先来思考这样一个问题：为什么星巴克的排队一定是横排的，而不是肯德基麦当劳那样的竖排？

这个问题经济学中有很多中解释，但其中比较靠谱的一种认为：横排排队可以减少空间中的压抑感，一方面让整个空间看起来更宽敞，一方面可以降低人流的流动频次，缓解空间中的紧张感。

通过横着排队这种对行为规则的改变，让咖啡馆区别于快餐店，确定了自己的消费人群和商业模型，是个非常好的经济学案例。

这其中很重要的一点是说明了“行为”这个东西能带来的商业结果。经济学有个分支叫做行为经济学，就是专门研究这个的。著名的心理学家卡勒曼还凭借对行为经济学中心账理论的构建获得过诺贝尔经济科学奖。

以上是为了说明行为学与经济学交叉可能发酵出的价值。所谓行为学，在学术上的研究目标是“个体和社群为适应内外环境变化所作出的反应”。我们每天的一举一动莫不是行为，习惯、工作、爱好也都是行为。

很有意思的是，行为是一个非常好的数据化样本，比如你每天的出行路线、上网的浏览轨迹、摄像头中的一举一动，都可以被数据化。而数据的运行本身也是一种行为，比如数据的运算、建模、流动和交换。我们今天的世界，可以说是从行为数据化中开始，到数据行为化中结束（好吧我承认这段有点绕，但是没关系，下边会更绕的）。

关注数据行为，可能得到的东西非常多，绝对不是一篇文章可以讨论的。所以我们不妨在这里举个例子，来看一下数据行为化可能激发的想象。

最近一个特别火的概念是新零售。而马云提出新零售时，就明确了它是融合线上、线下与数据的产物。目前我们看到的生物识别+无人超市，就是一种线上数据来到线下场景的示例。

但数据行为也许可以给我们更多，今天我们的主题是通过换一种方式理解数据，来打通线下消费的更多可能性。

结果与过程：另一个视角看数据

首先我们要知道，一般情况所看到的大数据到底是什么？

比如说，我们看到了大数据显示，每天有多少共享单车被使用、房价一年抬高了多少、地区农作物产量的数据变化等等，这都是大数据的结果。

我们看到的数据，是经历了数据收集与运算、整理过程之后，呈现出可供人理解的“扁平化大数据”。我们可能确实知道了很多此前不知道的，但这绝对不是大数据的全貌。

比如，我们看得到一个地区交通事故的总数和时间曲线，却看不到每一次交通事故是如何发生的、原因有哪些种、哪些事故因素可以被改善、哪些事故可以更及时救援，甚至哪些可以预防。

假如说我们看到的数据结果是一个二次元的漫画人物，那么看不见的数据就是一个三次元的里的完整的人——这就是数据行为。

数据行为不仅仅是数据的增长过程，还包括在整个时空关系中数据的交互状态。比如具体数据的轨迹、数据的折返区间、数据多元性，以及与预期模型之间的差异。

这么说可能有点过于抽象，举个不太恰当的例子来解释：你买个盒雪糕，这个是数据结果，证明你喜欢这个牌子的雪糕。但是数据行为却可能显示，你是问了好几个牌子都没货，挑了好几个牌子嫌太贵，不想买却发现实在太热，才最终买了这盒雪糕……然后吃一口就扔了——这都是数据行为——也是其他雪糕品牌占领这个客户的机会。

当然，数据行为实在太复杂了，因为这是在跟踪数据而不是整理数据。此工作人力无法胜任。但人工智能不正是用来解决人力无法完成的工作吗？比如已经有用迁移学习技术来追踪城市里每辆车形式轨迹的技术，这就是一种解读数据行为的尝试。

由于数据行为千变万化，具体而微，尤其可能关乎与人与社会空间的互动。解码数据行为，也就成为了AI介入生活的一次良机。

用户数据行为

想要搞明白如何用数据行为驱动新零售，首先要看到哪些数据可能对零售场景产生影响。这里我们可以把它分为两种：个体用户数据和群组数据。

通过大数据来了解用户，已经不是什么新鲜事，甚至有点老生常谈。但根据用户数据的数据行为来了解你的用户却是一个空白。

通过解码数据行为，你会得到哪些对用户的全新认知呢？

首先是数据行为在时间上的同频性，可以让掌握数据的企业认识多端口数据源融合下的用户。比如说我们的社交行为、内容阅读行为、购物行为，与真实世界中摄像头拍摄下的我们、交通信息中的我们、工商信息中的我们，其实各自都是我们自身的一个剪影。通过时间概念把这些数据整合起来，可以合并成一个相对完整的用户形象。

