一、数据分析与决策的场景与挑战
任何一个企业都不缺数据，怎么处理这些数据，如何通过数据产生决策及对应的商业价值呢？今天跟大家聊聊我的体会。
观远数据团队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。
我们以连锁经营品牌的门店运营为例，100家或者1000家也好，这些门店里哪些门店哪个时段的表现好还是不好，如何判断？过去一周哪些重要的吸客商品经常在晚高峰来临前售罄？低于安全水位的商品能否第一时间预警补货？端午小长假不同客群标签的门店销售有什么样的不同趋势，如何提前准备备货与营销？
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。
企业里面是有大量数据，但是却无法根据这些数据做出决策。最典型的三个挑战有：
第一， 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。
二、从基础分析到智能决策的方法论
怎样从简单分析进而进行智能决策呢？这里面有5个步骤。
敏捷化：观远数据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。我们会轻、快、易、灵，极度敏捷的开启数据分析。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。
场景化：除了敏捷的构建，观远数据给客户针对不同行业的方案。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。
自动化：当前面分析构建后，接下来企业决策是在出现异常时的“数据追人”。根据历史数据的分析规律，观远数据会做数据处理、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。
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，这是观远数据和客户合作的场景。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，观远数据通过杜邦模型，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。
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。
首先是敏捷化。过去不管是Excel还是传统的报表系统，最大的问题是大家不在一个频道上对话。而敏捷的看板能保证老板、CEO关注的数据和一线门店的店长要看到的数据在一个平台上。这里面的挑战是它所构建的门槛较高，需要专门懂BI或者能建立模型的人。而在互联网时代，客户需要的是“极度敏捷”，不需要具备太多的IT知识和培训，在以小时为单位之内的实际，就能快速的将对应的数据拿出来分析好。
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。而通过观远数据产品，我们把这个赋能给业务人员。
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第一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。
三、案例分析与讨论
1、来伊份--从IT到DT的数字化转型
我们分享的第一个案例是来伊份。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。观远数据与来伊份有很多深入合作，这里面简单提两个场景：
第一个场景是监控大屏。通常在关键的业务场景中都会设置一个数据监控大屏，有了这些大屏之后就可以根据业务的变化及时发现问题并弥补解决。观远数据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作战大屏，那个更是形象工程；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。
第二个场景是数据自动分析和数据追人。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。
2、Today便利店--数据驱动经营进化
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。怎样用数据驱动门店的精细化经营以做到单店极致？
上图是Today的大数据规划，观远数据有幸参与这个规划和构建的过程，并提供观远数据产品技术进行协助。如何支撑整体运营决策？怎样形成各个业务部门的指标体系？怎样借助每一块业务对应的指标体系形成的主题分析，智能的解决问题？这些都是逐层递进的关系。
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。我们试想：当门店超过百家后，如何评判一个门店的表现是否健康？如果不健康，最后可能是什么原因？是产品端还是客流，还是库存，或者是其他非常规因素需要引起警惕？门店的日商有哪些维度的指标组合？这些组合如何导致了最后的销售表现？
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。
3、某全球知名运动品牌在中国的零售挑战
观远数据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。从数据分析的角度来说，因为是多品牌、多渠道、多区域，它面临的挑战是需要分析的数据颗粒度差异很大 。
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。
通过和观远数据合作，让商品部门自动化的对每一个商品进行库存分析，第一时间发现库存里不同SKU存在的的潜在问题，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。
总结一下，用数据赋能零售，本质上是要让企业里面95%的普通人员，在大部分场景下， 具备企业里面最懂分析最会管理的那5%的人的决策能力。通过构建零售数据决策引擎，去系统化的支撑企业的经营扩张和精细化管理。
第三十八届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训
责编：fanwei
免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
抢沙发
