网络流量两分四海的态势造就了私域网络流量的问世。做为领跑的统计数据服务项目供应商，TalkingData在零售业金融行业的统计数据应用领域正从产品销售端渐渐开拓到物流配送制造端。
在巨擘掌控网络流量的态势下，品牌商怎样构筑另一方面的统计数据此基础？App、社会公众号、小流程、短音频等捷伊网络流量平台的再次出现为品牌商以获取使用者肖像开拓了有效途径，私域网络流量在此大背景下不断不断涌现。品牌商须要鼎力支持捷伊统计数据自然环境，多平台赢得网络流量统计数据，健全另一方面统计数据此基础。紧紧围绕私域网络流量提供统计数据服务项目的子公司渐渐不断涌现。
全捷伊统计数据自然环境为品牌商缔造发展机遇的与此同时，也给统计数据服务项目供应商增添众多考验。接触点的减少，意味著更为Immunol的统计数据，线上和实体店平台以获取的统计数据怎样标准化，统计数据的技术标准处置是须要化解的重中之重难题。与此同时，即使间接面向全国终端使用者社会群体，零售业民营企业的销售业务须要更为灵巧的对使用者社会群体的市场需求做出积极响应，因而对统计数据服务项目供应商明确提出了更高的明确要求。
TalkingData做为一家统计数据服务项目供应商，核心优势是统计数据处置分析，针对客户在线上、实体店合法收集的网络流量统计数据，在客户授权范围内进行统计数据清洗、准备、加工、统计数据分析、统计数据模型构筑等工作，帮助零售业品牌商更全面的构筑使用者肖像，优化调整产品的生命周期，辅助客户在产品销售预测、营销优化、物流配送以销定产等方面健全决策。
为了使统计数据模型更为贴近销售业务场景，TalkingData的服务项目模式发生了以下变化。首先是增强统计数据清洗、加工、统计数据分析、统计数据模型构筑的技术能力。另外，通过简化服务项目环节，弱化前期咨询，建立统计数据科学家与客户的联系，更好地了解零售业民营企业诉求，化解应用领域场景难题。
瞄准零售业金融行业内的头部民营企业，TalkingData服务项目的客户覆盖美妆、快消品、服饰等国际大品牌，随着制造侧统计数据能力的释放，未来子公司将进一步开拓物流配送上游的销售业务。
近期，爱分析专访TalkingData合伙人兼执行副总裁林逸飞，就TalkingData的产品服务项目、销售业务应用领域场景、发展战略进行了深入交流，现摘取部分内容如下。
1
统计数据服务项目加速
零售业金融行业周期调整
爱分析：在当下捷伊统计数据自然环境下，零售业品牌商有什么好的应对措施吗？
林逸飞：从18年开始，我们服务项目的客户主要来自于美妆和快消品金融行业，基本都是国际大品牌。以前这类民营企业主要关注曝光跟点击量，现在开始推动品效合一的逻辑，即使它的交易链路天生不是可以直达C端的，它还有中间的一堆平台、经销商、卖场等。通过集团集约化的回收，对所有广告的曝光跟点击统计数据，做相应的模型定义，把客群分成8组到80组到800组到甚至更多组，匹配各类使用者的市场需求。
第二件事情我跟客户沟通的是，大网络流量方尤其是三个主要的网络流量方,现在的开放程度跟以前不一样，所以品牌客户以前拿不到的通路统计数据不意味著现在也拿不到。品牌商应积极回收各平台的网络流量统计数据，通过对各平台网络流量统计数据的分析，对受众的描摹和使用者对平台的选择形成更清晰的认识。
爱分析：统计数据服务项目给营销和产品销售侧的销售业务增添了怎样的影响？
林逸飞：传统的模式是在制造出一款产品后对其大规模量产，并在全国几千家店面进行售卖。通过各种促销策略，一个月到三个月统计数据回笼后对产品销售统计数据进行分析。
现在的模式，我们会定义产品的生命周期，定义退出的标志是什么，定义进入大规模量产的标志。在把产品成功与失败的标准给定以后，我们可以把三个月的调整周期变成半天，意味著在统计数据加科技的模式下，可以调整180次，有180次机会来迭代产品的产品销售，最终看到底能不能达到成功或是失败的标准。
爱分析：怎样看待未来统计数据服务项目的商业模式？
