近两年，伴随流量红利消失和供给过剩，从粗放扩张走向精细化运营，已成为诸多消费零售企业的共识。其中，数字化、智能化作为业务的重要引擎，也在被越来越多地提及。
但在落地时，大多数消费零售企业还是一筹莫展，他们普遍存在以下疑虑：
如何判定数据对企业的具体价值，什么时候落地系统最合适？在不同阶段怎么做升级迭代？未来通过数据化、智能化，可以做成什么样的公司？
为此，浪潮新消费专访了观远数据创始人苏春园 ，他曾任微策略中国区产品研发总裁，在商业智能领域有多年专业积累。
2016 年创立观远数据，深耕零售和消费领域，围绕数据分析决策，服务超过一百家头部消费零售公司，包括联合利华、沃尔玛等五百强企业。 而在最近，「观远数据」也获得了襄禾资本、红杉资本等机构的上亿元b轮融资。
“过去大家关注的都是流量问题：怎么做电商的投放、流量增长，但零售最终比的就是精耕细作，这才是未来企业的核心竞争力。 ”在苏春园看来，未来好的零售企业，一定也是科技企业。
“你不能指望它马上就能产出多么大的结果。但只要你愿意持续地投入，每天都在基于新的数据不断迭代，在你更新365天之后，一定能甩别人十条街。”
1 、数据发生重要价值，需要时间的积累
最近几年，我们看到一个大趋势，就是现在已经不是流量的时代了，而是效率的时代。 如何持续地创新，更敏捷地反应，更精准地选品……这些问题都建立在效率基础之上。
对企业来说，这是一个从2c到2b的过程，过去大家关注的都是流量增长问题，比如怎么做电商投放、流量运营等等，但现在比的是精耕细作，比的是效率。
无论是大数据，还是人工智能，其实解决的都是效率问题，这才是未来企业的核心竞争力。
相比于国内，美国企业在这方面发展得很好。最大的区别在于，他们的基础非常扎实。 像星巴克这些五百强企业，它们的数据化工作坚持了很多年，到今天已经形成非常规范的数据口径和很好的数据质量。这其实非常难得，需要很长时间积累。
国内零售企业很典型的一类问题是什么呢？大家都说要拥抱大数据，拥抱人工智能，但很少能坚持下来。
因为大数据未必能一下子产生多么宏大的价值，它需要持续积累。有一些客户，上来就想做预测和指导，但其实没有历史上的促销、门店、货架等数据，很难一下子做出多么大的优化。
所以数据化这个东西，越早启动越好。把该沉淀的数据沉淀下来，该规范的管理规范起来，包括数据的质量，也要一步一步优化。就像盖楼一样，你不可能不要第一层第二层，直接就盖到第五层。
而且技术没什么捷径，美国的整个信息化，也是过去30年循序渐进发展起来的。国内是最近10年才开始，还有很多不规范的地方，比如会员到底是不是本人消费的，二维码扫得合不合规等等。因为数据是有口径的，不是采集上来就行，还涉及到各个环节数据的规范统一。
2 、中国零售的创新、迭代，将催生dt时代sap的机会
虽然国内的基础比较弱，但基本也以三到五倍的速度在赶超，尤其是在新技术的拥抱和处理上。
我发现我们的一些五百强客户，像沃尔玛、百威、联合利华等等，他们在全球范围内，只有跟中国才有这么前沿的合作，包括他们很多全球的高管都来参观。
中国在全球最能拿得出手的，就是在消费零售领域的各种创新玩法。 各种线上线下的融合、体验的迭代，还有各式各样的线下门店，像社区生鲜，在美国根本就没有这种概念。
这跟中国的商业环境有关，移动互联网加上新生代的消费主力军，创造了一个复杂又非常有活力的市场。在c端的倒逼下，你必须源源不断地创新，在国内如果你不按照最高的要求去做，肯定活不下去。
在这种市场环境的教育下，创新已经成为主流的群体，尤其是消费零售行业，这几年讲的新零售、社交电商、小程序，如果你没有做过这些创新，企业可能都不在了。
这样的压力，推着国内的零售和品牌力量变得越来越强，迭代越来越快。它们需要最新的技术，技术也永远是跟着商业去服务，这对于我们来说是个巨大的机会。
回到一个例子，就在二三十年前，制造业蓬勃发展的时候，sap诞生在哪？德国。全球最牛逼的制造大国。sap 把德国最先进的的产品和理念提炼出来，输出到全球，再牛的企业也得用，而中国现在也有类似的机会。
像sap、ibm做的都是千亿美金的市场，但为什么中国企业服务领域还没有出现同等实力的公司呢？因为中国本质上已经不是it的时代了，而是dt时代（data technology），企业需要的是dt时代的sap、ibm。
1 、通过数据，寻找100倍迭代改进的机会
如果说it是帮企业上数据，那dt本质上就是帮企业去用数据，挖掘数据价值。在这个大趋势下，观远数据的核心定位就是做一个数据分析平台，通过分析业务数据，让企业更好地发现问题，给出决策建议。
它是一个决策大脑的问题，是企业未来的核心竞争力所在，也是我们所有商业合作的大门。
