近兩年，伴隨流量紅利消失和供給過剩，從粗放擴張走向精細化運營，已成為諸多消費零售企業的共識。其中，數字化、智慧化作為業務的重要引擎，也在被越來越多地提及。

但在落地時，大多數消費零售企業還是一籌莫展，他們普遍存在以下疑慮：

如何判定資料對企業的具體價值，什麼時候落地系統最合適？在不同階段怎麼做升級迭代？未來通過資料化、智慧化，可以做成什麼樣的公司？

2016年創立觀遠資料，深耕零售和消費領域，圍繞資料分析決策，服務超過一百家頭部消費零售公司，包括聯合利華、沃爾瑪等五百強企業。而在最近，「觀遠資料」也獲得了襄禾資本、紅杉資本等機構的上億元B輪融資。

“過去大家關注的都是流量問題：怎麼做電商的投放、流量增長，但零售最終比的就是精耕細作，這才是未來企業的核心競爭力。”在蘇春園看來，未來好的零售企業，一定也是科技企業。

“你不能指望它馬上就能產出多麼大的結果。但只要你願意持續地投入，每天都在基於新的資料不斷迭代，在你更新365天之後，一定能甩別人十條街。”

口述 | 蘇春園

整理 | 曹 瑞

1、資料發生重要價值，需要時間的積累

最近幾年，我們看到一個大趨勢，就是現在已經不是流量的時代了，而是效率的時代。如何持續地創新，更敏捷地反應，更精準地選品……這些問題都建立在效率基礎之上。

對企業來說，這是一個從2C到2B的過程，過去大家關注的都是流量增長問題，比如怎麼做電商投放、流量運營等等，但現在比的是精耕細作，比的是效率。

無論是大資料，還是人工智慧，其實解決的都是效率問題，這才是未來企業的核心競爭力。

相比於國內，美國企業在這方面發展得很好。最大的區別在於，他們的基礎非常紮實。像星巴克這些五百強企業，它們的資料化工作堅持了很多年，到今天已經形成非常規範的資料口徑和很好的資料品質。這其實非常難得，需要很長時間積累。

國內零售企業很典型的一類問題是什麼呢？大家都說要擁抱大資料，擁抱人工智慧，但很少能堅持下來。

因為大資料未必能一下子產生多麼巨集大的價值，它需要持續積累。有一些客戶，上來就想做預測和指導，但其實沒有歷史上的促銷、門店、貨架等資料，很難一下子做出多麼大的優化。

所以資料化這個東西，越早啟動越好。把該沉澱的資料沉澱下來，該規範的管理規範起來，包括資料的品質，也要一步一步優化。就像蓋樓一樣，你不可能不要第一層第二層，直接就蓋到第五層。

而且技術沒什麼捷徑，美國的整個資訊化，也是過去30年循序漸進發展起來的。國內是最近10年才開始，還有很多不規範的地方，比如會員到底是不是本人消費的，二維碼掃得合不合規等等。因為資料是有口徑的，不是採集上來就行，還涉及到各個環節資料的規範統一。

2、中國零售的創新、迭代，將催生DT時代SAP的機會

雖然國內的基礎比較弱，但基本也以三到五倍的速度在趕超，尤其是在新技術的擁抱和處理上。

我發現我們的一些五百強客戶，像沃爾瑪、百威、聯合利華等等，他們在全球範圍內，只有跟中國才有這麼前沿的合作，包括他們很多全球的高管都來參觀。

中國在全球最能拿得出手的，就是在消費零售領域的各種創新玩法。各種線上線下的融合、體驗的迭代，還有各式各樣的線下門店，像社群生鮮，在美國根本就沒有這種概念。

這跟中國的商業環境有關，移動網際網路加上新生代的消費主力軍，創造了一個複雜又非常有活力的市場。在C端的倒逼下，你必須源源不斷地創新，在國內如果你不按照最高的要求去做，肯定活不下去。

