卖货的超市，卖认知的引擎
深度拆解克罗格数据科学子公司84.51°和Kroger Precision Marketing，如何用AI机器学习实现家庭级定向、闭环归因与程序化出价，为中国零售媒体提供可落地的四步转型方法论。
未来的零售战场，不是流量的争夺，而是消费者认知份额的争夺。谁拥有最精准的购买行为预测模型，谁就掌握了商业世界新的巴别塔。
零售媒体网络正在重塑全球广告预算的流向。当中国零售巨头纷纷效仿亚马逊、沃尔玛布局零售媒体时，一个更深层的信号被集体忽略：把广告位挂出来招租，只是租赁生意；把混沌的购物数据炼成预测引擎，才是智能商业。全球零售巨头克罗格用近十年时间走通了后一条路。它通过数据科学子公司84.51°和Kroger Precision Marketing，将忠诚度数据、机器学习算法与实时出价系统编织成一张庞大的认知网络。这不仅让它成为广告主眼中的精准靶场，更让这家超市连锁在AI主导的营销时代，保住了对消费者决策链路的根本解释权。
从杂货铺到数据帝国
提起克罗格，多数中国消费者的认知停留在“美国排名前列的超市”。但一个常被忽略的事实是：这家拥有超百年历史的零售企业，早在2015年就完成了对数据科技公司84.51°的整合，并将其独立运营。这个时间点远比多数全球零售商觉醒于数据资产价值要早。克罗格看清了一件事：超市收银台扫描的不仅是商品条码，更是家庭生活的全息投影。每一次购买行为，都是对消费习惯、生活阶段和品牌偏好的投票。
正是这种对交易数据本质的深刻理解，使克罗格跳出“卖货”的物理限制，进入“卖认知”的化学变化。当其他零售商还在清洗脏数据、打通会员ID时，84.51°已经基于克罗格Plus忠诚度计划，构建起覆盖6000万美国家庭、细到SKU级别的购买图谱。这不是简单的消费记录档案，而是一套可通过机器学习进行预测的活数据。它能够识别一个家庭是否进入了育儿阶段，是否正在转向更健康的生活方式，甚至能够预测某一品类在未来两周的复购概率。
第一方数据的“家庭级”精度
在数字广告普遍面临信号衰减的当下，克罗格的定向科学给出了一种范式。官方披露，基于购买数据和机器学习筛选出的站外高转化受众，其可归因销售额是平均购物者的3倍。这一数据的核心支撑在于：摒弃了依赖浏览器Cookie或设备ID的模糊推测，直接将广告曝光的归因锚定在家庭级别的真实发生购买上。
这意味着，宝洁或百事这样的品牌不再是向模糊的“25到40岁女性”投放广告，而是向“过去四周内反复购买有机婴儿食品、但从未尝试过某个特定品牌湿巾的特定家庭”投放数字券。定向精度从人口统计区间坍缩为具体的消费行为序列，广告从概率游戏进化为逻辑推导。
PrecisionBid：一场关于KPI的重新定义
如果说KPM的定向能力解决了“对谁说话”的问题，那么PrecisionBid则在根本上挑战了数字广告几十年的核心信条：点击率导向。2024年9月，克罗格宣布将这一自研机器学习出价工具应用于所有由其管理的展示广告活动。它的目标函数并非最大化点击或千次展示，而是直接指向增量销售额和广告支出回报。
PrecisionBid的逻辑链条极其清晰。系统在每一次广告请求的瞬间，基于家庭级别的实时数据刷新出价：这个家庭当前购买周期处于什么位置？品牌间存在何种替代关系？品类份额是否有被竞品侵蚀的风险？如果模型判定某个家庭正处于品牌切换的高概率窗口，它会愿意支付更高的价格去抓住这次接触；反之，若判断该家庭短期内没有相关购买需求或已是忠诚用户，出价则会急剧降低甚至放弃竞价。这不再是粗放式的流量采买，而是对每一美元广告费去向的精准血管注射。
回归交易而非停留于注意力
这背后隐藏着一场深刻的KPI变革。在传统程序化广告生态中，点击、可见度、视频完播率构成了一套看似精确实则与销售断层的指标迷宫。广告主花大量预算买到了“可见的机会”，却始终难以证明这机会最终是否转化为收银台前的真实动作。PrecisionBid的做法则指向一个日益强烈的行业共识：零售媒体的终极价值不在曝光资源位，而在闭环归因能力。只有掌握从广告展示到交易完成的完整链路，才能将模糊的营销艺术还原为可度量的商业科学。
