2020年注定是載入史冊的一年。逆境之下，新一代消費(fèi)心理和營銷模式正發(fā)生巨變，零售企業(yè)的“人貨場”格局自此面臨重塑，數(shù)字化轉(zhuǎn)型再次被推上促增長的拐點(diǎn)。不確定性已經(jīng)成為常態(tài)，精細(xì)運(yùn)營、快速反應(yīng)，讓決策更智能，將成為未來十年的確定性。

10月23日，2020觀遠(yuǎn)數(shù)據(jù)智能決策峰會暨產(chǎn)品發(fā)布會在上海舉行，本次峰會由國內(nèi)零售智能分析領(lǐng)域的領(lǐng)先企業(yè)觀遠(yuǎn)數(shù)據(jù)主辦。此次峰會匯集了500+來自連鎖零售、快消品牌、購物中心、新經(jīng)濟(jì)消費(fèi)等各個領(lǐng)域中有代表性的企業(yè)高層，釋放前沿觀點(diǎn)，解讀疫后企業(yè)數(shù)字化轉(zhuǎn)型方法，共同探索通往數(shù)據(jù)智能的新路徑。

黑蟻資本運(yùn)營董事劉湛帶來了《資本前瞻：貫穿商品生命周期的數(shù)字化運(yùn)營》的主題演講，他表示，我們需要數(shù)據(jù)和系統(tǒng)讓所有的運(yùn)營規(guī)則得以沉淀，通過快速試錯縮短反饋周期，在原有運(yùn)營基礎(chǔ)上不斷探索和嘗試來實(shí)現(xiàn)復(fù)合增長。他認(rèn)為，運(yùn)營進(jìn)化分為四個階段，而最終階段應(yīng)該是一個智能化的階段，通過機(jī)器學(xué)習(xí)尋求最優(yōu)解。

以下為劉湛演講摘要：

黑蟻資本是一個專注于消費(fèi)領(lǐng)域的新興資本。我們注重投后的賦能，希望能跟企業(yè)一起共同成長。我加入黑蟻時間也不長，之前在零售企業(yè)工作過較長的時間，也做過不少數(shù)字化轉(zhuǎn)型方面的探索與嘗試，今天主要圍繞這些內(nèi)容進(jìn)行分享。

分享的內(nèi)容分三部分：一是運(yùn)營的演進(jìn)路線：我們運(yùn)營到底如何打怪升級；第二，圍繞商品如何做全鏈條數(shù)字化運(yùn)營；第三分享一些數(shù)字化轉(zhuǎn)型的案例。

運(yùn)營進(jìn)化的四個階段

我們需要使用數(shù)據(jù)和系統(tǒng)讓運(yùn)營規(guī)則得以沉淀，并且通過快速試錯縮短反饋周期，在原有運(yùn)營基礎(chǔ)上不斷探索、嘗試，以實(shí)現(xiàn)復(fù)合增長。

在我看來，運(yùn)營進(jìn)化分為四個階段：第一個階段是一體化：主要是消除信息孤島，將割裂信息串聯(lián)起來做一體化的分析，實(shí)現(xiàn)全流程全場景的打通。這個地方有兩層含義：一方面是我們要干掉Excel，不再是使用Excel去存儲數(shù)據(jù)、更新數(shù)據(jù)以及傳遞數(shù)據(jù)；另一方面我們的文檔存儲的是非結(jié)構(gòu)化的數(shù)據(jù)，所以我也不希望看到企業(yè)繼續(xù)使用word來記錄我們產(chǎn)品文檔和業(yè)務(wù)文檔，以及通過微信來傳播這些文檔。因?yàn)檫@種文檔和數(shù)據(jù)的管理方式缺乏協(xié)同，缺乏版本管理，會增加我們溝通的成本。

