线下零售大哥沃尔玛最近又在搞事情了。

这一次，他们在开发一个运用在门店的面部识别系统，用表情来识别顾客是否不开心，顾客的表情信息由店面已有的安保摄像头与结账处摄像头来收集。在结账时使用“读心术”，沃尔玛想通过分析顾客的表情和肢体来推测他们是否不满，不满程度如何，在发现顾客情绪非常低落时反馈给服务员工，同时进行记录。这样，员工可以加强服务，帮助顾客解决让他们不满的问题，缓和他们的情绪，从而帮沃尔玛留住顾客。

此外，这个系统还可以让沃尔玛分析顾客的购买行为趋势，将他们的情绪表现与实际购买数据放在一起，来检测情绪导致的交易习惯变动。

对于沃尔玛的线下门店而言，保持客户的购物过程开心满意的确很重要。产品与价格的高度同质化，决定了今天在沃尔玛门店不满意的客户随时可以换个地方，投向Costco或者Target的怀抱。沃尔玛期待可以通过AI的助力，运用面部识别技术来未雨绸缪，提高顾客购物体验，防止顾客的负面情绪累积到峰值掉头离开，可以说是在尽心尽力留住顾客了。

不难理解为什么沃尔玛这么“拼”—— 线上零售业的发展不断威胁着沃尔玛零售巨头的地位。线上电商有着大量让线下实体店眼红的优势。例如电商平台可以方便快捷地收集到消费者的性别、居住地区、消费水平等信息，也能利用历史购买产品、搜索记录、甚至在某一产品界面的停留时间等数据进行个性化推荐，同时还能根据供需情况实时变动商品价格。

与此同时，沃尔玛的老对头，线上零售巨头亚马逊的触角也在不断伸向线下: 比如曾经引起大家在网上刷屏的Amazon Go, 就是亚马逊推出的基于人工智能技术的线下零售商店。通过使用计算机视觉、深度学习以及传感器融合等技术，Amazon Go彻底跳过了传统收银结帐的过程。消费者可以直接走进商店，拿下货架上的货物，然后离开，整个过程既不用排队也不用结账，省心省力。

沃尔玛不是唯一一个有危机意识和创新意识的线下零售商。在电商的强势进攻下，线下零售业正在不断探索用人工智能技术武装实体门店，实现智能化升级，期待能提高顾客体验、收集更多消费数据并支持商业决策等。当下线上零售的增速放缓，也被视作为线下零售的新转机。

同样是运用人脸识别技术，最近国内一些实体药店正在尝试建立会员人脸识别系统，取代传统的会员卡。会员卡对于线下门店来说曾是收集客户身份信息与消费数据的最佳入口，人脸识别技术有机会大大提高会员制度运行的效率。

会员人脸系统能将人脸识别技术与药店本身的CRM(客户关系管理)系统结合，在会员注册时采集照片建立会员人脸库，在顾客进店的时候自动识别出顾客的会员身份，实时反馈信息给商家的业务系统。与系统配合使用的助手APP在对会员的病史、购买记录、消费频率等会员信息快速了解后，在顾客选择药品时，营业员就可以提供更科学更安全的服务。

传统零售的服务过程可能在顾客结束付款后就随之结束了，但CRM系统让商家对顾客信息有足够的了解，进而能持续跟进顾客的购买行为和服药效果，提供售前建议、售后回访等个性化服务，人脸识别技术的加入则大大提高了这个服务闭环的效率，并使之能实时达成。

这些门店的会员人脸识别系统，其下一步应用就是“刷脸支付”。从2016年起，国内多家银行已经做到能在ATM机和手机银行客户端实现取款、登录、转账等多项“刷脸”服务；京东在4家线下门店京东之家开通了“刷脸支付”测试；支付宝也与肯德基KPRO餐厅合作设置刷脸支付试点。还有多个无人便利店项目也在尝试用刷脸支付尽可能简化支付流程。