林逸飞：第一，统计数据本身是以一个非常快速的周期在变化，现在的AIoT，未来的5G，包括之前再次出现的小流程给市场上的统计数据增添非常大的一个变化等，统计数据一直在不断的变化。
第二，统计数据本身是为了消除信息不对称性，所以当统计数据足够多、样本足够大、频率足够高的时候，不对称性就会越来越小。倒退到两年前，谁会把小流程做为自己的主营运营基地，今天哪家民营企业敢不这么做，只用了两年时间，意味著整个统计数据运营的生命周期注定很短。因而，未来统计数据服务项目产品不太可能会再次出现像ERP、CRM这样的标品。
2
销售业务应用领域由营销侧
渐渐渗透到物流配送端
爱分析：2019年TalkingData零售业销售业务的落地情况怎样？
林逸飞：从今年开始，包括金融条线零售业条线，甚至互联网条线都做了一个调整，就是不再以统计数据加科技的经营模式做为子公司的核心模式，而是以统计数据加科技整合到具体的业态场景中的方式，帮助客户在具体的金融产品、零售业产品上去释放统计数据加科技的能力，来证明再次出现的新品类或者新平台能够缔造更多的价值。
爱分析：一般是从哪个场景切入为客户提供服务项目？
林逸飞：在金融领域，我们会基于客户市场需求设计金融产品。
零售业我个人感觉要比金融难一点，比如制造物流配送仓储，你会发现对金融来讲，这一块几乎可以完全忽略，但对于零售业却是非常重的一块，这一块数字化程度又不好，所以目前我们关注的不是产品创新，而是通过统计数据加科技的模式去制定产品的整体营销策略，或者物流配送的以销定产的策略。
随着我们在销量和营销侧的影响的建立，我们也被客户邀请对物流配送的销量产量布货量明确提出预测，利用AI模型结合在营销侧赢得的统计数据进行物流配送规划，预测布配货等。
爱分析：销量预测可以承诺给客户增添的收益是什么？
林逸飞：有领跑优势的预测准确率，当然无论是算法还是外部统计数据，客户反馈的统计数据越多或者算法使用的越多，准确率还会继续往上提升。
爱分析：长期来看，须要从制造侧去理解销售业务吗？
林逸飞：我个人觉得是须要的，一直有种说法是我们现在的产能是过剩的，不是效能的难题，我们制造的东西要自己消化掉，从美妆到鞋服到休闲食品，我们的产能跟定制化的能力都非常差。我们现在比较关注上游的物流配送，我们选择的是一些比较容易预测、相对技术标准或者相对可以数学模型化的品类。
爱分析：除了前期咨询，TalkingData会参与到运营工作吗？
林逸飞：TalkingData主要做模型的调校和对统计数据的处置，不会真正参与到运营工作中，比如说广告的运营或者营销运营。
3
多平台统计数据整合
构筑完整使用者肖像
爱分析：统计数据来源都有哪些？怎样实现灵巧的回传统计数据？
林逸飞：与零售业业的合作中，客户通常是第一年把POS后所有交易类的统计数据归总起来，第二年把交互POS前统计数据，比如App小流程H5短音频等平台的统计数据收集起来。还有广告投放回收的统计数据，以前有很多大媒体是不给你回传统计数据的，但即使现在几个巨擘之间博弈，无论品牌类的还是效果类都开始回传统计数据，开放程度19年跟17年18年相比有很大的变化。
爱分析：广告屏回收的统计数据有哪些？
林逸飞：主要是LBS统计数据。
爱分析：在App越来越集中，越来越往小流程引流的趋势下，TalkingData原有统计数据有受到影响吗？
林逸飞：有，即使网络流量本身和统计数据本身有很多变化，我们从三、四年前做的准备是做各种统计数据源的聚合，逻辑上还是加工统计数据后，通过模型产生智能，产生溢价。有很多厂商具有统计数据聚合跟批发的能力，但是没有统计数据深加工的能力。我们在过去的积累下统计数据智能的探索能力还是很强的。
爱分析：目前各平台的统计数据覆盖率大概是什么水平？
