在近日的“泰合书院”内部分享会上，泰合资本董事梅林分享了她对线下大数据领域的分析和预测。

纵观人类历史，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，成为未来的第五生产要素。而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：

关注线下大数据，因为用户的两大稀缺资源，时间和金钱依然集中在线下;

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的两大特点;

数据服务主要有四种变现模式：数据交易、数据呈现、营销服务、运营服务;

理想的线下大数据商业形态是，深度与用户需求和应用场景相结合的营销服务和运营服务;

线下大数据的未来趋势是，通过数据联盟和场景联盟进行“融合”。

以下为部分分享内容，经记者整理发布：

为什么我们关注线下场景的大数据?

从用户角度出发，我们会发现用户有两大稀缺资源，时间和金钱。前者体现在每人每天都只有24小时，后者体现在每人每年的可支配收入是相对固定的。

线上互联网的使用场景主要集中在电商、社交、内容等，根据QuestMobile2018年中国移动互联网报告，平均用户每天在线上时间投入大约为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两倍。

虽然许多非餐饮的食品、烟酒以及日常家用品线上渗透率非常高，但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大约在18000元，线上消费占比三分之一，线下消费投入仍是线上消费投入的两倍。

毫无疑问，用户的时间、金钱投入的大头仍在线下。

回到产业端，数据服务是企业服务的一种，是赋能的逻辑，如果你做得很好的情况下我是没有必要帮你做得更好的。我们发现，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。但从线下的竞争观察，其天然的LBS(Location Based Service)属性决定了行业集中度低，业态分散，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。

如果比较线上的数据结构，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，多少的用户买了单。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。比如，我们服务的神策数据，就是帮助企业把所有用户在线上发生的行为全部采集下来。

反观线下数据，线下很多业态是无法对其客流进行把握和分析的。一家传统的百货公司是不知道今天我来了多少人，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，基本处于躺着赚钱的粗放式经营状态。

虽然部分线下大数据公司已经实现了通过wifi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。关于用户的识别、以及用户交互还是两眼一抹黑。线下场景相对封闭，客流、识别、动线/交互、交易支付、用户运营每个环节都需要单独的供应商，需要从零部署，数据相互打通基本没有。

线下竞争激烈，业态分散，我们认为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。

数据交易不是线下数据变现的最优解，理想形态应与用户需求和应用场景相结合

我们从数据价值和变现模式来看待线下大数据理想的商业模式可能是什么样的。

首先线下大数据的数据价值体现在精准性和广泛性两点：

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。

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，他们的消费行为和意愿是可以在线下被捕捉的。

基于这两点，我们看好线下数据的数据价值。目前市面上数据服务主要有以下四种变现模式：数据交易、数据呈现、营销服务、运营服务。

数据交易，它的变现形式比较简单，即直接售卖采集到的数据源，但是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，它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。这种产品的输出形态是，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现在已经需要去补货。它变现的方式比较直接，卖产品然后收年服务费。

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。但是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。

上图从左到右，是基于数据源逐步做深的过程，再往后做深就是落实到营销服务和运营服务里。

营销服务，简单理解就是一种更加精准的线下广告，它的输出能力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，使其最终能在场景里，比较精准地触达目标人群，比如白领人群、家长人群等，可以对人群打各种各样的标签。它的收费模式类似传统广告，是按照曝光量去收的。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，如果是百货购物中心的话，里面应该引入什么样的品牌，淘汰什么样的品牌，品牌摆放的区位如何安排，这些问题其实都是运营服务的一部分。

这种模式这种现在有企业开始逐步做了，算是相对比较新的领域，比较典型的收费模式就是按照项目合同制的模式去收，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，挑战就是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。

数据交易本身不是最优质的商业形态，原因如下：

数据跟普通的商品不一样，它是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。

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，额外地增加这个数据的获取成本，基本上可以趋向为零。

如果数据源不去与应用深度的结合，单纯卖一个数据源，无法掌握数据的定价权的。

涉及数据交易比较容易遇到用户隐私的问题。

所以，数据的规模和单位价格之间会相互的制约，这会是一个trade off，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，深度与用户需求和应用场景相结合的营销服务和运营服务。

线下“头条”以及数据驱动版“麦肯锡”?

