“过去不会重复自身，未来却会与它呼应。”- 马克·吐温

未来的事件都在特定环境与条件下发生，但也不乏模式可循。“大数据革命”为数据存储、云计算、以及能帮企业进行模式识别的数据科学，提供了技术上的创新。如今，数据科学可以预测任何事情，无论是流感爆发还是犯罪死亡率。

设想一个电子产品零售商的处境。因为产品优质、物流及时，这家店一向生意兴隆。然而消费趋势在改变，竞争也愈发激烈，市场上出现了对生态化产品的需求。他们的顾客因此慢慢流向竞争对手。用传统方法调查市场，这个缓慢流失可能被忽略。但这些微小的变化可以被数据科学家察觉。他们编写算法，不断监测过往销售表现，并与来自媒体和社交网站的外部数据相对照，探讨这些趋势，试图发现它们与购买倾向的关联。数据科学家提供新的方法，让零售商领悟如何维持住核心消费群，而不是仅仅试图获取新的客户。

根据EMC的统计报告，到2020年底全球数据总量预计会超过44ZB，几乎相当于每人5200GB。数据的生产量每年都在翻番。“数据就是黄金！”与此同时电商行业的竞争也变得更加迅猛更加激烈。用户行为一转眼就会发生变化，为满足顾客需求，每个企业都想更胜一筹。常识、直觉和第六感对此有所帮助，但不足以做为预测的依据。数据科学算法却能帮助企业有效理解产品、服务、过程、顾客。

数据科学不是互联网公司专属

• 著名化妆品公司欧莱雅，聘用数据科学家研究各种化妆品对不同肤质和组合的效果。
• 劳斯莱斯聘用数据科学家为飞机引擎确定维护时间。
• Feedzai运用数据科学算法监测欺诈行为。
• Fruition Sciences, 一个为酿酒者服务的在线决策工具，使用数据科学算法决定向葡萄加多少水，以及何时加水能出产质量更好的红酒。

在电子商务领域，数据科学通过捕捉和整合消费者的线上行为、生命事件、购买驱动力、互动方式和其他更多信息，使企业更了解消费者。

电商领域的一些数据趋势：

• 60% 的人在包括移动、社交、实体店、网站等多个渠道研究品牌，与品牌发生接触。
• 使用几个不同渠道搜寻某种商品的人，会比不这么做的人多付1/3的钱。
• 美国43% 的零售销量来自网络。
• 由eCommera进行的一项调查发现，只有23%的零售商能理解数据作出决策。
• 英国50%的零售商认为缺少商业智能工具是（他们）开始运用数据科学的原因，同时只有16%的零售商对他们现有的数据分析解决方案有信心。

这些趋势体现了电商行业的快速发展，也体现出数据科学有望加强消费者的购买行为，给电商企业贡献更好的营销策略和更高利润。

数据科学在电商领域的应用

1) 为消费者推荐产品

“未来的趋势是个性化。而你会像消费者了解自身一样了解他们。”

——Tom Ebling, Demandware总裁兼CEO

基于消费者行为作出的促销和推荐非常有效。如今的消费者非常依赖推荐系统，不论是产品购买、新品消息、外出就餐或服务选择。多数电商网站，像 Walmart、Amazon、 eBay、Target都拥有数据科学团队，在推荐系统背后，思考类型、权重、特性和许多其他因素。数据科学建立的推荐系统有两个主要的目的：

• 配套销售。你在选购iPhone6那你也许会对iPhone保护壳感兴趣。
• 增值销售。例如，你在找某种LED电视。它有一个更优质的换代产品，刚刚上市，且只贵几块钱。

数据科学算法学习产品相关的多种属性、关联，学习消费者的喜好以便预测他们的需求。这些算法为消费者更换展示页面，或app或网站上产品排列顺序，使得消费体验个性化。

Puneet Gupta，Brillio（一家立足于美国的科技咨询和软件开发商）的首席科技官说：“有了预测分析和机器学习应用，电商企业现在可以对消费者的行为模式有清晰的了解，贯穿全站各种商品的购买历史和销售表现。”

这一类应用，最好的例子是亚马逊使用预测建模的推荐系统。亚马逊的推荐系统发掘，并用数据表示从历史数据中发现的关系，以此来进行分类和预测未来事件。

2) 获取关于消费者留存、增值销售和组合销售的洞察

消费习惯不断变化，忠诚度不断消减，预期居高不下。获取消费者洞察对于电商企业的存活已经至关重要。

每个电商网站/app都要销售商品，但他们需要的答案应该针对于：

• 谁在购买他们的商品？
• 这些人住在哪里？
• 他们对什么样的商品感兴趣？
• 如何更好地服务他们？
• 什么促使他们购买？

上面这些问题都能由专注于消费者洞察的数据分析师提供答案。而数据科学利用更先进的分析方式，例如分类器、区隔、非监督聚类、预测模型、主题建模和关键词提取的自然语言处理，创造更多价值。

Blue Yonder，一家德国软件企业，使用数据科学工具与技术协助Otto（欧洲线上时尚巨头）。当消费者走进实体店，或登录零售店WIFI，或连接上网站/app，自动学习就已经开始。这些消费者会收到基于地点、天气和大量其他因素决定的推送信息。

3) 优化产品策略

电商企业不得不面对种种问题，比如：

• 应该出售什么商品？
• 什么价格？什么时候实行这种价格？
• 数据科学算法帮助电商企业决定和优化产品组合。每个电商企业都有一个产品团队研究这个设计过程。而此过程中数据科学算法可帮助企业预测：
• 产品组合中的漏洞是什么？
• 应该生产什么产品？
• 从工厂订的第一批货应该订多少？
• 什么时候应该停止特定产品的供应？
• 应该销售什么产品？

数据科学家利用更先进规范的预测分析帮助电商企业。而数据分析师仅仅对企业获取了多少利润，哪种商品没有价值等问题进行回溯分析。

4) 预测供应链模型

销售商品的电商企业，需要在恰当的时间恰当的位置，拥有数量刚好的商品。对于电商企业乃至所有零售企业，某些产品的需求窗口非常短暂（定制的“圣诞快乐2014”商品没法销售到2015年元旦）。如果错过了这个窗口，最终就会在仓库里堆积大量库存。数据科学算法运用详细的分析，开发出预测模型，帮助电商企业优化供应、减低风险、为决策提供信息。

5）个性化营销策略

数据科学在个性化营销项目中扮演重要角色。电商企业总想寻找新的方法，来鼓励现有的消费者购买更多，或吸引更多新消费者。数据科学家通过重定向优化、宣传渠道组合优化、关键词购买优化等等方式对此做出贡献。通过使用种种策略设计算法，数据科学家能帮助电商企业一飞冲天，获取有价值的回报。

原作者： Khushbu Shah  翻译：王鹏宇 via:datartisan