因为企业每天都要做几百上千个决策，补货是不是要调整，现在表现是不是异常等等，都不好判断。原来怎么解决的呢？可能是一周开一次会，去分析哪些商品卖得好，货架怎么去调整，怎么做促销。但很多时候你会发现人流量没问题，货架也ok，但销量为什么不好，你找不到原因。
如果我们能通过规则、算法，让这件事情自动化，每半个小时就让算法过一次，每天按8个小时算，一周就多了一百多次发现问题的机会。
从每周一次变成每周一百次，这100倍发现问题的机会，就等于有了100倍迭代改进的机会，最后就是100倍的增长机会。 一年之后，你跟隔壁店的竞争力就完全不一样。
所以我们从第一天开始就很明确，要做的是分析平台，要让不同的客户都能在这个平台上解决共性问题。而非做项目，最后没法规模化，还要拖累客户，因为每个客户都要开发不同代码，很多很好的行业实践就没法共享。
这样的话，就要求产品本身要高度抽象，一些独特的需求再通过配置来解决。它不是定制，是配置。这种抽象化的产品能力也是我们的核心能力，它的要求其实很综合：
一是对数据分析的理解 ，企业到底应该怎么分析数据，用哪些模型算法；
二是对业务的理解 ，因为所有的分析都是辅助完成业务的，不同的业务需要什么样的决策方式；
三是产品技术能力 ，用什么样的技术来解决对应的问题，怎么处理海量的数据、拓展等等。
当然，还需要你正儿八经地去服务一百个大客户，只有踩过足够的坑，交过足够的学费，才能知道企业在不同阶段，不同的数据源情况下，怎么抽象出产品。说白了也没什么捷径，坐在办公室，找几个技术，肯定解决不了企业的问题。
2 、只有数据才能解决的零售问题
落到数据分析在消费零售企业的具体实践，我们关注三个问题：
第一是精细。消费零售这个行业，说破天就是看谁更精细。什么是真正的颗粒度革命？从单店、单品，到单客、单时（每个小时的数据），没有这样的颗粒度，企业很难做好。
甚至我们还有个概念叫「单度」，比如到了八月份，气温每上升一度，对你每个商品的销售会产生怎样的影响。
这种细微的变化和规律，没有算力，光靠人工，是把握不了的。除非遇到一个超级店长，但你一千个店里能有几个超级店长？这是很客观的问题。
第二是快速反应。怎么快？比如前面提到的，通过算法，把一周开一次讨论会，变成每周一百次的算法决策。
当然，前提是你到了一定的体量，如果只是一个夫妻老婆店，那肯定不是我们的目标用户。本质上，我们解决的还是规模化的管理效率问题，而不是帮大家去开一个小店。
第三叫智能决策。你能基于预测，给出行动建议。 比如我未来四小时怎么供货？它可能跟天气、时期、门店的画像、库存和供应链情况都有关系，其中核心就是要养数据，把分析指标体系构建出来。
只有在你积累了半年一年，数据质量越来越高，口径越来越规范的时候，才能做到真正的预测。所以我们走到这一步的合作伙伴还很少，基本只有五百强企业才有这个基础。
这也涉及到零售企业跟技术公司协作的问题，我认为最合适的一定是战略合作伙伴关系，而不是简单的甲乙方。因为数字化这个事情，不光是一个工具或者产品就能改变，企业更需要的你告诉他行业有哪些最佳实践，给他们做一些轻度咨询，然后再接入服务。
当然，我也接触过一些想自己做数据分析系统的企业，最后都会发现跟想象的不一样，一是慢，二是因为自己做，就意味着缺乏行业视角的指导。
还有一点，零售企业要招高水平的技术团队，最后其实留不住。因为基因不一样，真正想做技术的人，最希望的都是源源不断地接触新技术，一个便利店你说我要天天尝试新技术也不可能。
所以我的建议是很明确的，最后一定是专业分工，要跟外部合作。 当然，同时你也可以有自己的技术团队，他未必要直接下手，但因为熟悉业务，在出问题的时候，大概能知道是什么问题，就够了。
1 、看三年做三个月，针对零售场景的五步法（5a）路径
对于零售企业的数字化，我们提出一个方法论叫「看三年做三个月」。什么意思呢？我们根据很多领先企业的做法，帮他去推演未来三年，构建数据化能够在哪些场景，以什么样的形态产生多大的价值。然后再根据你数据的基础，去规划眼下三个月应该怎么去构建。
具体就是围绕一个企业的生命周期来展开，我们称之为从bi到ai的「5a五步法路径」：
第一步是敏捷化（agile）。 企业不管是新业务还是传统业务，都需要不断去发现问题，然后迭代优化。比如你哪个产品进了微商的群，或者在线下做了一个扫码购，第一步就是要分析它的效果。
「敏捷化」的意思就是，从经营分析这个核心场景去切入，监测你在不同渠道和不同场景的表现，能够快速地把你基础的数据分析体系给建立起来。
第二步叫场景化（accurate）。 就是人货场、进销存的全面覆盖，通过产品复购数据，不断地分析你的同款比、七天流水、复购等等，再借鉴行业最佳实践，帮你搞清楚这个单店到底该怎么做。