林逸飞：不一而足。比如说从实体店的统计数据到线上，大概有50-60%左右的覆盖率。如果是某民营企业的Open ID，就主要考量民营企业内部自己的小流程开发跟运营了，即使OpenID是一个不可流通的ID，须要从Account ID跳转一遍，所以A民营企业跟B民营企业的OpenID打通率可能差到五六倍。
爱分析：统计数据模型构筑过程中主要面临的难题有哪些？
林逸飞：从技术本身实现上来讲，难题不是那么大，主要有三个难题。
第一个难题是各种统计数据的定义不同，团队大概须要花将近一两个月对统计数据进行规整化。第二个难题是系统不兼容导致系统崩溃，即使传统的系统和数仓CRM用的都是世界上最出名的品牌，我们的系统上去全部都压垮，根本跑不起来，即使它不是以大统计数据量的模式来做的。第三个难题是在做迭代测试的时候，须要客户调动很多对统计数据服务项目没什么概念的人参与，这个过程是比较难的。
4
战略重点聚焦
两高两多头部民营企业
爱分析：未来两三年TalkingData在零售业领域的发展战略是怎样的？
林逸飞：我们会先选择金融行业中的头部民营企业去服务项目，即具有两高两多特性的大民营企业。两高是指高频和高价值，两多是指多SKU和多场。每个品类里面选择1到2个特别头部的客户合作，我们会推一个新品类，帮助民营企业升级，定义捷伊平台或者捷伊服务项目模式甚至捷伊产品。但也许不会选择特别小的民营企业，即使很难判断小民营企业的生命周期是否能支撑的下来对它做统计数据化升级改造。
爱分析：一般对民营企业进行统计数据化升级改造须要多长时间？
林逸飞：大概须要一年到一年半的时间。
爱分析：对于非头部民营企业，TalkingData会找合作伙伴去填补它的底层信息化空白吗？
林逸飞：这是我们须要考虑的很重要的一点，有很多民营企业现在做的不错，营业额GMV都非常好，但即使此基础实在是有点粗放，我们觉得要补的课太多，这种不一定是我们的选择。
另外，我们确实在对接非头部民营企业上拥有很多合作伙伴，比如做智能店面、智能pos的。如果客户要做整体的改进，我们跟他谈的就不是单项目的合作，我可能谈的是2到3年的成效合作（利润分成）模式。
5
服务项目模式拉近
与客户的距离
爱分析：TalkingData目前对外服务项目的模式是怎样的？
林逸飞：我们的服务项目模式为前期咨询加统计数据服务项目，另外一种是成效合作模式，在金融侧已经开始了，零售业侧我们也在很谨慎的选择品类，整体上销售业务模式还是依托统计数据本身，模型软件咨询占比较大。
爱分析：成效合作模式一般分的是哪块的收益？
林逸飞：这个视情况而定，有可能是分新品类，也可能是分新增价值，也可能是分成本。
爱分析：现在TalkingData内部有多少人？零售业线有多少人？
林逸飞：现在整体团队有400多人，零售业部门大概有70-80人，共用团队的统计数据科学家，但咨询顾问是有金融行业属性的。零售业部门按职能分包括咨询、产品销售，还有产品经理。
爱分析：TalkingData是否在去年对策略进行了调整，优化了一部分前端的人员？
林逸飞：是的，我们希望产品经理、算法科学家与前台和客户之间的距离尽量缩小，前端通路从接触客户开始，到建立产品经理和统计数据科学家与客户的联系，这件事情原来要经历两三个环节，现在没有那么多环节，我们的中台搭完之后，前面垂直的产品每一个产品都有自己的产品经理和算法科学家，间接建立起产品经理、统计数据科学家与客户的联系。
当前网络流量格局与市场变化下
品牌商怎样构筑另一方面的统计数据此基础？
怎样用统计数据与AI优化产销链条？
T11 2019统计数据智能峰会用统计数据，加速金融行业周期变革
码上报名
↓↓↓
调研：李喆 陈宵雅
撰写：陈宵雅
本文转载自： 爱分析ifenxi
推荐阅读：
新零售业三年：数字化应用领域被逼向深水区
说说私域网络流量这件事，它对民营企业的价值到底有多大
怎样玩转零售业业的数字化转型2.0黄金时代？
↓↓↓点击阅读原文，查看T11 2019更多消息
版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。
