2018零售新机遇——AI+BI构建零售决策大脑

我的分享主题是AI+BI构建零售决策大脑。

我的经历很简单，在美国卡内基梅隆大学读数据分析与挖掘方向，毕业后加入了MicroStrategy微策略软件，领导全球几百人的团队做产品与研发。过程中有机会服务了大量的头部零售品牌，比如星巴克、肯德基、Zara等国际标杆零售品牌。

之所以创立观远数据，在过去服务肯德基、星巴克等公司时，他们非常数据化做运营决策。以肯德基为例，大家可以猜一下有多少人在做数据分析，支撑每天几万家店做日常运营决策？这背后有数百人的数据团队，以及数千名在各个业务部门能做数据分析、探索与决策的业务与管理人员。这是支撑它能够全球扩张，至今保持竞争力的很厉害的技术，也基本代表了全球最佳的数字化经营水准。

而中国只有BAT公司才有这样的团队配备。所谓“人人都是数据分析师”这个概念很火，包括好朋友、原阿里副总车品觉老师，也曾经提到一个概念——“无人不是数据分析师”。但和他沟通之后，发现我们有共鸣，那就是是说对于国内来说更多是期望大家都有数据分析的思维，但肯定没有土壤去真正指望零售企业里面有很多人能做很厉害的分析师，能很厉害的去主动做分析和用数据做决策。” 所以基于这样的差异，我们提供的是中国本土企业所需要的数字化解决方案。深耕本土需求，这是区别于国际主流品牌的差异。创始团队也包括来自阿里系以及其他500强公司背景的合伙人。

另外，我们最近参与了微软Smart Retail智慧零售大中华区项目，与领先的零售客户合作，他们拿出最真实的数据，比如销售预测、门店异常分析，我们观远数据拿了上海站的冠军。

今天谈了很多“人、货、场”，在座各位都是专家。但我们看到第四个元素越来越重要——“脑”。

零售新四要素是“人、货、场、脑”。决策大脑干什么？从简单的单品单店分析、门店经营异常监控排查，到深入的销售预测、智能备货等场景，这些重要、高频的决策需要有机打通“人、货、场”，包括POS、ERP、CRM、供应链等系统以及各种外部数据，形成更自动和更智能的决策。

比如以新零售最快速发展的便利店客户为例，7-11、全家的鲜食类占比达到50%，如何订好？订多了损耗，订少了损失销售机会，如何预定。比如未来24小时不同时间段不同门店的天气数据，五一劳动节马上要来，五一甚至五一长假前一天的早上的销售都有规律，都和平时不一样。我们正看到在决策大脑这个“脑”方面越来越多的公司在深入投入，打通并赋能回馈到“人、货、场”。

商业决策谈了多年，过去如何解决这个问题？更多是通过传统站桩式看数据报表。最大的问题就像我们面对大量的数据和报表，根本没看懂，没法得出做什么的结论。一脸懵圈。但在未来，我们正在和很多零售领域一起构建的，如何真正打通从数据到决策的闭环。从BI到AI的5A五步法路径，敏捷化、场景化、自动化、行动化和增强化。

那几个案例分享。很荣幸在过去不到两年时间里，服务了很多零售客户，这里选择三家，都像早上也是我们的投资机构红杉资本的刘星总谈到的，对技术驱动零售一定要有信仰。很幸运我们与几家有科技信仰的公司一起做创新：

来伊份——几千家门店，如何把数据赋能到每天千变万化的每个决策里；

Today今天——华中地区的第一便利店品牌，来自于互联网公司非常强的零售技术天团；

猩便利——互联网基因的新零售物种。

很巧的是，这几家在大家前面的分享里面都有提到，作为新锐零售的代表，我们很荣幸为这几家都提供了服务。

接下来和各位分享把案例串联起来的5A五步法：

敏捷化-Agile：

我们和很多客户在非常短的时间，最快一天时间，形成大屏，形成比如CEO看板等，快速监控最重要的指标。我们发现国内外的不同在于国内数据驱动决策，一定是一把手工程，老板看数据，整个事情便转动起来。轻、快、易、灵，极度敏捷的开启数据分析。

