本文转至“品途菁英会”公众号

构建零售决策大脑

数据分析的挑战与实战案例分享

观远数据创始人兼CEO苏春园在品途菁英大讲堂分享了他对于零售数据决策分析的思考及相关案例，希望对你有所启发。

我过去十几年一直在做数据相关的事情，包括数据分析与挖掘、商业智能等等，服务了包括星巴克、肯德基、7-Eleven、麦德龙、Adidas等大企业，也有机会看到他们从本土到全球的扩张过程中数据所扮演的关键价值。

说到零售，大家都在谈“人、货、场”，任何一种决策都需要打通“人、货、场”的环节。然而我们还发现新零售的第四个要素在扮演越来越重要的角色——“脑”，也就是决策的大脑。

这些决策的背后都需要打通人、货、场等不同的维度，甚至进入到背后的市场支撑——进、销、存、ERP等等。因此决策本质上需要的能力是怎样系统化、规模化的从运营、品牌营销到供应链的角度进行数据的分析。

，有数据，没分析。

比如在开会结束后，CEO让小张把结果找出来——这就是数据。如果CEO让小张把商品在过去3天销售幅度下降排名前十的找出来——这就是分析。

第二，周期长，响应慢。

这里面的周期、门槛等原因使得会议当时很难形成决策。会议上大家只可能把数据拿出来进行处理，而不会在现场进行分析决策。

第三，只能看，没行动。

大量的数据可以用传统的报表等方式呈现，但当数据呈现以后， 怎么去解读这些数据，更进一步应该采取哪些行动，又是让业务决策人员非常头痛的问题。

这里面最基本的挑战是有数据，但是难以形成比较好的决策。

，敏捷化：

我们和很多客户在非常短的时间内形成大屏，比如CEO看板、快速监控等重要指标。我们的产品特点是轻、快、易、灵，能够极度敏捷地开启数据分析。

以便利店为例，运营部门从总部、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是一个非常重要的基础。

第二，场景化：

除了敏捷的构建，我们给客户针对不同行业的解决方案。以连锁便利店为例，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，100个指标，若干个分析场景，并不断和同行一起丰富最合适的分析场景、一键式应用等，把所有场景关联到模板。

第三，自动化：

当前面地分析构建后，企业决策便发生在出现异常时的“数据追人”。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。

第四，行动化：

自动化更聚焦业务环节，用数据追人，告诉他应该采取什么样的行动，这是我们和客户合作的场景。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。

我们在后台有机器学习算法，对于连锁门店来说，每日的销售额极为重要，我们通过杜邦模型，在后台通过算法，发现最有可能影响销售的原因，以社区生鲜店为例，如果到了中午12点，销量只有预计的30%，系统就应该主动给门店店长提供决策建议。

第五，增强化：

从BI到AI越来越深入，比如更精准的预测门店第二天的销量以及智能订购更合适的时效性商品数量，并且形成数据闭环，让业务与算法不断磨合，不断产生可以量化的效益提升。

探索数据关联性，观远赋能业务人员：

上面这是一个从数据到形成分析的过程。背后一个经典的例子是啤酒与尿布的故事，大家都耳熟能详，沃尔玛通过算法发现啤酒与尿布在特定的一些季节有销售的关联关系。

而在企业中，要探索类似这些关联，需要专门的算法团队或工程师，对每天经营后台的相关数据使其关联计算、分析，以发现某些品类与其他品类的关系。而通过观远的产品，我们把这个赋能给业务人员。

溯源应用场景，观远助你及时预警：

又比如，企业往往会考核某一单店或者某一品类的盈利结构。从财务角度我们往往会看企业的毛利，毛利又可细化为不同的指标，如销售、客单价和销量等等。当一步步分解到最后，影响它的实际是在某一时段某一商品的销售异常。而我们观远数据可以通过机器学习、AI的算法做因子分解，找到最有可能发生的应用场景，并及时预警。

以一家连锁门店为例，当连续两天下午四点出现商品库短缺的情况，对应门店的负责人就会时间通过手机端或者OA收到推送，这背后不光是告诉他数据的变化，更多是告诉他一些业务规则并给到行动建议。

我们分享的个案例是来伊份。

来伊份是个上市公司，有2000多家连锁门店。他们的IT基础比较完善，尤其创新意识非常的前瞻。线下门店只是它的一部分业态，此外还有很多创新的全渠道业务场景。

我们观远与来伊份有很多深入合作，这里面简单提两个场景：

我们建议的并非是大家都要去花很大投入做一个类似阿里的双十一大屏，那个更像是形象工程；我们的建议是需要根据业务的真实需要，快速构建场景大屏，以及之后的快速调整监控指标，并及时发现问题。

以财务为例，来伊份作为上市公司，财务的数据非常复杂，要求很高。

但这里面有很多数据处理与分析流程是相对重复的，怎么把这个动作自动化呢？我们只要花上几分钟的时间就可以自动运行，并分发给不同的人，通过更自动化以及全维度的分析现场的方式将80%的场景自动覆盖掉。

Today便利店是中国便利店的新锐领军品牌，华中地区的行业领导者，门店数达到400家。

上图是Today的大数据规划，我们观远有幸参与这个规划和构建的过程，并提供我们的产品技术进行协助。

举个例子，上图是门店健康检查的模拟demo，适用于各种连锁业态，比如星巴克等等。

上图的左边是一个理论框架，但光有框架还远远不够，还要得出类似于右边图的健康诊断报告，通过模型化的算法和自动化分析的体系把左边的体系通过分析得出右边的结论。

比如早上8点钟，自动诊断过去一天的表现，再自动拆解到最有可能的影响原因，到个时间段的销售是否正常，哪些品类的销售有异常等等。这背后我们创新的置入了“虚拟标杆店”等这样的模型与算法，最后自动的进行分析与诊断。

我们的另一个客户是全球知名运动鞋服集团，旗下包含一系列大家很熟悉的子品牌。和我们服务的其他500强客户类似，他们也是基于SAP的ERP系统，它的整个IT架构较为复杂。

海量的业务数据，多数据源处理：

随着中国的业务不断创新，大量的业务数据，以商品管理这条线为例，需要不断进行二次加工、汇总、分析与分发，与相关的生产计划部门进行库存管理和生产安排。

而数据有些是在不同Excel的不同表里，有些是在ERP的不同模块里，有些又是经过预处理的中间数据。

自动化分析，提高时效性：

我们的合作，让商品部门自动化的对每一个商品进行库存分析，时间发现库存里不同SKU存在的潜在问题，并关联到对应的角色。以这一个小场景为例，原来需要每周2天的相对重复性的工作，直接降低到20分钟，而且是系统自动的完成。