摘要：商品的生产、消费、运输以及渠道客户管理构成了一个完整的链路。当前零售发展背景下，商品从标准化模式向个性化模式转变。如果产品缺乏个性化，将在销售链路中面临巨大挑战。借助 AI 技术，可以提升产品迭代周期，满足消费者多样化的需求。
导读本文介绍了零售数智化升维战：腾讯云大数据 Data+AI 驱动增长“三极”跃迁。
本次分享围绕六个核心主题展开：
1. 零售行业数据场景落地的挑战和需求
2. 零售典型场景及腾讯云大数据解决方案
3. 全球零售巨头大数据平台升级实践之路
4. AI+大数据时代的零售行业机遇探索
5. AI+大数据腾讯云大数据产品实践
6. 问答环节
分享嘉宾｜黄刚
编辑整理｜kathy
内容校对｜李瑶
出品社区｜DataFun
01
零售行业以“人、货、场”为核心要素，随着技术发展和消费行为多元化，这三者的关系变得更加复杂。具体来看：
（1）“人”：消费者与用户层面
消费者的核心需求从商品流量转变为用户资产运营。早期的流量运营逐渐向用户全生命周期管理转变，企业需要更加关注用户的长期价值，而不仅仅是短期的流量获取。
（2）“货”：商品与渠道层面
商品的生产、消费、运输以及渠道客户管理构成了一个完整的链路。当前零售发展背景下，商品从标准化模式向个性化模式转变。如果产品缺乏个性化，将在销售链路中面临巨大挑战。借助 AI 技术，可以提升产品迭代周期，满足消费者多样化的需求。
（3）“场”：销售场所与交互层面
销售场所从传统的线下实体逐渐向线上虚拟现实（如 VR 直播、元宇宙）等模式转变。在商品与人的交互过程中，销售效率和用户体验成为关注焦点。本质上，这依然是商品需求与供给的平衡关系。
（1）消费者痛点
骚扰信息过多：消费者每次留下个人信息后，总是接到各种电话骚扰，影响购物体验。购物满意率和退货率问题：消费者希望提升购物满意率，减少退货率，同时能够根据自定义场景需求，快速获取自己需要的商品内容。（2）前端业务痛点
销售效果评估困难：难以衡量广告、渠道、活动的投资回报率，优化营销成本；销售链路长，难以衡量每个环节的转化与流失，提升客户转化率。高净值客户过滤与跟进问题：线索质量下降，难以识别高潜客户；关键营销节点需要对客户进行跟进，但难以保障客户跟进的效率与完成度。（3）管理者痛点
数据沉淀与分析困难：客户分散在不同销售手上，难以沉淀客户资产，统一管理；多渠道数据融合困难，数据格式差异导致整合难度大，形成数据孤岛；动态分析需求与工具不足，传统工具难以支持实时动态分析。运营成本和效率问题：管理者希望降低运营成本，提升运营效率，基于用户特征，智能创作广告内容并精准投放。为应对上述挑战，腾讯云提出了一系列大数据解决方案。
（1）数字化运营解决方案：通过多样化集成能力，将行为日志、订单日志等各类数据统一汇总至同一平台，支持弹性扩展以应对突发流量与数据增长。整合用户行为数据与属性数据，构建完整用户画像，基于统一身份、用户标签及行为进行检索，结合 VR 搜索等技术提升检索效率。利用腾讯云的 WeData 产品，实现业务数据、资产及行为数据的实时收集与变更订阅，基于腾讯云 EMR 和 DLC 构建统一身份与画像，满足人群圈选与精准营销需求。
（2）大数据原生开放平台：平台基于 Data + Oceanus + TCHouse-D + 腾讯云 BI 构建，集成业务日志采集与实时离线处理能力，支持数据治理和统一运维管理，并通过数据分类分级实现安全管控。在流计算方面，采用 Setats 架构和 DLC 存算分析架构，解决传统 Lambda 架构的资源浪费和数据偏差问题，支持 AI 检索和高效分析，响应时间可达毫秒级。离线计算引擎采用基于 DCL 自研 2X性能离线分析引擎，性能显著提升，同时结合智能开发平台降低数据获取门槛，使运营和数据管理人员无需编写 SQL 即可快速获取数据。
（1）腾讯云实时数仓架构：
①实时数据处理流程