在這種市場環境的教育下，創新已經成為主流的群體，尤其是消費零售行業，這幾年講的新零售、社交電商、小程式，如果你沒有做過這些創新，企業可能都不在了。

這樣的壓力，推著國內的零售和品牌力量變得越來越強，迭代越來越快。它們需要最新的技術，技術也永遠是跟著商業去服務，這對於我們來說是個巨大的機會。

回到一個例子，就在二三十年前，製造業蓬勃發展的時候，SAP誕生在哪？德國。全球最牛逼的製造大國。SAP把德國最先進的的產品和理念提煉出來，輸出到全球，再牛的企業也得用，而中國現在也有類似的機會。

像SAP、IBM做的都是千億美金的市場，但為什麼中國企業服務領域還沒有出現同等實力的公司呢？因為中國本質上已經不是IT的時代了，而是DT時代（Data Technology），企業需要的是DT時代的SAP、IBM。

1、通過資料，尋找100倍迭代改進的機會

如果說IT是幫企業上資料，那DT本質上就是幫企業去用資料，挖掘資料價值。在這個大趨勢下，觀遠資料的核心定位就是做一個數據分析平臺，通過分析業務資料，讓企業更好地發現問題，給出決策建議。

它是一個決策大腦的問題，是企業未來的核心競爭力所在，也是我們所有商業合作的大門。

因為企業每天都要做幾百上千個決策，補貨是不是要調整，現在表現是不是異常等等，都不好判斷。原來怎麼解決的呢？可能是一週開一次會，去分析哪些商品賣得好，貨架怎麼去調整，怎麼做促銷。但很多時候你會發現人流量沒問題，貨架也OK，但銷量為什麼不好，你找不到原因。

如果我們能通過規則、演算法，讓這件事情自動化，每半個小時就讓演算法過一次，每天按8個小時算，一週就多了一百多次發現問題的機會。

從每週一次變成每週一百次，這100倍發現問題的機會，就等於有了100倍迭代改進的機會，最後就是100倍的增長機會。一年之後，你跟隔壁店的競爭力就完全不一樣。

所以我們從第一天開始就很明確，要做的是分析平臺，要讓不同的客戶都能在這個平臺上解決共性問題。而非做專案，最後沒法規模化，還要拖累客戶，因為每個客戶都要開發不同程式碼，很多很好的行業實踐就沒法共享。

這樣的話，就要求產品本身要高度抽象，一些獨特的需求再通過配置來解決。它不是定製，是配置。這種抽象化的產品能力也是我們的核心能力，它的要求其實很綜合：

一是對資料分析的理解，企業到底應該怎麼分析資料，用哪些模型演算法；

二是對業務的理解，因為所有的分析都是輔助完成業務的，不同的業務需要什麼樣的決策方式；

三是產品技術能力，用什麼樣的技術來解決對應的問題，怎麼處理海量的資料、拓展等等。

當然，還需要你正兒八經地去服務一百個大客戶，只有踩過足夠的坑，交過足夠的學費，才能知道企業在不同階段，不同的資料來源情況下，怎麼抽象出產品。說白了也沒什麼捷徑，坐在辦公室，找幾個技術，肯定解決不了企業的問題。

2、只有資料才能解決的零售問題

落到資料分析在消費零售企業的具體實踐，我們關注三個問題：

第一是精細。消費零售這個行業，說破天就是看誰更精細。什麼是真正的顆粒度革命？從單店、單品，到單客、單時（每個小時的資料），沒有這樣的顆粒度，企業很難做好。

甚至我們還有個概念叫「單度」，比如到了八月份，氣溫每上升一度，對你每個商品的銷售會產生怎樣的影響。

這種細微的變化和規律，沒有算力，光靠人工，是把握不了的。除非遇到一個超級店長，但你一千個店裡能有幾個超級店長？這是很客觀的問題。

當然，前提是你到了一定的體量，如果只是一個夫妻老婆店，那肯定不是我們的目標使用者。本質上，我們解決的還是規模化的管理效率問題，而不是幫大家去開一個小店。

第三叫智慧決策。你能基於預測，給出行動建議。比如我未來四小時怎麼供貨？它可能跟天氣、時期、門店的畫像、庫存和供應鏈情況都有關係，其中核心就是要養資料，把分析指標體系構建出來。

