零售數(shù)字化必經(jīng)哪四個階段？CCFA這場高質(zhì)量專題講座值得一聽！

　 域名預(yù)訂/競價，好“米”不錯過

本文整理自NOME CIO劉湛在CCFA專題分享的演講實錄，演講主題為《NOME數(shù)字化零售之路》

本文的主要內(nèi)容如下：

• 未來零售潛力來源于AI+BI

• 零售數(shù)字化演進的四個階段

• AlphaZero的啟示

• 零售核心主數(shù)據(jù)及相關(guān)分析

未來零售潛力來源于AI+BI

謝謝蘇總邀請，首先說一下我們?yōu)槭裁催x擇和觀遠數(shù)據(jù)合作。觀遠數(shù)據(jù)是一家非常出色的新興數(shù)據(jù)公司，在經(jīng)過深入了解后，發(fā)現(xiàn)我們對數(shù)據(jù)賦能的理念非常相似，所以一拍即合、很快就決定達成合作。

為什么覺得理念非常相似呢？我覺得未來零售潛力一定是來自于AI+BI。我們不但要看數(shù)據(jù)，更要知道怎么用數(shù)據(jù)。不但要分析已知的數(shù)據(jù)，我們還要預(yù)測未來的數(shù)據(jù)，這是我們始終堅信的。

使用觀遠后我們只用了很少的人就迅速把分析看板搭建起來了，因為觀遠數(shù)據(jù)智能ETL工具很成熟，我們通過拖拉拽的方式就能匹配各種數(shù)據(jù)源，比如數(shù)據(jù)庫、EXCEL配置表等等，還有篩選組合。通過配置方式把這個定制出來，卡片或者定制看板就生成了。而且每個部門可以有不同的分析看板，也可以進行自主分析，非常高效。業(yè)務(wù)部門也比較滿意，覺得我們數(shù)據(jù)團隊人比較少，但是響應(yīng)速度快，早上提需求，下午看板已經(jīng)出來了，比之前的傳統(tǒng)工具要快很多。而且這個學(xué)習(xí)門檻也比較低，現(xiàn)在我們的產(chǎn)品經(jīng)理和運營經(jīng)過簡單的培訓(xùn)和學(xué)習(xí)都能夠自己定制數(shù)據(jù)看板了。

零售數(shù)字化演進的四個階段

我先講一下自己怎么看待數(shù)據(jù)賦能這件事情。以前我是在電商公司做線上業(yè)務(wù)，現(xiàn)在我發(fā)現(xiàn)線上和線下有很多相似之處，也有很多不一樣的地方。但我覺得不管我們做實體零售，還是做線上，以及任何行業(yè)可能都要經(jīng)歷這四個階段。

1. 一體化

第一個階段，必須先把業(yè)務(wù)數(shù)據(jù)化，也就是去EXCEL化，從而消除信息孤島。舉個例子，傳統(tǒng)公司將大量信息通過EXCEL傳遞，可能會牽涉六個業(yè)務(wù)部門，然后六個部門單點溝通，A傳B，B傳C，C傳A，溝通復(fù)雜，而且有很大的延時性。于是部門之間約定每個星期同步一次，但是一星期已經(jīng)太晚，為什么不可以每天看到、每刻看到、實時看到？所以我們應(yīng)該把所有數(shù)據(jù)寫到一個地方去，讓所有人從一個地方讀數(shù)據(jù)，讓數(shù)據(jù)一體化，全部打通，這是第一步。

2. 精細化

實現(xiàn)這一步，接下來會想怎么把業(yè)務(wù)做得更好。我先說線上運營APP的例子，我們發(fā)現(xiàn)男性用戶和女性用戶差異很大，新客和老客也不一樣，后面還會有年齡段、消費水平、人生階段（有沒有家庭、孩子這種）等等不同的細分維度，各種維度組合起來可能會劃分出好幾十個不同的人群，運營的復(fù)雜度和對人力的要求也會呈幾何級數(shù)上升。我們要從這種“千人千面”里看到個體差異，因為差異大的地方做精細化的機會更大，ROI會提升很多。

那么線下怎么做精細化運營？人、貨、場三大主數(shù)據(jù)，人不一樣，貨不一樣，全盤統(tǒng)一策略是不可行的。像百貨和服裝差異很大，服裝下面男裝和女裝又很不一樣，越往下分運營需要考慮的數(shù)據(jù)就越多，決策也越來越細。門店也一樣——加盟店、直營店、社區(qū)店、非社區(qū)店......人口有常住人口、流動人口，就連每個門店附近潛客人群也不一樣，那么配貨策略肯定也不一樣。

3. 自動化

我們都知道精細化很好，可以帶來很多收益，但是人力無法支撐怎么辦？只有通過自動化運營來實現(xiàn)。通過可視化報表實現(xiàn)不同維度、不同視角的數(shù)據(jù)分析，并且將人工經(jīng)驗沉淀為固化的自動規(guī)則，讓機器執(zhí)行這些復(fù)雜的細化規(guī)則。自動化還有一個好處是能夠快速迭代優(yōu)化，整個運營的決策過程也數(shù)據(jù)化了，還可以通過AB測試不斷優(yōu)化運營策略。