有了這個基礎(chǔ)之后，我們需要把所有數(shù)據(jù)匯總到數(shù)據(jù)倉庫，從而實(shí)現(xiàn)比較高效的可視化分析。能夠通過看板從各種維度分析數(shù)據(jù)，看到一些現(xiàn)象，猜想其現(xiàn)象背后的原因可能是什么，做出一些假設(shè)，思考如何解決這些問題。在這個過程中，我們的運(yùn)營水平得以更上一個臺階，就可以開始做一些差異化的運(yùn)營嘗試，將差異化的現(xiàn)象變?yōu)閭�性化運(yùn)營的機(jī)會，嘗試精細(xì)化運(yùn)營。

精細(xì)化運(yùn)營之后，想要再進(jìn)一步，精細(xì)化的程度需要更上一層樓。但這一過程中，數(shù)據(jù)量的暴增會讓我們運(yùn)營探索工作變得更加復(fù)雜，此時必然要走自動化的道路。只有把人工的經(jīng)驗(yàn)沉淀成固化的運(yùn)營規(guī)則，才能維持高復(fù)雜度的精細(xì)化運(yùn)營。

但是，把人工經(jīng)驗(yàn)全部沉淀到系統(tǒng)還不是運(yùn)營的一個最終階段，最終階段應(yīng)該是一個智能化的階段，通過機(jī)器學(xué)習(xí)尋求最優(yōu)解。

全鏈條數(shù)字化運(yùn)營

很多企業(yè)剛剛起步的時候并沒有龐大的IT團(tuán)隊(duì)，此時做系統(tǒng)不是一件容易的事，只能依賴第三方的公司。這時的數(shù)據(jù)還比較輕量，不需要很多人就能通過數(shù)據(jù)分析快速得出一些結(jié)論和方向性的指示。

數(shù)據(jù)有三個層面：第一個叫know what 第二know why 第三know how。

第一要把數(shù)據(jù)字典建立起來，了解公司有哪些運(yùn)營核心指標(biāo)，讓指標(biāo)可視化、可監(jiān)控；第二，發(fā)現(xiàn)一些差異化的現(xiàn)象，比如銷售不穩(wěn)定，為什么銷售不穩(wěn)定？依靠數(shù)據(jù)的分析給我們一些思路和答案，通過3個非常重要的維度——時間、空間跟品類進(jìn)行拆解。找到原因之后，我們最終的目的是什么？是要做出改變，這就到了know how的這個層面，根據(jù)猜想做一些驗(yàn)證和小范圍的測試，一旦驗(yàn)證成功，要想辦法把它沉淀到規(guī)則和系統(tǒng)里去，把算法、模型、規(guī)則以及流程放到系統(tǒng)中，下一次便可以在原有基礎(chǔ)上做分析、拆解、驗(yàn)證、沉淀，形成一個快速反饋的鏈條。

回到門店也是一樣的思維邏輯，要注意的有兩個前提：第一，如果是一個比較新的企業(yè)，你有沒有歷史數(shù)據(jù)？如果沒有歷史數(shù)據(jù)，就難以快速去做這個事情；第二，擁有歷史數(shù)據(jù)，但要注意數(shù)據(jù)是否具備分析價值，是否平穩(wěn)。如果開店速度特別快，數(shù)據(jù)又不穩(wěn)定，那么參考價值就比較低。如果是一家經(jīng)營了3到4年的企業(yè)，每年開店的速度又比較健康恒定的，那么數(shù)據(jù)參考價值就比較高，可以去做這個事情。

這是我們之前做門店分析總結(jié)出來的經(jīng)驗(yàn)跟流程。首先我們會分析門店的歷史數(shù)據(jù)，然后對陳列的現(xiàn)狀通過巡店做一個分析。在巡店過程中，需要從各種維度看門店的數(shù)據(jù)，比如看單品的數(shù)據(jù)，看商品的庫存，過去7天的銷售，過去14天的銷售等等，此外，還可以看看別的門店的情況，商品的銷售排行狀況等等。