只有在你積累了半年一年，資料品質越來越高，口徑越來越規範的時候，才能做到真正的預測。所以我們走到這一步的合作伙伴還很少，基本只有五百強企業才有這個基礎。

這也涉及到零售企業跟技術公司協作的問題，我認為最合適的一定是戰略合作伙伴關係，而不是簡單的甲乙方。因為數字化這個事情，不光是一個工具或者產品就能改變，企業更需要的你告訴他行業有哪些最佳實踐，給他們做一些輕度諮詢，然後再接入服務。

當然，我也接觸過一些想自己做資料分析系統的企業，最後都會發現跟想象的不一樣，一是慢，二是因為自己做，就意味著缺乏行業視角的指導。

還有一點，零售企業要招高水平的技術團隊，最後其實留不住。因為基因不一樣，真正想做技術的人，最希望的都是源源不斷地接觸新技術，一個便利店你說我要天天嘗試新技術也不可能。

所以我的建議是很明確的，最後一定是專業分工，要跟外部合作。當然，同時你也可以有自己的技術團隊，他未必要直接下手，但因為熟悉業務，在出問題的時候，大概能知道是什麼問題，就夠了。

1、看三年做三個月，針對零售場景的五步法（5A）路徑

對於零售企業的數字化，我們提出一個方法論叫「看三年做三個月」。什麼意思呢？我們根據很多領先企業的做法，幫他去推演未來三年，構建資料化能夠在哪些場景，以什麼樣的形態產生多大的價值。然後再根據你資料的基礎，去規劃眼下三個月應該怎麼去構建。

具體就是圍繞一個企業的生命週期來展開，我們稱之為從BI到AI的「5A五步法路徑」：

第一步是敏捷化（Agile）。企業不管是新業務還是傳統業務，都需要不斷去發現問題，然後迭代優化。比如你哪個產品進了微商的群，或者線上下做了一個掃碼購，第一步就是要分析它的效果。

「敏捷化」的意思就是，從經營分析這個核心場景去切入，監測你在不同渠道和不同場景的表現，能夠快速地把你基礎的資料分析體系給建立起來。

第二步叫場景化（Accurate）。就是人貨場、進銷存的全面覆蓋，通過產品復購資料，不斷地分析你的同款比、七天流水、復購等等，再借鑑行業最佳實踐，幫你搞清楚這個單店到底該怎麼做。

比如你有一千家店，在場景化之後，我能告訴你每個店應該怎麼監控，缺貨指標有哪些，缺貨時具體應該怎麼分析決策等等。

這個問題看似簡單，但在連鎖業態真正落地的時候，你是不知道什麼時候缺不缺貨的，它有很多關聯的要素和指標，可以被不斷梳理出來。

第三步叫自動化（Automated）。當你基礎的資料分析體系構建好了，整個全場景的監測和分析指標也梳理出來之後，怎麼做到每隔半個小時就自動處理和監測，怎麼讓它自動去完成資料分析。

