---

    各家电商都在利用线下门店作O2O，其实，便利店能1小时送达的商品，是可以做到10分钟送达的，即使便利店O2O十分流行之后，具体分析如下：

    1小时配送，其实就是1小时送货。既然是送货，就有两方面，一是送，二是货。

    先有货，才能送。那么，便利店商品除了蔬菜瓜果，都是标准品，满足小区居民日常需要，SKU也符合覆盖区域居民的需求，包括米面、油盐酱醋、蔬果、零食饮料酒水、早餐主食方便食品、洗化用品、卫生用品、女性用品以及其他日用百货。

    而在消费者方面，便利店的客群覆盖男女老少，而便利店O2O的顾客则以青年为主。

    为了让分析有普遍性，首先假设男女比例、年龄分布平均化。

    有商品和顾客，下一步就是下单配送。不过，下单的前提是需求。小区居民通过便利店能满足吃喝、卫生、学习等。这些需求具有集中性和可预测性。

    集中性

    老年人和小孩在工作时间都有可能进店，不符合集中性。但他们也不是便利店O2O的顾客，与便利店配送无关。

    少年、青年、中年，不论男女，工作日要么上班要么上学，在家时间是早上、中午、晚上。休息日则大多待在家里休息，学生寒暑假也是大部分在家。所以这些顾客待在小区的时间、需要O2O的时间是集中的。

    例如，做饭的时候发现没米没盐了才用到O2O，看球赛郁闷了需要啤酒才用到O2O，来例假了出不了门才用到O2O……在家的时候才有O2O需求，而在家的时间是集中的，所以O2O需求发生的时间也是集中的。

    另外，需求量也相对集中。

    假设一个便利店能覆盖5000人，O2O需求产生的时候，顾客数量并不是按人数计算的，而应该以家庭为单位计算，例如家庭买盐不可能买3份。所以，在计算需求时就按一个家庭3口人算，5000人约有1670个家庭。

    一个需求时段有1670个需求，当然不可能，因为不会有人天天做菜没盐、做饭没米、看比赛没啤酒。所以，需求的产生总是有周期，如女性消费群体，就以月为需求周期。1670个家庭每月的需求，平均到每天就是56。

    注意，56是每个时段的需求数量。必须承认一点，这个数据有漏洞，就是1670个家庭可能会在同一个时段同时需求同一类商品，比如早上一起下单早餐和牛奶，在计算时还要将其考虑进去。这样就可以巧妙地有的放矢，精准配送。

    可预测性

    可预测性使得应对上期讨论的需求漏洞成为可能，即订单量很大的情况。可预测性是由需求相对固定、需求具有周期性决定的。最明显的自然是女性用品。因为正常情况下女性生理周期是稳定的，所以一个女性购买生理期用品的时段是可以预测的。而1670个家庭中，女性的数量是固定的，所以正常情况他们的生理周期曲线叠加起来，得到的曲线也是固定的。

    反映在生理期用品上，就是整个小区女性生理用品采购周期是一条叠加的、周期性的曲线，即可购买行为是预测的。湿巾、卫生纸和洗化用品同理 ，除非突然有大量新用户入驻导致卫生纸需求大增，或者小区饮水被污染导致全体拉肚子，否则完全可以预测卫生纸的需求。

    其他产品，比如啤酒，NBA赛程、世界杯时间都是固定，是否会出现大量需求、何时出现大量需求都是可以预测的。再比如小孩子的文具，寒暑假、期中期末、作业数量是相对稳定的，文具的用量也就有迹可循。又或者因为寒暑假，早餐和牛奶的需求是不是也有大起——稳定——大落的曲线？稳定中还有因为工作日、休息日导致的曲线？根据需求曲线，就可决定明天是要牛奶还是二十个馒头以备不时之需。

    所以，对固定服务一个消费者群体的便利店来说，由于消费者的大部分需求有周期性、可以预测，而且当地的气候、政策、经济等也相对稳定。那么积累一段时间数据后，就可以根据SKU的需求曲线动态调配送货资源，不会出现订单暴增而无法及时配送的情况。

    当然，发生非典、地震、陨石撞地球之类黑天鹅事件的话，预测再好也没用。

    由于需求集中并且可预测，便利店完全可以在接到订单后，安排送货并保证及时送达。为了提高效率，可以说明10分钟送货一次，这样可以一次送10分钟内的订单。同时，在高峰时段，比如晚餐时间，可以多带一些高需求商品，假设预测结果是盐、鸡蛋、西瓜，那多带一些也无妨，这样在送货过程中，接到盐、鸡蛋、西瓜的订单，可以立即送货。

    但是，因为线上线下数据流通的问题也可能导致无法及时送货。就是线上下单，地址很清楚，但是系统就是匹配不到最近的便利店；或者匹配了直线距离最近的店，但因为小区面积、单元分布、入口等问题，导致这个店并不是最优选择。

    另外，随着年龄变化、生老病死、结婚生子、升学就业等，小区的需求数据是变化的，需要及时调整预测曲线。