84.51°高管在哈佛数据科学评论的阐述印证了这一判断。他认为，AI与数据科学并非成本中心或辅助工具，而是零售企业建构个性化购物路径的核心引擎。克罗格事实上已将自己定义为一个数据平台，只不过这个平台的用户界面恰好是超市货架和购物App。
中国零售媒体的数据真空困境
将视线拉回中国市场，零售媒体的热度正在急剧上升。头部平台纷纷学习海外经验，开放站内搜索位、首页轮播和支付结果页给品牌广告主。但多数零售商的零售媒体产品仍停留在流量分发层面，深层原因在于数据资产的结构性缺陷。国内生鲜零售、商超便利普遍缺乏真正统一、高完整度的家庭账户体系。支付环节的割裂、会员体系的形式化、线上线下数据的断层，导致零售交易数据更像散落一地的碎镜片，难以拼凑出完整的家庭消费图景。
这种现实造成了一个悖论。品牌广告主愿意为闭环归因支付溢价，但零售商提供的往往是“半开环”的模糊归因。广告曝光与交易发生的时间差越长，中间介入的其他营销触点越多，归因结果就越像是一种安慰剂。而AI尤其是大语言模型的出现，原本可以加速打通数据断点，但不少企业却陷入另一个误区：把AI等同于生成文案和图片的工具，忽略了机器学习在受众预测、增量测量和出价优化上的底层重构能力。
从交易数据到预测引擎的四步法
克罗格的案例对于中国企业并非只能旁观。其底层逻辑可以被提炼为一套可操作的方法论，尤其适合那些正在从“卖货架”向“卖洞察”艰难转身的零售企业。
第一步是完成家庭账户的统一。无论采用付费会员制、企业微信社群绑定还是支付即会员策略，必须在一个主ID下串联起跨品类、跨时间、跨渠道的购买行为。这一步没有捷径，但它的完成度直接决定后续所有机器学习模型的天花板。
第二步是构建品类级别的消费生命周期标签。不能停留在“用户购买了牛奶”这样的记录层面，而要标记出该家庭在乳制品品类中处于新客尝鲜期、成熟复购期还是品牌流失期。这一标签体系将直接作为定向模型和出价模型的训练基础。
第三步是引入增量测试思维。任何AI预测模型都不是静止的真理。需要定期设计地理市场实验或合成控制实验，在真实环境中测量广告曝光带来的净销售提升量，而非仅比较曝光人群与非曝光人群的总销售额差异。这能有效排除“本来就会购买”的天然消费者贡献。
第四步是重新设定营销团队的考核指标。将团队关注点从广告填充率、点击单价逐步切换到品类渗透率提升、家庭购买组合的宽度和客户生命周期价值变化。当团队的绩效与品牌的生意增长而非媒体执行效率挂钩时，零售媒体的价值才能真正被释放。
不是工具升级，是商业逻辑的基因重组
许多零售商将加入零售媒体网络视为一种轻松的流量变现方式。但克罗格的长期实践揭示了一个冷酷事实：真正能创造超额利润的零售媒体，本质上是企业经营基因的彻底转型。它要求企业将数据科学部门从一开始就置于与采购、物流、门店运营同等的战略地位。它要求为AI留出试错和迭代的预算，容忍那些出价失误带来的短暂波动。更根本的是，它要求管理团队的认知从“我们是一家卖东西的公司”迁移到“我们是一家帮助品牌理解消费者的公司”。
这种认知迁移一旦完成，商超就再也不是那个被社区团购和即时零售反复冲击的传统渠道。它变成了品牌进入消费者家庭餐桌、浴室和冰箱的唯一真实通道。它的利润表中，数据服务收入的占比会持续扩大，而且这份收入的边际成本极低。货架可以模仿，供应链可以追赶，但一家企业用十年以上时间沉淀出的数千万家庭、上亿笔交易数据和经过真实市场校验的预测模型，几乎是一座无法复制的商业堡垒。
当整个行业都在焦虑AI会替代什么时，克罗格给出了一个务实的答案。AI不会替代超市，但会彻底碾碎那些只会把商品摆上货架的超市。AI时代零售业的终局，属于那些能用机器学习的眼光重新丈量每一笔交易价值的认知引擎。