应用人脸识别等计算机视觉技术纪录线下消费数据之后，大数据分析将上场帮助零售商进行最终的商业决策。和电商相比，传统零售客户粘性不足、运营效率较低、交易数据应用缺乏、营销无法精准推送等等痛点都很明显。而大数据分析从用户画像、精准营销、库存管理、供应链优化等众多角度都有用武之地。这也能解释这条赛道上涌现出越来越多深耕零售业大数据服务的玩家。

从Pos机、手机支付到离我们已不再遥远的“刷脸支付”, 零售业对新技术的接纳度尤其高，同时零售业自带及时性高的海量数据，也给予人工智能与大数据极佳的应用空间。

尽管对未来非常乐观，但AI+线下零售的道路也有着不少阻碍。

对人脸识别等计算机视觉技术的线下应用而言，顾客信息安全、硬件投入高成本和识别准确度都可能是要考虑的因素。

 信息安全

尽管沃尔玛的用户表情识别系统出发点是为了提高顾客的购物体验，提供更好的服务，但当知道店里有多双“眼睛”盯着你，一刻不停地在分析你的面部表情，心里不免还是觉得怪怪的。

比起心理接受程度，更难解决的，可能还是用户对于个人信息安全的担忧。从会员人脸信息库到刷脸支付，当面部等生物信息也变成数字信息记录在互联网中，并直接与资金流出挂钩时，如何确保这些信息的安全性就变得至关重要。

无论是支付宝推出的“刷脸支付”还是iPhone X上应用的FaceID人脸解锁，都引起了消费者关于安全性是否能够被保障的激烈讨论。在用手机注册一个APP就能收到无数骚扰电话的今天，能否保护好消费者的个人信息安全直接决定了能否取得消费者的信任。

硬件高成本

一家布满红外传感器、重力感应装置、荷载传感器及可以进行计算机视觉处理的摄像头的零售门店，其成本之高可能是多数企业都无法承受之重。

据业内人士透露，一个Amazon go店面的投入金额高达数千万美元，离真正铺开落地还有很远的距离。对于使用摄像头装置录制视频、再将图像上传云端进行识别分析计算的企业，中间也涉及到搭建服务器的成本，对于规模较小的零售商而言或许不易接受。

 识别准确度

与手机的人脸识别功能，或实验室场景下的内测识别不同，商用的人脸识别场景复杂多变，让识别成功的难度更大。比如每天不同时刻的光线不同，对采集的图像质量会有影响；又比如，因为用户体型不同，面对固定摄像头的角度和姿势各异，衣服、帽子等着装的遮挡，这些都会会进一步加大识别的难度。

同时，在人流量较大的线下零售店铺中，如何准确地识别每一位顾客，同时防止外貌相近导致的识别错误甚至故意仿冒，都为技术的真实应用带来挑战。

 大数据分析难点

大数据分析以辅助商业决策的过程也面临着一些难点。

首先是产业链上下的数据能否整合。数据对于每个企业而言都是宝贵的资产，在看不到既得利益的情况下，几乎没有企业愿意把数据公开。因此，如何打破企业之间的数据交流壁垒，得到从生产厂商、到供应商、再到零售商的完整数据是阻碍对产业数据进行深度分析的重要问题。

其次，零售行业的产品多样化导致分析结果的应用程度参差不齐。比如上文中的药店场景，对于选购哪一种药品，顾客可能需要和药师或药店售货人员沟通，基于病情、过去的服药情况和个人体质等等信息进行分析，最后做出决策，在这个过程中，成功分析顾客信息以提高零售店的服务质量和推荐药品准确度会较大程度改善顾客的消费体验。

而对于沃尔玛这样的零售超市而言，消费者购买一瓶水，客单价低且完全可以自己做出决策，除去结账，整个过程中对服务的需求几乎为零。

从另一个角度来看，在同一个线下门店里，有电器、家具等消费频次低，决策过程复杂，有售后服务需求，同时客单价也较高的产品，而它们的产品性质与矿泉水这样的快消品又截然不同。这些性质多样化的商品，在实际分析过程中如何处理，也是一个需要解决的问题。