在1号店上购物的顾客，可能并不知道，自己每一次的购物行为，正帮助这家电商公司逐步了解自己，并为自己描摹出一幅大概的生活图景。据王欣磊称，1号店首先会根据用户的购买金额和频次将其分为四个大群，在用户大群的基础上，公司根据用户的浏览习惯，为其打上更为细致的“标签”。这种描绘用户个人信息及购买偏好的标签，多达成百上千个，“比如，他是倾向于购买哪一类商品的？他的浏览行为是什么，是喜欢搜索还是用类目浏览？他喜欢在上班时间购物，还是在周末购物？购买的周期和收货的习惯又是什么？”王欣磊说道，在将客户抽象为一个个具体的标签后，1号店便能有的放矢地进行营销。
他同时坦言，1号店并没有办法直接获得用户的性别、家庭状况、收入状况等信息，但可以通过几种方式去推测。一个明显例子是，公司可以根据用户的姓名，并结合一些购买行为，来推测用户的性别。
从今年起，中科院的一个研究小组也加入了1号店的客户数据研究中。双方研究的重点便聚焦在顾客的分群。“他们会将顾客分为忠实顾客、风险顾客（较易流失的顾客）和需要提升的顾客，并对不同顾客的行为做进一步的分析。”王欣磊称。
“大数据”噪音
除了对消费行为的分析研究，如何借助数据让产品价格更具竞争力同样重要。眼下，1号店后台的PIS（价格智能系统）每天实时在线搜索60多个网站和1700多万种商品的库存信息和价格信息，并根据竞争对手的商品价格实时调整自己的商品价格。
具体说来，在公司设置的价格模型中，不同的品类都有相应的市场价格策略。“譬如，有些品类的价格要做到业界领先，有些品类只要不高于竞争对手就行了。有些是我的利润品类，有些是流量品类。”于刚称，“我们在价格模型中设置底价后，系统就会根据对手的动态价格自动调整商品的价格。你知道，1号店有几百万种商品，完全没有办法用手工设置价格。”
于刚称，在1号店较为擅长的食品饮料领域，公司试图做到价格领先，“尤其是进口牛奶品类，60%的线上销售都是通过1号店走的”；而在服装等领域，公司追求的则是毛利。
尽管这些做法看起来无懈可击，但随着1号店的数据量越积越多，它也开始面临新的烦恼：比如，应该怎样将海量的数据进行过滤，去芜存菁？王欣磊并不讳言，“数据的纯洁性是一个很大的问题。”
不难理解，当公司由于促销而使得销量大增时，消费者在那一特定阶段的行为与未来的趋势无关；此外，一些季节性、节假日的数据也要过滤，而那些因为竞争对手的促销导致销量突然下滑的数据也要剔除在外。
除了外部干扰，消费者的个人操作中也包含着不少无效行为，这同样被视为一种“数据噪音”。于刚发现，有的用户上1号店并不是为了购物，而纯粹是为了测试网站，“他注册之后，往往下一个订单后取消，再下一个订单再取消，这些用户肯定不在我们的研究范围”。
相比之下，更大的难题在于，线下批发商对线上数据的干扰。据王欣磊称，一些地区的线下批发商可能是因为线上渠道的价格更便宜，于是通过各种渠道拿到优惠券在线上购买，再将货品转移到线下去卖。“批发用户拥有很多的注册账号，这对我们很不利，也给数据带来很大的干扰。”他指出，“我们会通过技术的手段去防批发，并不断地清理数据。但如何去验证真正的消费者数据，目前依旧是个很大的挑战。”
收集数据的下一步，是对数据进行分析和解答。事实上，面对同一组数据，不同的人从不同的角度分析，会得出全然不同的结论。也有人认为，随着数据量的增大，研究的准确性一开始会随之上升，但很快就会趋平。眼下，业界亦并没有形成放之四海而皆准的解读方法。从这个角度看，如何正确地解读数据，让数据模型越来越准确，是摆在所有电商企业面前的难题。
在复杂的模型之上，算法同样重要。1号店需要在极短的时间内，通过算法解读用户的行为，并在得到结论后做出实时的推荐。用于刚的话说，“当一个顾客用搜索来挑选商品时，我们的后台需要为这一搜索做支持，算法得非常快才行——否则用户等待的时间一长，就会不耐烦。”
不难发现，1号店对大数据的研究和运用，仍处于摸索阶段，而在全球范围内，这依然是一个新鲜的应用。很多时候，于刚会对新的数据应用感到兴奋，但有时，他也会显得力不从心——在他眼里，学术界如今已做了很多关于大数据的前瞻性研究，企业界则尝试着大量的应用，但两者间的关联并不大，甚至朝着截然不同的方向前行。换言之，在学术研究与实际应用中，尚有很大的鸿沟。