数据写入与 Change Log 生成：在流量产品分析、直播数据处理等场景中，腾讯云支持实时写入商品详情数据到ODS（对象存储服务）层，并生成对应的 Change Log。这些 Change Log 为下游系统提供了实时数据源，支持后续的数据处理与分析。宽表生成与业务分析：通过 Flink 的部分列更新功能，腾讯云能够实时生成宽表，这些宽表基于 DWD 层的数据生成，支持实时业务分析模式。这一过程解决了数据处理时效性问题，通过 TChouse-D 引擎查询，支持中间过程的实时查询，解决了非结构化数据查询困难的问题，性能相比传统方案提升 3 - 5 倍。②流批一体处理模式
腾讯云的实时数仓架构不仅支持实时数据处理，还能够处理长周期数据。对于需要回溯 30 天或更长时间的数据，腾讯云通过离线计算引流方式进行批处理，实现了流批一体的处理模式。这一模式通过同一套代码实现流处理和批处理，提升了数据处理的灵活性和紧密性。
③业务应用场景
精准营销与用户行为分析：在直播场景中，腾讯云通过实时分析客户评论和消费数据，支持直播团队根据数据内容进行临时调整，提升转化率和客单价。此外，腾讯云还可以根据商品销售情况动态调整关联商品推荐，优化销售渠道。供应链优化：腾讯云通过实时数据处理，支持供应链的动态调整。例如，根据当前商品的销售情况，动态要求厂商或下游企业调整货物供应，优化库存管理。（2）智能补货解决方案：腾讯云为零售行业提供了智能补货解决方案，通过集成多种补货模型和数据分析能力，实现精准补货与缺货预警。方案结合日清、节假日、季节补货模型，分析销售、库存和流量数据，提升商品运营效率。异常补货预警机制可及时发现潜在缺货问题，确保库存充足。在实际应用中，该方案使预测精度提升 15% - 20%，库存成本较低 5% - 8%，助力企业实现全网不断货，增强客户满意度与销售业绩。底层架构依托大数据处理和高性能计算资源，支持实时库存管理，为零售企业提供高效、灵活且可靠的智能补货支持，推动数智化转型。
（3）智能推荐解决方案：腾讯云为零售行业打造的智能推荐解决方案，通过融合先进的算法模型和强大的数据处理能力，显著提升用户的购物体验和商品转化效率。该方案采用 CF 、GNN 以及 DNN 自动网络分析模型，并结合矩阵分解技术，构建了一套精准的推荐模型。同时，系统整合商品与用户数据，通过实时处理实现粗排、精排和重排，为下游应用提供个性化推荐。
在前端应用方面，系统依据用户购物车和首页商品推荐情况，实现“千人千面”的推荐模式，精准触达用户需求。此外，结合用户点击、转化、加购等实时数据，通过实时召回机制优化推荐结果，进一步提升推荐的准确性和相关性。
在技术支撑层面，智能推荐系统重度依赖 ES AI 搜索技术，集成图文搜索和向量化搜索模式，通过并行搜索和多种召回方式，将准确召回率提升至 95% 以上。在处理 1 亿数据量、1024 位向量、5000 QPS 的查询请求时，系统响应时间仅为 5 毫秒，展现了卓越的性能。
在技术与业务的衔接层面，Data+AI 架构通过全链路实时数据处理与智能算法的深度融合，为上层场景提供核心支撑。Oceanus 流批一体引擎与 States 实时数仓的协同设计，支撑了智能推荐系统对海量向量数据的实时存储与更新需求，同时以秒级同步能力保障 ES AI 搜索技术所需的特征数据鲜活性。该架构使推荐系统的向量化搜索能够实时关联用户行为与商品画像，确保秒级响应时延下既反映业务动态，又通过多模态搜索满足复杂需求。DataOps 与 MLOps 的整合进一步构建了在线学习闭环，使算法能动态适配业务波动，最终形成"数据感知-智能决策-效果反馈"的增强型技术闭环。
（4）Data+AI 技术架构：
腾讯云针对零售行业数据营销中的实时处理与数据共享难题，提出基于 Oceanus+States 的实时数仓架构优化方案。该方案通过整合 ODS 到 ADS 的全链路实时处理流程（包括操作数据存储、数据仓库明细层、汇总层及应用服务层），解决了传统 Lambda 架构存储计算资源无法复用的痛点，实现数据秒级写入、实时报表生成及下游应用服务支持，使数据处理效率得到显著提升。
