盖雅干货 今天
内容来源：2018年10月26日，盖雅工场与观远数据联合主办的“新零售 私享会”完美落幕。盖雅工场高级解决方案总监邱伸、观远数据CEO&创始人苏春园、上蔬永辉CIO胡才雄、波司登信息总监桂益龙、吉野家CIO沈阳、ENZO珠宝信息总监徐峰分别作了相关分享。盖雅学院作为本次活动的联合主办方，整理嘉宾分析的内容要点。以下，Enjoy:
演讲要点：
商业智能（BI）的发展趋势、落地规划与选型探讨
预测算法和智能排班帮助改进零售运营效率
大数据创新助力零售精细化运营
新零售下的人力资源管理
数字化时代，零售IT如何引领业务，助燃企业运营
以下为观远数据苏春园的分享实录摘要：
新零售进入下半场，数据分析驱动运营和决策已成为必然趋势，许多零售企业纷纷加码大数据应用、AI等手段，以保持自身在市场的有利地位。BI其实是所有大数据里面核心的一个应用，这里面有什么样的未来应用场景？传统BI普遍落地困难，企业应该如何应对这些挑战？企业在做未来BI选型规划时，需要注意哪些点？
全球领先的零售企业都在用数据的精细化管理
在我过去15年从事数据行业的生涯里，我接触的很多零售客户，包括星巴克、沃尔玛等，它们数据应用的本质是解决精细化管理的问题。现在大多数零售是‘粗放’的，拥有大量实体店，却不会用数据去实现精细化的管理。传统零售业必须借助BI（商业智能）的力量来实现变革。
从Gartner 2018年对全球CIO的预算报告中，我们可以看到年增长预算排名第一的是BI，这个结果其实让我有点出乎意料，但也侧面反应企业正在从IT到DT阶段过渡，数据越来越显示出重要性，可能未来每个部门都要上BI产品，从之前的锦上添花到现在成为一项刚需。那AI排在什么位置呢？我们看到图表中AI排在第10位，预算占比是最少的，现在还没有到体量。随着基础设施的不断完善和企业数字化转型进程推进，传统BI已不能满足需求，于是传统BI慢慢向智能BI转型。
未来几年，智能BI会是什么样子？
传统BI在慢慢地淡出市场，智能BI则代表了未来商业智能的方向。相比传统BI，智能BI降低了应用的门槛，并克服了传统BI普遍存在的反应慢、无洞察、难行动等缺点，但目前智能BI落地仍然面临诸多挑战。BI落地的三座大山包括：
上线，场景上线时交付的周期长，节奏不能控制，最初定好的蓝图在长周期下变化很多；
推广，黏性不高，低频应用，企业引入BI不难，但引入后不能应用；
扩展，是否要在BI的智能核心应用之外融入大数据平台、AI算法，这都是需要考虑的。
针对以上问题，对应策略与规划包括：
速赢：与很多客户合作的经验表明，一般以三个月为期限，甚至更短为最佳。这过程中会有相应的节点，反馈给领导，与互联网迭代速度类似，最终实现成功上线；
运营：当BI的应用越来越深入后，要推广到不同的部门应用，一定要经过沉淀和实践，用不同的方式赋能；
进化：关于大数据平台、AI算法的融入没有捷径，只有进化。在数据平台的规划中，底层大数据平台规划要稳，当分析场景成熟后再做智能分析和决策。
智能BI选型路径
智能BI选型应考虑以下特点：轻，灵、快、易。
轻，快速上线、部署，在客户端让内部用户使用，不需要太多技术感知，在业务场景中无缝嵌入；
易，从IT管控变成IT赋能，通过智能BI产品，让业务部门能直接自助式分析和决策，同时通过交互式的方式降低使用门槛；
快，使用大数据达到秒级响应，可在亿级数据中做关联分析、实时多维度分析；
灵，企业需要及时自动地发现问题，进行智能诊断。将BI与AI结合，用AI预测引擎，延展到未来预测，可使分析和决策上一个量级。