以便利店为例，品类的管理，营运部门从总部、区域到门店，从单品到单店、供应链、营销，每一个环节的数据都在变，如何快速形成指标体系。这是一个基础，也是一个重要的基础，非常敏捷的构建。

而我们的产品形态，在完成数据接入后使用时简易性接近Excel。

场景化-Accurate：

除了敏捷的构建，我们给客户针对不同行业的方案。以连锁便利店为例，可以选择对应场景模板，里面最重要的角色是门店运营。我们通过行业专家构建了最适合这个行业的十大分析主题，上百个指标，若干个分析场景。并不断和行业同行一起丰富这个行业最合适的分析场景。一键式应用，把所有场景关联到模板。

自动化-Automated：

当前面分析构建后，接下来企业决策一定不是每天主动看前面构建的数据有没有问题，正常情况下不需要看，一定是出现异常时，我们称之为“数据追人”。原始数据在SAP、金蝶数据库中达到相对低的水位，在未来24小时外部天气可能有非常舒适、温和的天气。根据历史数据的分析规律，我们会做数据处理、监控及分析过程，并做出潜在预测可能会对经营的变化，通知对应的设定的决策。这是过去解析数据，到数据主动追人，提出预警。

行动化-Actionable：

自动化可以更聚焦业务环节，数据会追着他，告诉他应该采取什么样的行动。过去每周有销售数据，以简化版为例，右上角有异常点，这个点高是异常还是不是异常，应该采取什么对应策略。我们所做的是在后台有机器学习算法，对于连锁门店来说每日销售额重要，通过杜邦模型，在后台通过算法，发现最有可能影响销售的原因，比如以社区生鲜店为例，某些店如果到了中午12点，销量处于30%内，如果那天是周六，应该主动给门店店长促销决策建议，背后我们通过的是前面陆续构建的机器学习体系，结合业务逻辑的植入，最终落地决策建议，这是行动建议。

对于连锁品牌来说，比较缺的是好的店长。比如100个门店有5个好店长，让所有店长在80%的情况下具备最好店长的决策水平，这是可以量化的项目。

增强化-Augumented：

从BI到AI，我们越来越AI化，这是一个鲜食预测和智能订货，如何让门店精准的订购第二天可能会消耗的便当数量。进一步优化，跟业务逐步磨合，达到显著的改善。

比如我们跟500强的客户，在其销售预测端、偏营销ROI分析优化端，为什么我们提出Augmented，一定是深度应用，谁拿个AI给你，直接上来说可以用，这肯定是胡扯。AI没有通用，只能跟场景深度解决，这是解决企业最有深度的场景。从我们作为合作伙伴的角度，80%的东西会被分享出来，20%跟企业深度磨合，它产生的价值逐级增长。

最后小结一下，所有的客户都具备大量数据资产，如何从数据得出最智能、最有价值的预测？

在上大数据项目时候，碰到非常多的下面两点，也是我们的提醒和建议：

第一，千店的品牌，希望智能订货直接上一个AI，但与对方一起发现我们首先要知道过去门店端的促销数据，如果没有这些促销数据，你无法做关联分析和决策。大家很快意识到倒逼我们要回到BI基础体系构建，过程中夯实AI基础。

第二，碰到很多客户，偏ERP时代的做法，希望等所有的业务系统非常完善后，再做数据分析与决策驱动。其实现在到趋势都是并行了，因为我要做什么经营决策，比如订货、异常分析，我要启动这件事，才知道现在的IT系统有没有采集到对应的细颗粒度数据，很多时候很晚才发现需要重构ERP系统以及优化业务流程。

这是我碰到的比较常见的两个误读，作为最后的分享和提醒。谢谢大家！