本文整理自刘湛在CCFA专题分享的演讲实录，演讲主题为《NOME数字化零售之路》
本文的主要内容如下：
? 未来零售潜力来源于AI+BI
? 零售数字化演进的四个阶段
? AlphaZero的启示
? 零售核心主数据及相关分析
未来零售潜力来源于AI+BI
谢谢苏总邀请，首先说一下我们为什么选择和观远数据合作。观远数据是一家非常出色的新兴数据公司，在经过深入了解后，发现我们对数据赋能的理念非常相似，所以一拍即合、很快就决定达成合作。
为什么觉得理念非常相似呢？我觉得未来零售潜力一定是来自于AI+BI。我们不但要看数据，更要知道怎么用数据。不但要分析已知的数据，我们还要预测未来的数据，这是我们始终坚信的。
零售数字化演进的四个阶段
我先讲一下自己怎么看待数据赋能这件事情。以前我是在电商公司做线上业务，现在我发现线上和线下有很多相似之处，也有很多不一样的地方。但我觉得不管我们做实体零售，还是做线上，以及任何行业可能都要经历这四个阶段。
1. 一体化
第一个阶段，必须先把业务数据化，也就是去EXCEL化，从而消除信息孤岛。举个例子，传统公司将大量信息通过EXCEL传递，可能会牵涉六个业务部门，然后六个部门单点沟通，A传B，B传C，C传A，沟通复杂，而且有很大的延时性。于是部门之间约定每个星期同步一次，但是一星期已经太晚，为什么不可以每天看到、每刻看到、实时看到？所以我们应该把所有数据写到一个地方去，让所有人从一个地方读数据，让数据一体化，全部打通，这是第一步。
2. 精细化
实现这一步，接下来会想怎么把业务做得更好。我先说线上运营APP的例子，我们发现男性用户和女性用户差异很大，新客和老客也不一样，后面还会有年龄段、消费水平、人生阶段（有没有家庭、孩子这种）等等不同的细分维度，各种维度组合起来可能会划分出好几十个不同的人群，运营的复杂度和对人力的要求也会呈几何级数上升。我们要从这种“千人千面”里看到个体差异，因为差异大的地方做精细化的机会更大，ROI会提升很多。
那么线下怎么做精细化运营？人、货、场三大主数据，人不一样，货不一样，全盘统一策略是不可行的。像百货和服装差异很大，服装下面男装和女装又很不一样，越往下分运营需要考虑的数据就越多，决策也越来越细。门店也一样——×××店、直营店、社区店、非社区店......人口有常住人口、流动人口，就连每个门店附近潜客人群也不一样，那么配货策略肯定也不一样。
3. 自动化
我们都知道精细化很好，可以带来很多收益，但是人力无法支撑怎么办？只有通过自动化运营来实现。通过可视化报表实现不同维度、不同视角的数据分析，并且将人工经验沉淀为固化的自动规则，让机器执行这些复杂的细化规则。自动化还有一个好处是能够快速迭代优化，整个运营的决策过程也数据化了，还可以通过AB测试不断优化运营策略。
4. 智能化
零售公司大多是脑力劳动，并且遵循一个逻辑。之前我们觉得把这个逻辑变成规则，让机器自动去执行，最多再加一个人工校验和优化就够了。后面发现，零售运营的终极目标应该是智能化，通过AI、机器学习、算法去突破人工的局限性。
AlphaZero的启示
去年阿尔法狗和AlphaZero轰动一时，所有人都知道AlphaZero和阿尔法狗能下围棋。但这其实是通用的算法，不仅可以下围棋，也可以下中国象棋或者国际象棋在内的任何棋类，只要博弈类的它都可以做。有一个公认的神一样存在的趋于完美的国际象棋程序叫stockfish，它是多年来很多顶尖棋手不断地把自己的经验通过程序员转化成精心构造的算法和评估函数，结果AlphaZero仅经过4个小时的学习就完败stockfish。
但是阿尔法狗到alphazero之间发生了什么变化？阿尔法狗做的是我们说的演进史第三步自动化，它的训练方式是读所有棋谱并记下来：人类棋手怎么做决策，什么样的局面走怎样的定式，找到一个最优解。Alphazero是一个质变的升华版，它脑子里面没有经验，定式都是不存在的，它只有一个客观规则就是棋类的落子规则是什么，怎么计算输赢，这是唯一原则。
AlphaZero上来就左右互博先自己和自己博弈个几十万局，再用MCTS（蒙特卡罗树搜索）评估，然后对网络重新训练优化，最后看这个算法是否是最优解，这应该是可以给零售行业很多启发。我们面对复杂的零售规则，拍脑袋做的决策能保证都是最优解吗，肯定不是，我们只能相信机器，靠算法、靠AI来解决。
零售核心主数据及相关分析
零售业有“人、货、场”三个主数据，“人”是会员数据，“货”是商品数据，“场”是门店数据。
人—会员数据
观远数据会员相关分析示意图
“人”这一端，我们做得比较晚，三月份全国门店推行会员，是用观远智能分析平台迅速搭建出看板和会员画像，可以清晰看到门店直营情况，改变了不知道这个货谁买的尴尬局面。
我们做会员的思路，觉得首先要提升会员开通率，积累了一定数量的会员后，接下来就可以做千人一面和千人千面的营销策略。
- 千人一面：会员开通后系统发放组合券，组合券有不同周期：7天、15天、30天......这是为了促成用户二次复购，帮他先爬一个坡，优化用户的生命周期。
- 千人千面：先拿用户开卡提供的静态属性，用户的基础画像，包括性别、年龄和地区，以及用户购买行为得出的RFM以及品类偏好和折扣偏好等数据衍生成标签，这个标签里面既包含自动衍生标签也包含人工打上的标签，然后再对用户进行分组、结合用户生命周期做精准营销。
做营销必须考虑几个问题：
营销成本有没有最大化？假设今天成本有限，怎么让营销成本最大化？
哪些用户发券也不来？哪些用户不发券也会来？不发券也来不用给他发，发了浪费成本。还有一些人只有发券才会来，这是目标人群。
......
