创始人问答｜可计算开店 完成4500万元首轮融资，加码线下流量数据化

答

基于转化率监督的零售空间流量价值计算。

答

核心产品是Location intelligence，是基于图的graph embedding底座模型。数据采集是基础，以及因为存在很多空白，还有很多问题需要解决，比如中国零售场景里点位级客流和转化率数据的采集工程。

前面10年的智慧零售，很多时候都是在吃数据化预算的红利，缺少“数据采集成本”和“数据应用带来的业务价值提升”之间清晰的正UE，有很多“大数据玄学”。比如消费者画像数据：真正的“定向”，其实是画像数据的价值检验；关注不同画像浓度背后位置客流转化率的差异，才能达成有效监督。

另外就是，在线下到底应该是消费者定向还是场景定向。某个位置是因为有周边品牌才有人过去，还是有人了才有品牌过去？我们坚信线下要做场景定向，而不是用户定向。因为场景定向的数据是可检验的，但线下消费者画像数据目前看起来质量差、训练参与的权重比较低，但是成本却高得多。

答

8个万店品牌和一批各品类区域头部品牌、以及一些小红书抖音的细分消费品类头部品牌。

答

组织智能OI和个体的AI有很多相近，但也有不同。今天AI agent的很多技术栈迭代，其实本质上是从AI往OI走，不论是CC的记忆机制，还是工作流，或者是agent之间的协作机制。

狭义上看，今天主流媒体语境里的LLM驱动型AI，更多是一个交互层。对组织来说，在交互层下面的模型、数据、包括组织工作流程、以及流程的上下游之间决策节点规范、组织内部基于本体的知识管理，乃至不同决策节点的目标函数和spec规范，才是拥有更大业务价值的地方。

否则LLM这种自然语言驱动的AI，如果脱离因果、真实世界组织的运转规则约束，只会增加噪音降低组织运转效率，降低组织决策质量。

这与AI背后的技术，是一致的。比如LLM起点的word2vec将语言向量化，比如transformer背后其实是语言关系或者叫图结构的特例。但是物理世界、组织内部、零售行业的AI，肯定不会是直接由LLM应用驱动的。位置和位置的相似性，和语言之间的相似性，完全是两回事。市面上已经开始出现一些基于chatbot的相关应用，我们看到了类似上一波大数据玄学的AI玄学隐患。所以Location intelligence需要有自己的数据和算法正反馈飞轮，需要从头开始一点点走独立模型训练的路。

相比语言、图形、视频、具身等大量资本性投入烧钱、依靠data-driven的赛道，scaling law肯定重要。但是如何通过精细化的场景选择、落地的工程细节优化成本，找到一个个具体场景，让业务价值几倍于数据采集和计算成本，是行业发展的关键之关键。

希望这波AI热不会像上一波智慧零售一样那么盲目了。

答

还不算蹚出道路吧。虽然电商渗透率2024年就触顶了，线下社零依然是电商的3倍，但是至少今天还没有主流观点认为，可计算开店会是和计算广告或者推荐系统一个规模的道路。

甚至，即使我们曾向客流采集、数据底座等所有相关领域的玩家，公布我们的技术路线，期望大家一起走围绕点位客流和转化率预测的道路，也暂时还没人一起参与。

说明这条“道路”对还是错，依然是非共识。

任重道远，盯着客户吧，坚持做对客户在具体场景里有价值的产品，我觉得是唯一重要的事。