比如你有一千家店，在场景化之后，我能告诉你每个店应该怎么监控，缺货指标有哪些，缺货时具体应该怎么分析决策等等。
这个问题看似简单，但在连锁业态真正落地的时候，你是不知道什么时候缺不缺货的，它有很多关联的要素和指标，可以被不断梳理出来。
第三步叫自动化（automated）。 当你基础的数据分析体系构建好了，整个全场景的监测和分析指标也梳理出来之后，怎么做到每隔半个小时就自动处理和监测，怎么让它自动去完成数据分析。
第四步叫增强化(augmengted)。 就是ai增强分析，基于不同的sku，不同的库存和物流时间，不同的客流等等，找到里面千丝万缕的联系和规律，然后给出预测。
第五步行动化(actionable)。 就是基于预测，给出决策建议，比如我应该怎么补货、怎么调整品类、货架等等。
这是我们独创的针对零售场景的智能数据分析路径。你未必要严格按照这个来，因为不同的企业，数字化基础不一样。如果你的基础比较好，我们也推荐你直接进入后面的步骤。
但国内的企业一般都处在前三步的阶段，跟我们走到第四第五步的基本都是五百强。
2 、数字化的「大脑」和「五官」，做深决策分析
数字化的工作大家可能都在做，但差异很大。我们最初做观远数据，也是看到很多大公司，包括外企，还在用excel报表的形式在处理数据。这种方式只做到了数据最基础的一层，你能看到数据，但没有分析，没有决策，也不智能。
这些需求其实一直都有，但为什么原来没有做到？核心就是2016年开始的三波技术浪潮：算力、算法、数据。 只有这几个结合起来，才能解决前面提到的问题。
比如一线门店的订单，你怎么实时监测，快速处理？你怎么去分析海量数据形成的千万种组合，对销售产生的影响？
这就是我们做分析决策，和很多其他做数据分析公司最本质的区别。 我们碰到很多专门做门店数据采集，专门做供应链优化，以及专门做用户行为的等等，但我们的定位是数据分析平台，解决的是决策问题。
任何一个重要的决策，都要融合企业的各个环节来看，不管门店数据，还是供应链，都只是其中一个环节。如果你只有门店数据，比如你知道张三来了，但如果没有其他数据，没有分析，你也不能怎么样？
可是针对历史数据，你知道他不同的时间点喜欢干什么，再结合库存、货架的情况，以及是不是处于促销的状态等等，就能做出分析预测，而不是推荐你本来就缺的产品。
当然，不管是从什么角度做数据分析，大家都是有价值，并且是互补的。比如你在门店装了一个「眼睛」，可以实时监测动态，但同时你要跟其他数据结合分析，才能知道，货架到底要怎么摆放，动态地监控怎么转化成和销量的关系？
他们相当于是支持我们的一个个五官，我们更像是最终汇聚数据做决策的大脑，这是我们的核心能力。
未来我们也会聚焦这一块，把各种分析决策做深入，怎么把预测做得更精准，而不是胡乱延伸。 因为每个企业都要面临会员的流失，商品的补货，门店的动销等等问题，这些场景都需要预测，所以做好预测还是非常有价值的。
3 、未来好的零售企业，一定也是科技企业
从2017年服务第一个用户到现在两年多，我们每年大概都有5倍以上的增长，到现在已经服务一百多家消费零售的新经济企业。
未来三年，我们希望能服务更多的创新公司，但这也没什么捷径，只能一家一家地去服务好，而不是快速扩张。反而更需要慢，因为我们主要服务中大型的企业，如果能把头部服务好，无论是对需求理解，还是产品提炼，都能产生更多的效益。
当然，我们也不着急，因为未来每一个牛逼的零售企业，一定也是科技的企业，否则一定跑不出来。现在对于领先的企业来说，数据分析可能是一个差异化的竞争手段，但未来肯定会成为企业的标配，是你必须要具备的能力。
所以我经常说要有信仰，你不能指望它马上就能产出多么大的结果，觉得自己马上就可以取代谁。但它有一个复利效应，如果你持续地投入，每天都在基于新的数据不断迭代，更新365天之后，一定甩别人十条街。
现在很多零售企业，会花很多时间做前端做增长，比如网红店，通过各种营销活动、创意玩法，很受关注，但大部分其实缺一个底层的东西，去支撑它持续地做下去。
当然，对于前端的创意，我们肯定要尊重，特别是要利用每个企业家独有的审美，形成他的判断，这个没毛病。但与此同时，你一定也有科技的一面。
科技本质上是解放创业者的脑力，把每天大量的分析和决策通过算法来实现，把你在前端创意的优势放大。 因为真正有智慧做决策的人一定不到百分之一，如果能通过技术去完成这一步，其实大大地减轻了创业者的负担。
所以同样的企业，通过把算法算力的作用发挥出来，每天去迭代，就能比过去多发现十倍百倍的增长机会。 这就是智能时代跟工业时代、it时代最大的区别。
（文章来源：浪潮新消费）

---