通过精细化运营，一层层往下分析思考，发券才会来的人里面，给他发什么样的券，什么样的优惠类型，满减、还是折扣？券的力度要设置多大?什么时间点发？发在哪些渠道？这些都需要进行计算。
货—商品数据
观远数据商品相关分析示意图
看下货这块可以做的事情特别多，目前我们重点也是在做缺货的智能配补调。缺货分为门店缺货和总仓缺货。
- 门店缺货决定最晚什么时候给门店配货，保证门店不被“饿死”。
- 总仓缺货是决定最晚什么时候向工厂下订单，才能保证总仓有货可以发给门店，保证门店不“饿死”。
就这么两个问题，说起来简单，其实挺复杂，涉及到线下门店特性和陈列空间约束，还有门店差异化。我们首先做的一个是缺货监控，再考虑基于缺货数据怎么做配补调。缺货还有一个维度看全景库存，总仓缺货再往上推一步，考虑上游的工厂订单生产进度，那边有三个环节：1. 工厂已确认订单但还未开始生产；2. 已生产进度多少？3. 生产完成，准备发往总仓，这个公式本身并不复杂。
另外一块，基于商品本身的分析，跟商品企划、商品生命周期有关系。每个品类应该怎么样结构最优，达到最大化的宽度、深度比例怎么样啊等等。每个品类，首先看货值占比，货值占比固定以后，可以想象这个品类是一个二维形状，面积恒定，但是它的宽度和深度比例不一样，它可能是一个正方形、长方形......这也是今天中午和观远团队吃饭时候探讨的问题。
以及选品指数。我们结合内外的数据，一个是外部爬虫数据，还有内部销售数据分析，来预测什么商品成为爆款、我们到底应该选择什么商品。
商品这边还有非常重要的一点是做预测，只有把预测做准了才能把配补掉做准，以前端销售引领后端供应链生产和采买计划。
? 销售预测
我们自己做了一个比较粗糙的销售预测，没有观远做的那么精准。在我们做预测的时候，我觉得可以分为这四大类。
- 整个大盘的销售预测
- 单店销售预测
- 单品全局销售预测
- 单店单品销售预测（包括品类预测之类）
如果做上层预测，正负相互抵消，有的门店多10%，有的门店少10%，差距不会很大，但是做单店、单品差距就很大，我有两个提升精准度的思路跟大家分享。
- 时间周期拉长，不做单店单品单日销售预测，可以做成七天预测。
- 把尾部商品放弃掉，因为它的误差最大，而我们最关心的其实也是头部商品。
我们做门店销售的时候看到尾部商品差异大，且占比并不高。为什么差距大？数据少、日均销的少。我们关注头部top300或者top500商品，这样准确率就会提升。
场—门店数据
观远数据门店相关分析示意图
? 智能选址
“场”这块的智能选址，我们实践的效果非常不错，比目前渠道团队人工销售预测的精度高一倍以上。我们是将数据分为两大类：
- 宏观选址外围数据
- 微观选址内在数据
这个怎么用起来呢？我们思路是做盲测，先不给渠道人员看结果，他们必须按照自己的原有思路先做预测，预测之后会把它的结果和我们模型预估结果相对比，找出那些差异大于20%的门店，然后分析这些门店到底出了什么问题。
? 同类店对比参考
除了这个之外，我们还做了同类店对比参考，找出相似店给某一店铺做参考。这边我们非常期待能用上观远另外一个模块——虚拟标杆店，根据门店特征做拟合，图谱应该什么样，哪一点比较弱，知道哪个方向改进，并且赋能店长看到每个品类排行榜。
? 货架陈列可视化
怎么让货架效能产出最大化？我们首先开发一个小程序，小程序里能看到门店货架陈列方式，然后点这个地方可以看到货架上几个面板，点面板看到货架上放几款商品、每个商品放几个，然后形成陈列标准。未来把商品扫码上架，就知道这个货架放哪些商品，用它的销售除以它的面积得到单位面积产出，这个货架对比其他货架到底做得好还是坏就能很快清晰了。知道货架A面和B面到底哪个产出更高，结合门店助手里面的品类销售排行榜，我们就能做优化了，卖的不好的往下摆，卖的好的东西放显眼地方。
? 智能排班
每个门店流量高峰、销售高峰、流量低谷、销售低谷时间段不一样，我们可以先画出来看一看。怎么通过曲线分析减少店员，让他们人效最大化。一般来说，零售门店分两班，上午一班，下午一班，其实中间可以插一个动态排班，不一定9点上班，可能下午3点、也可能12点上班，需要算法推测什么人排在什么时段，通过灵活排班达到效率最大化。这些观远也都想到一块了，我们在关于零售数据赋能方面有很多观点不谋而合，所以合作起来非常默契。
原文地址：https://blog.51cto.com/14211202/2382927