做完這些分析之后，我們就可以開始做一些調(diào)整計(jì)劃，讓店長跟店員配合執(zhí)行。在這個過程中，我發(fā)現(xiàn)其實(shí)店長跟店員是比較難推動的，所以我們要把數(shù)據(jù)進(jìn)行比較精細(xì)化的處理，最好直接給到簡單易用的行動建議。如果我們沒有把know how這步做好，店長、店員可能會看不懂?dāng)?shù)據(jù)，不利于調(diào)整的推進(jìn)。

陳列藝術(shù)與庫存平衡

再講下陳列的藝術(shù)，很多時候我會從經(jīng)濟(jì)學(xué)原理得到一些啟發(fā)，萬物都是相通的，從數(shù)學(xué)原理到經(jīng)濟(jì)學(xué)的原理給到了我很多的靈感。

陳列中有一個概念叫最小陳列量，就是一種商品最少要放多少。那么這個最小陳列量到底是怎么算出來的呢？我想到經(jīng)濟(jì)學(xué)的一個生產(chǎn)函數(shù)，核心的三個指標(biāo)：總產(chǎn)量、平均產(chǎn)量、邊際產(chǎn)量。如果超過最小陳列量，之后再往上疊加商品，每個商品帶來的平均產(chǎn)出會愈來愈低，但是沒有達(dá)到最小陳列標(biāo)準(zhǔn)的時候，平均產(chǎn)量更是遠(yuǎn)低于正常水平，所以那個合理的最小陳列量在哪里，這需要我們要做數(shù)據(jù)統(tǒng)計(jì)分析。

利用觀遠(yuǎn)的可視化工具，我們做了一個很直觀的分析。具體做法是：我們把數(shù)據(jù)的分析粒度放得很細(xì)，每個單品在每個門店每一天的庫存數(shù)量和銷售數(shù)量全部抓出來，然后做聚合，聚合之后我們就可以生成右邊這樣的兩張圖線，可以看到邊際產(chǎn)量跟平均產(chǎn)量發(fā)生兩次的cross over。

這一頁講的是庫存平衡的藝術(shù)，做零售其實(shí)就是要找一個數(shù)學(xué)最優(yōu)解。什么是庫存平衡的最優(yōu)解？庫存平衡的挑戰(zhàn)在于需求不穩(wěn)定以及供給不穩(wěn)定。

關(guān)于庫存平衡，我覺得首先得看看自己是一個什么樣模式的企業(yè)，售賣的是哪些品類的產(chǎn)品，因?yàn)椴煌髽I(yè)會有不同的輸入?yún)?shù)。其一是安全因子，是服務(wù)水平的標(biāo)準(zhǔn)正態(tài)分布求逆，要先設(shè)定商品滿足率的目標(biāo)，或者缺貨率的目標(biāo)，明確能容忍多少的缺貨率，是10%還是20%，如果是10%對應(yīng)的這個因子是1.28%，即90%的概率都不缺貨。應(yīng)當(dāng)衡量當(dāng)我多賣出一個商品的時候，我的邊際收益是多少，以及多積壓一個庫存的時候，邊際損失是多少，然后綜合兩者衡量一下這個水平到底是多少，繼而反推安全因子再帶進(jìn)公式中完成計(jì)算。

我們還可以做得更精細(xì)一些，一般講缺貨率并非全局缺貨率，只要保證頭部商品不缺貨就行了。在二八效應(yīng)之下，頭部商品為我們的銷售提供主要貢獻(xiàn)，把頭部商品保住，基本銷售就得到保證。頭部還可以再分細(xì)一點(diǎn)，比如說頭部的Top100和Top300可以區(qū)別對待，設(shè)置不同的缺貨率計(jì)算出不同的結(jié)果。

