梅林

纵观历史，人类从农耕时代的土地驱动、手工业时代的劳动力驱动、蒸汽时代的机械驱动，逐渐到现在互联网时代的数据驱动，可以预见，数据有可能作为基础设施，成为未来的第5生产要素。

在即将到来的物联网时代，线下大数据有可能是最重要的命题之一。

线下大数据空间巨大

为什么我们关注线下场景的大数据？

从用户角度出发，我们会发现用户的两大稀缺资源—时间和金钱依然集中在线下。

线上互联网的使用场景主要集中在电商、社交、内容等。根据QuestMobile《2018年中国移动互联网报告》，用户平均每天在线上的时间投入为5小时。相比而言，除去睡眠时间，用户投入在线下的时间仍是线上时间的2倍。

虽然许多非餐饮的食品、烟酒以及日常家用品的线上渗透率非常高，但很多场景下人们还是会去线下消费，比如吃饭、买车、看病、教育等。2017年居民人均消费支出为18 000元，线上消费占比1/3，线下消费投入仍是线上消费投入的2倍。

毫无疑问，用户时间、金钱投入的大部分仍在线下。

回到产业端，数据服务的逻辑是为企业赋能。目前，线上场景集中度比较高，已经形成“巨头吃肉，余下喝汤”的局面。而线下的竞争，其天然的LBS（Location Based Service）属性决定了行业集中度低，业态分散。这里不仅面临线上巨头的竞争，还面临与线下同地区业态的竞争。线下商业竞争激烈，于是为企业赋能的第三方数据服务有很大的空间。

对比线上的数据结构，我们会发现一个典型的TMT公司往往已经形成数据闭环。从流量开始，到打通的账号体系，公司可以清楚地知道用户是谁、用户做了什么、有多少的用户埋单。这些数据都可以被采集和记录，公司可以通过数据分析，挖掘用户价值，形成运营体系。

反观线下数据，线下很多业态无法对其客流进行把握和分析。比如，一家传统的百货公司不了解今天来了多少人，他们的消费需求是什么，更别提感知营销活动、天气等对客流的影响，他们多处于粗放式经营状态。

虽然部分线下大数据公司已实现了通过Wi-Fi传感器、摄像头和Beacon去捕捉和分析客流，但这仍处于最基本的流量环节，对于用户的识别、用户交互还非常欠缺。线下场景相对封闭，客流、识别、动线/交互、交易支付、用户运营等每个环节都需要单独的供应商，所以需要从零部署，实现数据互通。

线下竞争激烈、业态分散，这是第三方数据服务存在的空间。最终，线下业态会逐步跟随线上业态完成数据闭环。

相比于线上大数据，线下大数据生产门槛更高，具有精准性和广泛性两大特点。

一是精准性，相比于可复制的线上数据，线下数据通常代表着用户的真实消费意愿。人们每一次出现在餐厅、零售店、4S店都真实表现了他的时间花费，并且他可能是打车或坐地铁特地跑去线下店的。

二是广泛性，线下数据覆盖了全量人群，互联网覆盖较少的银发人群以及小于10岁的小孩，他们的消费行为和消费意愿可以在线下被捕捉到。

基于这2点，我们很看好线下数据的数据价值。

线下大数据如何变现

目前市面上的数据服务主要有以下4种变现模式：数据交易、数据呈现、营销服务、运营服务。

数据交易的变现形式比较简单，即直接售卖采集到的数据源。但这种模式存在变现可持续性不足，以及规模天花板的问题。

数据呈现是将采集到的数据经过浅加工，变成一个商业化的产品卖给用户。这種产品的输出形态是，基于多方数据源进行数据挖掘后形成的BI报表。比如，把硬件布在零售超市的数据公司，会呈现货架上面的品类，然后告诉超市哪个SKU现在需要补货。它变现的方式比较直接，卖产品然后收取服务费。数据呈现类产品变现的优势在于，它能落地成一个相对标准化的产品，但它的问题在于工具属性比较重。因为它只做呈现，至于客户怎么去使用这个数据，怎么去决定商业发展的问题，都无法涉足，所以客单价会相对受限。

营销服务，简单理解就是一种更加精准的线下广告。它的输出形态是基于线下采集的数据，加上数据分析能力和媒体曝光的能力，使其最终在场景里能比较精准地触达目标人群，比如白领人群、家长人群等，对该类人群形成各种各样的标签。它的收费模式类似传统广告，按照曝光量收取。这种模式，优势在于营销是刚需，每个企业都有营销预算；挑战在于如果没有媒体资源，它的分润比例就不会太高。

