本文的主要內容如下：

? 未來零售潛力來源於AI+BI

? 零售數字化演進的四個階段

? AlphaZero的啟示

? 零售核心主數據及相關分析

未來零售潛力來源於AI+BI

謝謝蘇總邀請，首先說一下我們為什麽選擇和觀遠數據合作。觀遠數據是一家非常出色的新興數據公司，在經過深入了解後，發現我們對數據賦能的理念非常相似，所以一拍即合、很快就決定達成合作。

為什麽覺得理念非常相似呢？我覺得未來零售潛力一定是來自於AI+BI。我們不但要看數據，更要知道怎麽用數據。不但要分析已知的數據，我們還要預測未來的數據，這是我們始終堅信的。

零售數字化演進的四個階段

我先講一下自己怎麽看待數據賦能這件事情。以前我是在電商公司做線上業務，現在我發現線上和線下有很多相似之處，也有很多不一樣的地方。但我覺得不管我們做實體零售，還是做線上，以及任何行業可能都要經歷這四個階段。

1. 一體化

第一個階段，必須先把業務數據化，也就是去EXCEL化，從而消除信息孤島。舉個例子，傳統公司將大量信息通過EXCEL傳遞，可能會牽涉六個業務部門，然後六個部門單點溝通，A傳B，B傳C，C傳A，溝通復雜，而且有很大的延時性。於是部門之間約定每個星期同步一次，但是一星期已經太晚，為什麽不可以每天看到、每刻看到、實時看到？所以我們應該把所有數據寫到一個地方去，讓所有人從一個地方讀數據，讓數據一體化，全部打通，這是第一步。

2. 精細化

實現這一步，接下來會想怎麽把業務做得更好。我先說線上運營APP的例子，我們發現男性用戶和女性用戶差異很大，新客和老客也不一樣，後面還會有年齡段、消費水平、人生階段（有沒有家庭、孩子這種）等等不同的細分維度，各種維度組合起來可能會劃分出好幾十個不同的人群，運營的復雜度和對人力的要求也會呈幾何級數上升。我們要從這種“千人千面”裏看到個體差異，因為差異大的地方做精細化的機會更大，ROI會提升很多。

那麽線下怎麽做精細化運營？人、貨、場三大主數據，人不一樣，貨不一樣，全盤統一策略是不可行的。像百貨和服裝差異很大，服裝下面男裝和女裝又很不一樣，越往下分運營需要考慮的數據就越多，決策也越來越細。門店也一樣——×××店、直營店、社區店、非社區店......人口有常住人口、流動人口，就連每個門店附近潛客人群也不一樣，那麽配貨策略肯定也不一樣。

3. 自動化

我們都知道精細化很好，可以帶來很多收益，但是人力無法支撐怎麽辦？只有通過自動化運營來實現。通過可視化報表實現不同維度、不同視角的數據分析，並且將人工經驗沈澱為固化的自動規則，讓機器執行這些復雜的細化規則。自動化還有一個好處是能夠快速叠代優化，整個運營的決策過程也數據化了，還可以通過AB測試不斷優化運營策略。

4. 智能化

零售公司大多是腦力勞動，並且遵循一個邏輯。之前我們覺得把這個邏輯變成規則，讓機器自動去執行，最多再加一個人工校驗和優化就夠了。後面發現，零售運營的終極目標應該是智能化，通過AI、機器學習、算法去突破人工的局限性。

AlphaZero的啟示

去年阿爾法狗和AlphaZero轟動一時，所有人都知道AlphaZero和阿爾法狗能下圍棋。但這其實是通用的算法，不僅可以下圍棋，也可以下中國象棋或者國際象棋在內的任何棋類，只要博弈類的它都可以做。有一個公認的神一樣存在的趨於完美的國際象棋程序叫stockfish，它是多年來很多頂尖棋手不斷地把自己的經驗通過程序員轉化成精心構造的算法和評估函數，結果AlphaZero僅經過4個小時的學習就完敗stockfish。

但是阿爾法狗到alphazero之間發生了什麽變化？阿爾法狗做的是我們說的演進史第三步自動化，它的訓練方式是讀所有棋譜並記下來：人類棋手怎麽做決策，什麽樣的局面走怎樣的定式，找到一個最優解。Alphazero是一個質變的升華版，它腦子裏面沒有經驗，定式都是不存在的，它只有一個客觀規則就是棋類的落子規則是什麽，怎麽計算輸贏，這是唯一原則。

AlphaZero上來就左右互博先自己和自己博弈個幾十萬局，再用MCTS（蒙特卡羅樹搜索）評估，然後對網絡重新訓練優化，最後看這個算法是否是最優解，這應該是可以給零售行業很多啟發。我們面對復雜的零售規則，拍腦袋做的決策能保證都是最優解嗎，肯定不是，我們只能相信機器，靠算法、靠AI來解決。

零售核心主數據及相關分析

零售業有“人、貨、場”三個主數據，“人”是會員數據，“貨”是商品數據，“場”是門店數據。

人—會員數據

觀遠數據會員相關分析示意圖

“人”這一端，我們做得比較晚，三月份全國門店推行會員，是用觀遠智能分析平臺迅速搭建出看板和會員畫像，可以清晰看到門店直營情況，改變了不知道這個貨誰買的尷尬局面。

我們做會員的思路，覺得首先要提升會員開通率，積累了一定數量的會員後，接下來就可以做千人一面和千人千面的營銷策略。

• 千人一面：會員開通後系統發放組合券，組合券有不同周期：7天、15天、30天......這是為了促成用戶二次復購，幫他先爬一個坡，優化用戶的生命周期。
• 千人千面：先拿用戶開卡提供的靜態屬性，用戶的基礎畫像，包括性別、年齡和地區，以及用戶購買行為得出的RFM以及品類偏好和折扣偏好等數據衍生成標簽，這個標簽裏面既包含自動衍生標簽也包含人工打上的標簽，然後再對用戶進行分組、結合用戶生命周期做精準營銷。

做營銷必須考慮幾個問題：

營銷成本有沒有最大化？假設今天成本有限，怎麽讓營銷成本最大化？
哪些用戶發券也不來？哪些用戶不發券也會來？不發券也來不用給他發，發了浪費成本。還有一些人只有發券才會來，這是目標人群。
......