4. 智能化

零售公司大多是腦力勞動，并且遵循一個邏輯。之前我們覺得把這個邏輯變成規(guī)則，讓機器自動去執(zhí)行，最多再加一個人工校驗和優(yōu)化就夠了。后面發(fā)現(xiàn)，零售運營的終極目標應(yīng)該是智能化，通過AI、機器學(xué)習(xí)、算法去突破人工的局限性。

AlphaZero的啟示

去年阿爾法狗和AlphaZero轟動一時，所有人都知道AlphaZero和阿爾法狗能下圍棋。但這其實是通用的算法，不僅可以下圍棋，也可以下中國象棋或者國際象棋在內(nèi)的任何棋類，只要博弈類的它都可以做。有一個公認的神一樣存在的趨于完美的國際象棋程序叫stockfish，它是多年來很多頂尖棋手不斷地把自己的經(jīng)驗通過程序員轉(zhuǎn)化成精心構(gòu)造的算法和評估函數(shù)，結(jié)果AlphaZero僅經(jīng)過4個小時的學(xué)習(xí)就完敗stockfish。

但是阿爾法狗到alphazero之間發(fā)生了什么變化？阿爾法狗做的是我們說的演進史第三步自動化，它的訓(xùn)練方式是讀所有棋譜并記下來：人類棋手怎么做決策，什么樣的局面走怎樣的定式，找到一個最優(yōu)解。Alphazero是一個質(zhì)變的升華版，它腦子里面沒有經(jīng)驗，定式都是不存在的，它只有一個客觀規(guī)則就是棋類的落子規(guī)則是什么，怎么計算輸贏，這是唯一原則。

AlphaZero上來就左右互博先自己和自己博弈個幾十萬局，再用MCTS（蒙特卡羅樹搜索）評估，然后對網(wǎng)絡(luò)重新訓(xùn)練優(yōu)化，最后看這個算法是否是最優(yōu)解，這應(yīng)該是可以給零售行業(yè)很多啟發(fā)。我們面對復(fù)雜的零售規(guī)則，拍腦袋做的決策能保證都是最優(yōu)解嗎，肯定不是，我們只能相信機器，靠算法、靠AI來解決。

零售核心主數(shù)據(jù)及相關(guān)分析

零售業(yè)有“人、貨、場”三個主數(shù)據(jù)，“人”是會員數(shù)據(jù)，“貨”是商品數(shù)據(jù)，“場”是門店數(shù)據(jù)。

人—會員數(shù)據(jù)

觀遠數(shù)據(jù)會員相關(guān)分析示意圖

“人”這一端，我們做得比較晚，三月份全國門店推行會員，是用觀遠智能分析平臺迅速搭建出看板和會員畫像，可以清晰看到門店直營情況，改變了不知道這個貨誰買的尷尬局面。

我們做會員的思路，覺得首先要提升會員開通率，積累了一定數(shù)量的會員后，接下來就可以做千人一面和千人千面的營銷策略。

千人一面：會員開通后系統(tǒng)發(fā)放組合券，組合券有不同周期：7天、15天、30天......這是為了促成用戶二次復(fù)購，幫他先爬一個坡，優(yōu)化用戶的生命周期。千人千面：先拿用戶開卡提供的靜態(tài)屬性，用戶的基礎(chǔ)畫像，包括性別、年齡和地區(qū)，以及用戶購買行為得出的RFM以及品類偏好和折扣偏好等數(shù)據(jù)衍生成標簽，這個標簽里面既包含自動衍生標簽也包含人工打上的標簽，然后再對用戶進行分組、結(jié)合用戶生命周期做精準營銷。

做營銷必須考慮幾個問題：

營銷成本有沒有最大化？假設(shè)今天成本有限，怎么讓營銷成本最大化？哪些用戶發(fā)券也不來？哪些用戶不發(fā)券也會來？不發(fā)券也來不用給他發(fā)，發(fā)了浪費成本。還有一些人只有發(fā)券才會來，這是目標人群。

......

通過精細化運營，一層層往下分析思考，發(fā)券才會來的人里面，給他發(fā)什么樣的券，什么樣的優(yōu)惠類型，滿減、還是折扣？券的力度要設(shè)置多大?什么時間點發(fā)？發(fā)在哪些渠道？這些都需要進行計算。

貨—商品數(shù)據(jù)

觀遠數(shù)據(jù)商品相關(guān)分析示意圖

看下貨這塊可以做的事情特別多，目前我們重點也是在做缺貨的智能配補調(diào)。缺貨分為門店缺貨和總倉缺貨。

門店缺貨決定最晚什么時候給門店配貨，保證門店不被“餓死”?？倐}缺貨是決定最晚什么時候向工廠下訂單，才能保證總倉有貨可以發(fā)給門店，保證門店不“餓死”。

就這么兩個問題，說起來簡單，其實挺復(fù)雜，涉及到線下門店特性和陳列空間約束，還有門店差異化。我們首先做的一個是缺貨監(jiān)控，再考慮基于缺貨數(shù)據(jù)怎么做配補調(diào)。缺貨還有一個維度看全景庫存，總倉缺貨再往上推一步，考慮上游的工廠訂單生產(chǎn)進度，那邊有三個環(huán)節(jié)：1. 工廠已確認訂單但還未開始生產(chǎn)；2. 已生產(chǎn)進度多少？3. 生產(chǎn)完成，準備發(fā)往總倉，這個公式本身并不復(fù)雜。