最后一个维度就是运营服务，即通过营销拉新用户后，还指导企业运营决策。比如，如何运营这些用户、应该在哪里选址、应该引入或淘汰什么样的品牌、产品摆放的区位如何安排等。这种模式算是相对较新的领域，但已经有企业开始逐步在做，比较典型的收费模式就是按照项目合同制的方式去收。这种模式的优势在于技术壁垒比较高，因为背后需要用到的工具很多，客单价也会比较高；挑战在于模式的可复制性，包括产品化的程度还处于较为早期的阶段。

数据交易不是线下数据变现的最优解。首先，数据跟普通的商品不一样，它没有使用异步性的问题。一旦复制和规模化扩张之后，数据的价值就会降低。其次，数据边际成本几乎为零。一旦布下一个传感器，它就持续不断地贡献数据，额外增加这个数据的获取成本基本上可以趋近于零。同时，如果数据源不去与应用深度地结合，单纯依靠卖数据源，无法掌握数据的定价权。最后，数据交易会遇到涉及用户隐私的问题。

所以，数据规模和单位价格之间会相互制约，并且可能会带来隐私风险。理想的线下大数据商业形态应该是，与用户需求和应用场景深度结合的营销服务和运营服务。

线下“头条”与“麦肯锡”

从营销和运营角度出发，线下大数据的想象空间在哪里？通过决策周期和消费频次2个维度可以将行业进行分类，有的行业需要营销，有的需要运营。

决策周期长、消费频次低的商品种类，类似于汽车、房产等，营销需求强。一个原因是，消费频次低，用户购买新车后，需要等5～10年才会考虑换新，这是天然的长周期生意，拉新是贡献其收入的主要来源。所以，消费频次越低，营销需求越强。另一个原因是，购买决策流程极其复杂，营销就有比较多的窗口机会。一种场景是，通过设备探测到消费者去了4S店，大概率他就是需要买车的人，但不可能他第一次去就当场买车。所以，在3～6个月的时间窗口期，企业可以向其推送广告或其他服务刺激消费，这时的营销效率非常高。

以线下大数据为核心的营销业态是什么樣的？线上巨头如百度和头条，根据用户行为数据做精准营销，已经是非常成熟的模式，但线下营销还停留在资源驱动为主的阶段，比如像分众传媒这类公司，通过将屏幕铺设在电梯、机场等占据各个线下场景。

由此看来，通过线下大数据帮助线下传媒做精准信息分发是有可能的。

想象这样一个场景：几位男性在等电梯，而电梯旁的显示屏展示的却是卫生巾广告，这样的广告显然是低效的。所以，未来的变化可能会通过屏幕上面的传感器，便知面前站着的是一帮男性，而且是相对中青年的男性，这种情况下可能就不会去推这个广告。这时广告就可以做到分散化，做到颗粒度更细。基于屏幕旁边的群体属性而去决定要推送的内容，这就是线上数据驱动的业态，即千人千面。

未来，有可能通过线下数据和场景资源结合的业态出现一家新型媒体集团。

决策周期短、消费频次高的行业例如餐饮、零售、购物中心等，这是所见即所得的服务，运营需求强。这些业态已经有相应的流量，但我们需要知道流量是谁，需要去更好地了解用户从而指导运营。

市面上有两类咨询在帮助企业做运营。一类如典型咨询公司麦肯锡、贝恩等，他们在行业里有丰富的经验，利用经验驱动为企业提供咨询服务。另一类如Nielsen等数据驱动的企业服务公司，根据企业已有的交易数据、用户数据以及市场情况，提供数据监测管理服务。

在此基础上，未来可能存在将两者结合，出现以数据为主要驱动力的咨询业态。已经出现的玩家如Aibee，它将各地的数据汇总到一起，通过AI及其他工具，基于用户需求提供整套解决方案。

虽然线下大数据市场、价值以及空间很大，但不同于2C这个业态，一上线就能爆发式地增长，线下大数据增速缓慢，主要难点就在于分散。

一是不同的场景极度分散。百货中心是独立业态、餐饮连锁是独立业态，两者相互之间并无关联，而一个用户有可能到其中任何一个场景里去游逛。如果不打通极度分散的场景，对用户的认知就会变得比较浅层和片面。

二是数据采集位置分散。线下场景有物理区隔，它分散在不同的省份、城市、位置，为线下的数据采集加大了难度。

三是数据采集形式分散。线下数据采集形式包括Wi-Fi探针、摄像头集群、POS收银系统等。不同的采集形式带来的是不同的账号体系，而用户ID Mapping尚未打通。

未来，线下数据服务商应多元融合，建立数据联盟和场景联盟，通过数据互通、场景互联，让数据维度更加丰富，促进线下商业从LBS（Location Based Service，基于位置的服务）转向UBS（User Based Service，基于用户的服务），从而将用户价值最大化。