通過精細化運營，一層層往下分析思考，發券才會來的人裏面，給他發什麽樣的券，什麽樣的優惠類型，滿減、還是折扣？券的力度要設置多大?什麽時間點發？發在哪些渠道？這些都需要進行計算。

貨—商品數據

觀遠數據商品相關分析示意圖

看下貨這塊可以做的事情特別多，目前我們重點也是在做缺貨的智能配補調。缺貨分為門店缺貨和總倉缺貨。

• 門店缺貨決定最晚什麽時候給門店配貨，保證門店不被“餓死”。
• 總倉缺貨是決定最晚什麽時候向工廠下訂單，才能保證總倉有貨可以發給門店，保證門店不“餓死”。

就這麽兩個問題，說起來簡單，其實挺復雜，涉及到線下門店特性和陳列空間約束，還有門店差異化。我們首先做的一個是缺貨監控，再考慮基於缺貨數據怎麽做配補調。缺貨還有一個維度看全景庫存，總倉缺貨再往上推一步，考慮上遊的工廠訂單生產進度，那邊有三個環節：1. 工廠已確認訂單但還未開始生產；2. 已生產進度多少？3. 生產完成，準備發往總倉，這個公式本身並不復雜。

另外一塊，基於商品本身的分析，跟商品企劃、商品生命周期有關系。每個品類應該怎麽樣結構最優，達到最大化的寬度、深度比例怎麽樣啊等等。每個品類，首先看貨值占比，貨值占比固定以後，可以想象這個品類是一個二維形狀，面積恒定，但是它的寬度和深度比例不一樣，它可能是一個正方形、長方形......這也是今天中午和觀遠團隊吃飯時候探討的問題。

以及選品指數。我們結合內外的數據，一個是外部爬蟲數據，還有內部銷售數據分析，來預測什麽商品成為爆款、我們到底應該選擇什麽商品。

商品這邊還有非常重要的一點是做預測，只有把預測做準了才能把配補掉做準，以前端銷售引領後端供應鏈生產和采買計劃。

? 銷售預測

我們自己做了一個比較粗糙的銷售預測，沒有觀遠做的那麽精準。在我們做預測的時候，我覺得可以分為這四大類。

1. 整個大盤的銷售預測

2. 單店銷售預測

3. 單品全局銷售預測

4. 單店單品銷售預測（包括品類預測之類）

如果做上層預測，正負相互抵消，有的門店多10%，有的門店少10%，差距不會很大，但是做單店、單品差距就很大，我有兩個提升精準度的思路跟大家分享。

1. 時間周期拉長，不做單店單品單日銷售預測，可以做成七天預測。

2. 把尾部商品放棄掉，因為它的誤差最大，而我們最關心的其實也是頭部商品。

我們做門店銷售的時候看到尾部商品差異大，且占比並不高。為什麽差距大？數據少、日均銷的少。我們關註頭部top300或者top500商品，這樣準確率就會提升。

場—門店數據

觀遠數據門店相關分析示意圖

? 智能選址

“場”這塊的智能選址，我們實踐的效果非常不錯，比目前渠道團隊人工銷售預測的精度高一倍以上。我們是將數據分為兩大類：

1. 宏觀選址外圍數據

2. 微觀選址內在數據

這個怎麽用起來呢？我們思路是做盲測，先不給渠道人員看結果，他們必須按照自己的原有思路先做預測，預測之後會把它的結果和我們模型預估結果相對比，找出那些差異大於20%的門店，然後分析這些門店到底出了什麽問題。

? 同類店對比參考

除了這個之外，我們還做了同類店對比參考，找出相似店給某一店鋪做參考。這邊我們非常期待能用上觀遠另外一個模塊——虛擬標桿店，根據門店特征做擬合，圖譜應該什麽樣，哪一點比較弱，知道哪個方向改進，並且賦能店長看到每個品類排行榜。

? 貨架陳列可視化

怎麽讓貨架效能產出最大化？我們首先開發一個小程序，小程序裏能看到門店貨架陳列方式，然後點這個地方可以看到貨架上幾個面板，點面板看到貨架上放幾款商品、每個商品放幾個，然後形成陳列標準。未來把商品掃碼上架，就知道這個貨架放哪些商品，用它的銷售除以它的面積得到單位面積產出，這個貨架對比其他貨架到底做得好還是壞就能很快清晰了。知道貨架A面和B面到底哪個產出更高，結合門店助手裏面的品類銷售排行榜，我們就能做優化了，賣的不好的往下擺，賣的好的東西放顯眼地方。

? 智能排班

每個門店流量高峰、銷售高峰、流量低谷、銷售低谷時間段不一樣，我們可以先畫出來看一看。怎麽通過曲線分析減少店員，讓他們人效最大化。一般來說，零售門店分兩班，上午一班，下午一班，其實中間可以插一個動態排班，不一定9點上班，可能下午3點、也可能12點上班，需要算法推測什麽人排在什麽時段，通過靈活排班達到效率最大化。這些觀遠也都想到一塊了，我們在關於零售數據賦能方面有很多觀點不謀而合，所以合作起來非常默契。

零售數字化必經哪四個階段？CCFA這場高質量專題講座值得一聽！