从营销和运营角度，线下大数据的想象空间在哪里?我们将行业通过决策周期和消费频次两个维度去分类，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。因为其一，消费频次很低，比如用户购买新车后，需要等个五年十年才会买另一辆，这是一个天然的长周期生意，也就是说拉新是它主要收入的贡献来源，之后才能从拉新的顾客身上赚取足够的钱。所以，消费频次越低，营销需求越强。

其二，正因为购买决策流程极其复杂，营销就有比较多的窗口机会。比如一种场景是，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，但是不可能他第一次去就当场买车。所以，在3-6个月左右的时间窗口里，企业就可以推送广告或者其他服务，这样营销效率是非常高的。

以线下大数据为核心的营销业态可能是什么样的?如果看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，比如像分众传媒等这样的公司，通过将屏幕铺设在电梯、机场，占据各个线下场景。

在我们看来，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。

举一个典型场景的例子来讲，这是几位男性创业者跟我们讲的一个笑话，他们在一个写字楼里面等电梯，结果就发现电梯那边的广告在展示一个卫生巾的广告，他们就觉得很尴尬。

所以，其实他们想象的场景是什么呢?未来这个屏幕上面可能是会有传感器的，基于这些信息我就会知道，在我面前站着的这个人是一帮男性，而且是相对中青年的男性，在这种情况下面它有可能就不会去推这个广告，它的广告就可以做到分散化，做到一个颗粒度更细，基于谁来到了我这个屏幕旁边去决定我到底要给你推送什么样的内容，而这件事情天然就是线上的数据驱动的业态，就是千人千面。

我们认为，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，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，但是我需要知道流量是谁，需要去更好的了解用户从而指导运营，这个部分是运营导向的。

市面上已经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，了解行业的know how，可以帮助企业提供经验驱动型的咨询服务。另一类如于Nielson等数据驱动的企业服务公司，根据企业已有的交易数据、用户数据去以及市场情况，提供数据监测管理服务。

但在此基础上，我们认为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。已经出现的玩家比如Aibee，它将各地的数据汇总到一起，通过AI各种工具，基于用户需求提供整套解决方案。

数据采集分散限制了线下大数据行业的增速

虽然说线下大数据市场很大、价值和空间也很大，但它不像2C这个业态，一上线就能爆发式的增长，线下大数据增速缓慢的现状，主要难点就在于分散：

一是场景分散，不同的场景是极度分散的。百货中心是独立业态、餐饮连锁是独立业态，两者相互之间并不关联。而一个用户有可能到任何一个场景里面去游逛。所以如果不打通极度分散的场景，对用户的认知一定程度上就会变得比较浅层和片面。

二是数据采集位置分散，刚才讲到线下场景天然就是有物理区隔的，它分散在不同的省份、不同的城市、不同的位置里。线下的数据采集都是需要一步一个脚印，一个一个客户的去敲门，然后一个一个的去布到这个场景里面。

三是数据采集形式分散，线下数据采集形式包括WiFi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，用户ID Mapping尚未打通。

展望未来，线下数据服务商应多元融合，建立数据联盟和场景联盟，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)，将用户价值最大化。

上图左边的数据联盟，为什么我们需要它，是因为每一个企业本身所获得的数据，只是广泛数据中一个小的子集，最好的方式是通过多种形式，比如通过股权合作的形式去促成数据联盟，大家数据互通，资源互补。而右边的场景联盟，是指如果有一些场景比如百货购物中心，已经被其他市场玩家占据，那么企业可以选择战略性放弃而进入其他场景，但通过资本的合作，把场景联盟也构建起来，让场景相互之间也能够串联。

最终的形态就是通过数据互通、场景互联，让数据维度更加丰富，从而能更好地知道客户是谁，带来更大的数据价值。然后帮助企业更好地知道客户需求，从而提供更好的服务。

如果上述事情能够完成，客户和这些数据服务商之间的关系就会更紧密，客户就会把更多的场景给到你，有了更多的场景之后，服务商描述用户的数据维度又会更加丰富，这样一个滚雪球的无限循环就完成了，最终的结果就是用户价值最大化。我们乐见其成的是，行业内会出现多元的数据服务商，在数据和场景维度能够深度合作。