配補(bǔ)算法相當(dāng)于足球場上的腰部中衛(wèi)，起著承上啟下的作用，連通前端銷售和后端采買，如果給門店的品類組合預(yù)留一些彈性伸縮的空間，就可以通過配補(bǔ)算法對門店的品類占比變化進(jìn)行反饋，進(jìn)而反饋到企劃層牽引全盤的品類組合變化, 加強(qiáng)采買計(jì)劃、反饋調(diào)整的頻次。

銷售預(yù)測與智能選址

我也做過一個購物籃分析，就是通過統(tǒng)計(jì)概率的概念，用FP-Growth算法來實(shí)現(xiàn)。在用戶行為預(yù)測這一塊，我們是用的是機(jī)器自動學(xué)習(xí)，能夠去預(yù)測用戶未來3天購買的概率有多大，以及3天之后他用券的概率有多大，能看到找出的關(guān)鍵因子在不同的場景下存在差異。

銷售預(yù)測，很多人會問：你這個算法銷售預(yù)測能做到多少？這里有一個前提。首先，為什么做這個銷售預(yù)測？第二，銷售預(yù)測的粒度是什么，做到什么粒度。這又可以回到剛才我們講的時間、空間和品類三個維度，回到做什么力度的銷售預(yù)測這個問題。然后，是做整個大盤的預(yù)測？還是做其中某個品類的還是單品的預(yù)測？做品類時，還要看它是季節(jié)性還是非季節(jié)性，比如服裝本身單款銷量不高，生命周期又比較短但交期比較長，因此服裝的銷售預(yù)測是比較具有挑戰(zhàn)性的。

我們做預(yù)測目的是什么？銷售預(yù)測我覺得最大的目的是幫品牌做企劃，銷售預(yù)測做得比較準(zhǔn)，企劃就比較容易做了。當(dāng)你清楚未來6個月到底要備什么貨，企劃就可以加各種規(guī)則和約束，來避免發(fā)生太多因人為錯誤導(dǎo)致偏離目標(biāo)太遠(yuǎn)。

預(yù)測跟剛才講的安全庫存一樣，預(yù)測也不是說要預(yù)測所有的商品，也可以只預(yù)測頭部的商品。我們自己之前還開發(fā)過一個智能選品的小工具。我們常說，產(chǎn)品計(jì)劃是一個理性決策，商品計(jì)劃是感性決策，那么如何給到感性決策一些理性支撐？

以熱水袋為例，我們把全網(wǎng)數(shù)據(jù)扒出來，買手輸入關(guān)鍵詞，然后在全網(wǎng)扒一些銷量高的商品，還原成柱狀圖，我們買手就可以看到最暢銷的熱水袋在怎樣的價格帶分布。同時，我們把全網(wǎng)最暢銷的商品的屬性數(shù)據(jù)全部都抽取出來聚合形成餅圖，就可以看到2019年熱水袋的填充物應(yīng)該是要用水而不是化學(xué)材料的，這些可以給到我們買手選品方面的支撐。

最后關(guān)于智能選址，我們也做了一個工具，根據(jù)自己扒的宏觀外圍的數(shù)據(jù)，跟人工填的微觀數(shù)據(jù)放在一起，大概有四五十個維度，通過機(jī)器學(xué)習(xí)大概可以達(dá)到70%多的水平。我們也拿了200多個門店的歷史數(shù)據(jù)來做訓(xùn)練集，這里還有一個提升空間——這些數(shù)據(jù)都是根據(jù)我們自己內(nèi)部200多個門店訓(xùn)練出來的數(shù)據(jù)，我們還可以找到一些對標(biāo)品牌，把他們數(shù)據(jù)扒出來做一些分析。

現(xiàn)在有些品牌在用一些比較偷巧的方式做選址，就是跟隨策略，肯德基選址是非常有名的，很多餐飲選址就看KFC怎么開店了，還可以通過評論的密度能夠推測出來區(qū)域餐飲熱度如何，然后再決定我們要不要開在那個區(qū)域。