第四步叫增強化(Augmengted)。就是AI增強分析，基於不同的SKU，不同的庫存和物流時間，不同的客流等等，找到裡面千絲萬縷的聯絡和規律，然後給出預測。

第五步行動化(Actionable)。就是基於預測，給出決策建議，比如我應該怎麼補貨、怎麼調整品類、貨架等等。

這是我們獨創的針對零售場景的智慧資料分析路徑。你未必要嚴格按照這個來，因為不同的企業，數字化基礎不一樣。如果你的基礎比較好，我們也推薦你直接進入後面的步驟。

但國內的企業一般都處在前三步的階段，跟我們走到第四第五步的基本都是五百強。

2、數字化的「大腦」和「五官」，做深決策分析

數字化的工作大家可能都在做，但差異很大。我們最初做觀遠資料，也是看到很多大公司，包括外企，還在用Excel報表的形式在處理資料。這種方式只做到了資料最基礎的一層，你能看到資料，但沒有分析，沒有決策，也不智慧。

這些需求其實一直都有，但為什麼原來沒有做到？核心就是2016年開始的三波技術浪潮：算力、演算法、資料。只有這幾個結合起來，才能解決前面提到的問題。

比如一線門店的訂單，你怎麼實時監測，快速處理？你怎麼去分析海量資料形成的千萬種組合，對銷售產生的影響？

這就是我們做分析決策，和很多其他做資料分析公司最本質的區別。我們碰到很多專門做門店資料採集，專門做供應鏈優化，以及專門做使用者行為的等等，但我們的定位是資料分析平臺，解決的是決策問題。

任何一個重要的決策，都要融合企業的各個環節來看，不管門店資料，還是供應鏈，都只是其中一個環節。如果你只有門店資料，比如你知道張三來了，但如果沒有其他資料，沒有分析，你也不能怎麼樣？

可是針對歷史資料，你知道他不同的時間點喜歡幹什麼，再結合庫存、貨架的情況，以及是不是處於促銷的狀態等等，就能做出分析預測，而不是推薦你本來就缺的產品。

當然，不管是從什麼角度做資料分析，大家都是有價值，並且是互補的。比如你在門店裝了一個「眼睛」，可以實時監測動態，但同時你要跟其他資料結合分析，才能知道，貨架到底要怎麼擺放，動態地監控怎麼轉化成和銷量的關係？

他們相當於是支援我們的一個個五官，我們更像是最終匯聚資料做決策的大腦，這是我們的核心能力。

未來我們也會聚焦這一塊，把各種分析決策做深入，怎麼把預測做得更精準，而不是胡亂延伸。因為每個企業都要面臨會員的流失，商品的補貨，門店的動銷等等問題，這些場景都需要預測，所以做好預測還是非常有價值的。

3、未來好的零售企業，一定也是科技企業

從2017年服務第一個使用者到現在兩年多，我們每年大概都有5倍以上的增長，到現在已經服務一百多家消費零售的新經濟企業。

當然，我們也不著急，因為未來每一個牛逼的零售企業，一定也是科技的企業，否則一定跑不出來。現在對於領先的企業來說，資料分析可能是一個差異化的競爭手段，但未來肯定會成為企業的標配，是你必須要具備的能力。

所以我經常說要有信仰，你不能指望它馬上就能產出多麼大的結果，覺得自己馬上就可以取代誰。但它有一個複利效應，如果你持續地投入，每天都在基於新的資料不斷迭代，更新365天之後，一定甩別人十條街。

現在很多零售企業，會花很多時間做前端做增長，比如網紅店，通過各種營銷活動、創意玩法，很受關注，但大部分其實缺一個底層的東西，去支撐它持續地做下去。

當然，對於前端的創意，我們肯定要尊重，特別是要利用每個企業家獨有的審美，形成他的判斷，這個沒毛病。但與此同時，你一定也有科技的一面。

科技本質上是解放創業者的腦力，把每天大量的分析和決策通過演算法來實現，把你在前端創意的優勢放大。因為真正有智慧做決策的人一定不到百分之一，如果能通過技術去完成這一步，其實大大地減輕了創業者的負擔。

所以同樣的企業，通過把演算法算力的作用發揮出來，每天去迭代，就能比過去多發現十倍百倍的增長機會。這就是智慧時代跟工業時代、IT時代最大的區別。