基于 Data+AI 一体化架构，腾讯云推动零售行业从传统数据分析向 DataOps、MLOps、LLMOps 融合模式转型。平台采用统一计算引擎（如 DLC、Spark）实现流批一体处理，并通过向量化引擎优化计算性能；在模型训练层面，集成分布式机器学习框架 Xpark，相较传统单机模式性能提升 60 倍以上，GPU 资源利用率获得突破性提升。同时提供覆盖模型训练、调试、测试、发布及推理部署的全生命周期管理，有效降低企业自建平台的运维复杂度。
在开发与运维层面，平台通过 TCCatalog 实现对 MySQL 、Oracle 等源端数据库及文件系统的结构化元数据管理，支持统一管控与权限控制；结合 TCInsight 的智能调优能力，基于事前预警、事中干预、事后优化机制，自动识别大表扫描、计算倾斜等问题，并提供调优建议，提升开发效率。
平台还支持任务血缘追踪与依赖管理，确保特征处理与模型训练任务间的数据一致性。在实际案例中，某客户训练任务从日常 8,000 并发扩展至 10 万并发，验证了平台的弹性扩展能力。
某全球零售巨头在海外业务扩展过程中面临两大主要挑战：
数据量与计算需求庞大：本地 IDC 资源限制导致采集频率难以满足业务需求；依赖离线处理：基于 Hive 引擎的传统离线处理方式效率低下，无法支持实时数据分析需求。腾讯云为该零售巨头提供了完整的解决方案，主要涵盖以下方面：
弹性计算与存储架构：采用腾讯云的弹性分析架构，计算与存储资源可根据用户需求灵活调整，满足不同业务场景下的资源需求。实时数据链路与分析大屏：结合 Oceans+BI 场景，构建实时数据链路与分析大屏，满足客户内部业务分析需求，同时支持下游的精准营销与实时推荐应用场景。降低总体拥有成本：分钟级弹性扩缩容避免资源闲置和浪费，无额外软件 License 费用；运维效率提高30%+;数据时效性提升：实现数据的实时处理与分析，为业务带来更精准的数据体验，满足客户对实时数据的需求。开发平台升级：从客户原有的开源自建平台转变为腾讯云的数据开发平台，支持从数据接入到运维的全流程，可容纳上百位数据开发人员与分析师在线开发，降低开发门槛。高效服务支持：保障客户从 lceberg 数据湖往湖仓一体、流批一体等前沿架构方向探索，实现长期的技术架构演进。在 AI 与大数据时代，零售行业迎来了诸多新机遇，以下是一些主要方面：
（1）个性化客户体验
跨品类搜索提示：例如沃尔玛的 GenAI 搜索模式，能够根据用户的搜索业务场景，通过跨品类的方式提供相关提示，提升搜索结果的准确性和实用性。虚拟购物助手与动态场景：AI 驱动的虚拟购物助手可以提供动态场景和虚拟人物的创意匹配，甚至将购物过程设计成游戏场景。例如，欧洲某家居客户将购物过程游戏化，用户在购物时更像是在进行游戏体验，极大地提升了用户的参与感和购物乐趣。（2）智能营销内容生成
个性化营销模式：AI 技术使得零售商能够根据不同的用户场景和行为，生成个性化的营销内容。除了传统的统一化营销策略，现在可以根据用户的地理位置、搜索历史等上下文信息，生成独立的营销模式。虚拟客服与 AI 导购：AI 驱动的虚拟客服和导购能够为消费者提供实时的购物建议和帮助。例如，通过工程类的提示能力，为商家提供经营建议，分析地图数据以确定各地区的热销商品，并通过向量化的搜索模式匹配商品类目，结合 BI 系统实现精准推荐。（3）运营决策优化
AI 算法优化路径：在零售运营中，AI 算法可以优化物流配送路径，特别是在恶劣天气等不利条件下，通过智能调度和路径规划，大幅降低运营成本。智能库存管理：AI 技术还可以应用于库存管理，通过分析销售数据和消费者行为，预测商品需求，实现精准补货和库存优化。腾讯云正在推动一体化数据智能平台的建设，该平台涵盖数据探索、数据分析及运维管理等多个层面。通过整合数据关联性，并借助大模型能力，平台旨在使数据经营分析者和运营者即便在缺乏专业技能的情况下，也能轻松分析所需场景。此外，结合 ChatBI 和 Copilot 等工具，用户能够深入挖掘数据价值，实现深度分析。在 AI OPS 领域，腾讯云致力于将复杂的技术运维工作 AI 化，从而释放业务领域专家的精力，使其能够更多地投入到业务场景开发中。