它在购买行为之外的所思所想，每天的所见所闻，其实都不难在暴露在公共视野下的数据拼接起来。这样企业对于用户消费动机与规律的把握，将提升到一个新的高度。

再比如说，数据行为会侦测用户消费轨迹的改变。大部分人在生活中都有稳定的消费规则，或高或低都有其规律。而一旦出现峰值，就会说明用户有某种消费异常产生。实时分析这些消费数据的行为轨迹，可以实时提供切中服务，比如用户突然出现消费冲动时进行针对引导、用户消费轨迹趋缓时给予消费刺激，用户消费进入极端低谷，就该考虑提供老牌金沙投网 产品了（开玩笑开玩笑）。

另一个数据行为带来的改变，是企业可以测算出用户应用的使用模型。比如一个篮球，用户本应该一周打五次，一次半小时。但假如出现用户使用率降低，可能就说明产品本身出现问题了。当然就篮球来说可能只是因为用户比较懒，但对于互联网产品来说，用户行为与预期模型之间的差别却能说明很多问题。

组织行为中的关键信息比特化

通过人工智能检测个体用户数据之外，还有一种检测集体数据行为的方式。比如已经在城市安防当中应用的人流轨迹识别技术。

这类技术可以观察一个群体的动态，并通过多个数据源进行数据采集与分析。这一类数据进行全面的数据行为监控很难，但却可以对关键信息进行比特化。永久留存并进行多个领域的应用。

比如说，某个写字楼里一到中午就声贝提高，人脸识别表示不高兴的人数急剧攀升：这可能说明外卖必须投入更多人力了。或者某地铁站早上的人流停滞度过高，人流运行缓慢：这可能说明要放更多共享单车了。通过比特化这些数据运行的关键值，可以给企业提供非常好的运行依据。

这只是最基本的一种人流数据行为应用。具体到相对垂直、复杂的群落组织中，数据行为的应用性会更加广阔。

有一个多领域的交叉学科叫做组织行为学，专门研究组织中人的心理和行为表现及其客观规律，以达到预测、引导和控制人的行为的能力。通过计算机计算去测算和预期组织行为中个体与群落的互动，恐怕会带来无数种应用可能。

如何激发消费

说了这么多，到底如何把数据行为应用放到新零售里呢？

综上所述，数据行为可以更好地理解个体与群体在时间轴上的精准动向和动机。这就让很多基于移动互联网的简单商业激发有可能变得更加复杂。

通过对线上数据行为的广泛测写，结合现实世界数据收集端口提供帮助。人工智能至少可以为线下消费场景搭建以下几种能力：

一、解决地理空间中的推荐问题：我们都感受过所谓的智能推荐，基本都是根据你的浏览记录进行购买推荐。这种推荐本身非常不智能，而且往往进行线下推荐时就会失效。因为系统只能知道你的定位，却无法预计你的目标，也无从知道你的运动轨迹。更多时候还是需要用户自己去寻找消费。而结合运行轨迹、消费轨迹等数据行为，或许可以准确的在地理空间中实现线下消费推荐：不走冤枉路，不浪费时间，就近找到你的消费可能。

二、解决实时需求：数据行为检测的一个特征，就是其具有非常强的实时处理能力。很多消费契机都是实时出现的，可能用户自身都没有察觉到。但数据系统却可以感知到。比如数据证明你该渴了，又能从以往消费数据中判断你的口味，然后实时对接饮品店的消费可能。这就集成了很多消费机会。

三、提供线下的智能服务：新零售里一直有个预期，就是你到了店里，发现店里正好都是你需要买的东西，不用自己找。这种听起来像读心术的消费场景，也可能通过对你生活中方方面面数据行为的测算得到结果。人进行线下消费的频率其实是非常稳定的。利用迁移学习和过往数据来生成一个人的购物预期模型，并非不能做到。

四、根据群体行为调整供需策略：就像上文说的，群体行为往往决定了很多服务与消费的市场，群体行为的往复变化也决定了很多依托人群的消费场景兴衰。测算人群，实时调整供需和营销，可以为人群场景的线下消费企业提供极大的效率改善。

相比我们经常看到的图表和结论，大数据这东西其实能体现更多东西。我们每天都暴露在数据收集器之下，也成为数据的使用者和消费者。相比无尽的增大数据量，把现有数据立体化、行为化其实就能探究人类社会的无数秘密。

数据会继续带来更多改变，同时也引发着更多恐惧：在人工智能才有能力理解的海量数据面前，人类究竟还有什么秘密与隐私可言？