另外一塊，基于商品本身的分析，跟商品企劃、商品生命周期有關(guān)系。每個品類應(yīng)該怎么樣結(jié)構(gòu)最優(yōu)，達到最大化的寬度、深度比例怎么樣啊等等。每個品類，首先看貨值占比，貨值占比固定以后，可以想象這個品類是一個二維形狀，面積恒定，但是它的寬度和深度比例不一樣，它可能是一個正方形、長方形......這也是今天中午和觀遠團隊吃飯時候探討的問題。

以及選品指數(shù)。我們結(jié)合內(nèi)外的數(shù)據(jù)，一個是外部爬蟲數(shù)據(jù)，還有內(nèi)部銷售數(shù)據(jù)分析，來預(yù)測什么商品成為爆款、我們到底應(yīng)該選擇什么商品。

商品這邊還有非常重要的一點是做預(yù)測，只有把預(yù)測做準了才能把配補掉做準，以前端銷售引領(lǐng)后端供應(yīng)鏈生產(chǎn)和采買計劃。

? 銷售預(yù)測

我們自己做了一個比較粗糙的銷售預(yù)測，沒有觀遠做的那么精準。在我們做預(yù)測的時候，我覺得可以分為這四大類。

1. 整個大盤的銷售預(yù)測

2. 單店銷售預(yù)測

3. 單品全局銷售預(yù)測

4. 單店單品銷售預(yù)測（包括品類預(yù)測之類）

如果做上層預(yù)測，正負相互抵消，有的門店多10%，有的門店少10%，差距不會很大，但是做單店、單品差距就很大，我有兩個提升精準度的思路跟大家分享。

1. 時間周期拉長，不做單店單品單日銷售預(yù)測，可以做成七天預(yù)測。

2. 把尾部商品放棄掉，因為它的誤差最大，而我們最關(guān)心的其實也是頭部商品。

我們做門店銷售的時候看到尾部商品差異大，且占比并不高。為什么差距大？數(shù)據(jù)少、日均銷的少。我們關(guān)注頭部top300或者top500商品，這樣準確率就會提升。

場—門店數(shù)據(jù)

觀遠數(shù)據(jù)門店相關(guān)分析示意圖

? 智能選址

“場”這塊的智能選址，我們實踐的效果非常不錯，比目前渠道團隊人工銷售預(yù)測的精度高一倍以上。我們是將數(shù)據(jù)分為兩大類：

1. 宏觀選址外圍數(shù)據(jù)

2. 微觀選址內(nèi)在數(shù)據(jù)

這個怎么用起來呢？我們思路是做盲測，先不給渠道人員看結(jié)果，他們必須按照自己的原有思路先做預(yù)測，預(yù)測之后會把它的結(jié)果和我們模型預(yù)估結(jié)果相對比，找出那些差異大于20%的門店，然后分析這些門店到底出了什么問題。

? 同類店對比參考

除了這個之外，我們還做了同類店對比參考，找出相似店給某一店鋪做參考。這邊我們非常期待能用上觀遠另外一個模塊——虛擬標桿店，根據(jù)門店特征做擬合，圖譜應(yīng)該什么樣，哪一點比較弱，知道哪個方向改進，并且賦能店長看到每個品類排行榜。

? 貨架陳列可視化

怎么讓貨架效能產(chǎn)出最大化？我們首先開發(fā)一個小程序，小程序里能看到門店貨架陳列方式，然后點這個地方可以看到貨架上幾個面板，點面板看到貨架上放幾款商品、每個商品放幾個，然后形成陳列標準。未來把商品掃碼上架，就知道這個貨架放哪些商品，用它的銷售除以它的面積得到單位面積產(chǎn)出，這個貨架對比其他貨架到底做得好還是壞就能很快清晰了。知道貨架A面和B面到底哪個產(chǎn)出更高，結(jié)合門店助手里面的品類銷售排行榜，我們就能做優(yōu)化了，賣的不好的往下擺，賣的好的東西放顯眼地方。

? 智能排班

每個門店流量高峰、銷售高峰、流量低谷、銷售低谷時間段不一樣，我們可以先畫出來看一看。怎么通過曲線分析減少店員，讓他們?nèi)诵ё畲蠡?。一般來說，零售門店分兩班，上午一班，下午一班，其實中間可以插一個動態(tài)排班，不一定9點上班，可能下午3點、也可能12點上班，需要算法推測什么人排在什么時段，通過靈活排班達到效率最大化。這些觀遠也都想到一塊了，我們在關(guān)于零售數(shù)據(jù)賦能方面有很多觀點不謀而合，所以合作起來非常默契。

申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！