（1）WeData：智能开发助手
功能定位：面向数据开发人员的智能辅助工具，提升任务开发效率；核心能力：提示词引导与 SQL 编排建议；自动解释与注释生成；错误检测与修复建议；技术支撑：融合 Deepseek 与混元大模型，在指标唯一性检测等场景中准确率可达 90% 以上；应用价值：非技术人员也能快速获取所需数据，降低开发门槛，缩短交付周期。（2）TC-Insight：智能运维助手
功能定位：实现数据任务与资源的全流程智能监控与调优；核心能力：事前预警：基于历史数据预测潜在问题；事中干预：自动识别任务倾斜、资源浪费等问题并提供建议；事后优化：推荐资源配置策略，持续提升系统运行效率；应用效果：客户实测显示，通过智能运维优化后：热数据资源成本降低 30%冷数据资源利用率提升 50%实现长期可持续的数据治理与降本增效。（3）Chat BI：智能分析助手
功能定位：通过自然语言交互方式，实现零门槛的数据查询与分析；核心能力：多轮对话、智能追问；数据结果自动解读与归因分析；支持维度交叉分析，精准定位波动原因；安全与权限控制：行业级数据访问控制；支持加密传输与细粒度权限配置；应用场景：管理层无需依赖技术人员即可自主获取关键业务指标；快速响应临时分析需求，显著提升决策效率。A1：
WeData 平台通过“引擎+产品”的方式实现了大数据平台与 AI 建模能力的深度融合。在底层资源层面，GPU 训练资源与数据处理资源已实现统一调度，可在同一套计算集群中完成特征工程、模型训练和在线推理。用户可通过任务开发模块生成特征数据，并通过模型开发模块进行在线训练与探索，实现端到端的数据智能流程。A2：
WeData 更侧重于数据治理、任务开发与平台化能力，提供一站式数据分析与 AI 开发环境；算法平台则专注于深度学习模型训练与优化；当前 WeData 正朝着数据与算法融合方向发展，用户可在同一平台完成从数据准备到模型上线的全流程操作。Q3：客户在抖音、小红书等第三方平台的流量投放数据能否接入腾讯云平台？A3：
平台支持多种数据采集方式，包括：数据主动上报；API 接口对接；业务数据库采集；第三方平台（如抖音、淘宝）通常提供 Open API 接口，WeData 可通过 API 方式采集其营销与流量数据；客户可将这些外部数据导入平台并与自有数据整合，实现跨渠道营销效果分析与用户行为洞察。A4：
大型商超：信息化程度高，可通过扫码系统、ERP 系统等方式实时采集销售与库存数据；小型门店（如夫妻店）：信息化建设较弱，目前主要依赖离线数据上传，时效性较差；WeData 支持对联网门店的数据采集与整合，适用于需要跨地域、多门店协同分析的场景；对信息化基础较弱的门店，建议先完善数据采集体系建设，以提升补货预测与运营效率。A5：
（1）数据准确率：
腾讯云平台通过知识反哺和持续训练过程，数据准确率可以达到 90% 以上。在初期使用时，准确率可能在 70% - 80% 之间，随着知识库的不断补充和优化，准确率会逐步提升。
（2）数据准确性与逻辑理解：
技术语言描述：平台提供数据的计算逻辑，帮助用户理解数据质量逻辑。分析过程展示：在回答问题时，平台会列举分析过程，包括维度选择、数据过滤和统计方法，帮助用户理解数据背后的逻辑。验证过程：通过前端调整和后端抽样测试两种方式验证数据准确性。上线前，通过分析师或数据准备者进行验证，确保数据逻辑符合预期后才会提交给管理层查看。（3）归因分析：
维度拆解：平台正在开发维度随意交叉的分析能力，支持层级下降关系的分析。例如，在流量分析中，可以按门店、区域等维度进行下钻分析。指标计算路径：平台计划为关键指标和业务场景提供指标计算路径，帮助用户理解指标变化的具体原因。例如，GMV 的增长可能是由于线下活动或线上推广导致的。未来规划：目前，归因已经上线了，当前支持单维度的归因分析，结合历史数据、周期性、节假日数据然后给出算法预测。主要涉及 Adtributor 算法等。
以上就是本次分享的内容，谢谢大家。
来源：DataFunTalk