的智慧零售演進歷程，過去我們處在一個數據片段破碎的零售時代，隨著數字化潮流的來臨，企業一直朝著運用數據改善營運效率的方向前進，最終我們將被數據包圍，而且在無接縫的環境下善用各種不同性質的數據，完整描繪顧客，清楚結合市場走向與資源運用后，精確的規劃企業策略。但有句老話說：『盡信書不如無書』，企業在沒有確認自身的需求，沒有理清回應這個需求必須解決的問題前，不宜貿然投入太多資源擴編相關團隊或導入所謂的智慧零售方案。否則，搜集數據的裝置要錢、儲存與運算快速增生的數據需要的軟硬件要錢、分析資料的人員要付薪資，用了不可靠的分析造成企業經營方向偏移或浪費時間的代價更高，經營者與決策主管不可不審慎為之。