回到观远数据产品本身，我们的思路是依托于AI与BI的结合，通过5A路径的实施：从敏捷化（快速地对已有的数据资产上线，形成业务端，针对企业中核心数据进行分析），到场景化（沉淀很多行业不同的成熟场景），自动化（自动化分析和打通数据，实现从敏捷化到自动化），行动化（通过AI产生行动建议，提升预测精准度），最后到增强化（风险预测、智能台账系统、智能推荐、智能订货等），为企业分步构建决策大脑，助其在未来的竞争中能立于不败之地。
我们对科技还是要有一点小小的信仰，BI的落地和价值产生需要一段过程，不要等竞争对手都已经用得很深的时候，我们才开始考虑去做；配合企业业务发展战略，我们应该尽早开始部署BI的应用，让它有时间去迭代、试错，产生价值。
人力成本攀升的今天，我们无法否认真正优秀的店长永远只有5%。我们需要思考的是如何通过算法与分析模型，把经验和流程相对固化、自动化，让95%的店长具备5%的优秀店长水平。这是科技助力业务的真正价值所在。
以下为盖雅工场邱伸的分享实录摘要：
零售回归本质，我们越来越需要通过技术和工具去剥离浩瀚繁杂的业务数据，发掘出潜藏在业务过程中的生意机会。今天，盖雅工场会从劳动力管理与业务运营角度做一些数据和实践案例分享。
从PDCA到DPPC
盖雅工场在劳动力管理方案贯穿的概念是PDCA循环，一个管理学的常见概念，就是劳动力的计划（劳动力预测、智能排班）、执行（考勤、合规管控）、绩效（绩效管理和生产工时管理）和分析（劳动力分析）。
从2017年开始，盖雅工场的方案加入了人工智能的基础架构，用智能算法云优化我们的整个流程方案，我们发现我们从原先业务驱动决策往数据驱动决策演进——从PDCA到DPPC。
DPPC是什么？它是先有问题的描述，再做一些预测，会发生什么样的事情，从而找解释，这些事情的发生对应的有什么样的期望和解决方案，然后我们去调整我们的认知。
将DPPC引入零售业，我们可以看到几乎所有的零售业客户都跟我们讨论过一件事情，就是如何让我的预测变得更准，如何从我已有的数据里找到对未来的支持。
这里面有一些依赖商业智能的帮助，描述所有的数据，包含了发现、汇报和分析，通过机器学习去预测、关联、归类，发现一些规律，然后我们去优化，优化的过程可能是安排、调度、分配，最后是新的部分，通过人工智能的方式去认知这件事情。
智能算法帮助零售客户解答四件事情
在这样的背景下，我们发现有四件事情是对零售业客户有很大的帮助：
人的问题在哪儿？
我的生意在哪儿？
人力怎么安排才好？
还有哪些新机会？
在智能算法云加入后，我们能够从新的视角去看劳动力管理，不止谈业务，我们会发现数据能告诉我们更多有趣的东西。
整个预测工程的流程是这样的：
第一部分是数据，这些数据在零售业是很常见的，如POS机产生的时序数据、交易数据；
第二部分是特征工程，找到各种影响生意的因素，去处理它，找到背后的一些特征，量化相关特征；
第三部分是挑选合适的模型来搭建模拟出场景；
第四部分是预测的接口和链条，把这些东西输出出去，通过各种各样的业务进行表达。
我们通过输入各种各样的历史数据，如销售数据、客户期望、季节、产品种类、门店信息等，通过机器学习和时间序列的方式进行模拟和处理，然后生成我们谈到的期望预测。
常见的预测有销售量的预测、交易的预测、劳动力的预测。特征工程的部分，常见的方法是提取选择构建和学习，目前我们在培训算法的过程中发现两个很好玩的事情，一种是它自己告诉我们它识别出来的特征是什么；还有一些，是我们教它的，如忙时闲时，白天夜晚，法定假日等，哪些时间生意会变好。这些信息告知它的同时，它自己也会学习到一些东西。这些特征被整理好后，它就会变成一些新的特征工程的部分。
我们主要选择的算法是三个公式：
1. 均方误差公式，它会找到预测出的结果和实际结果的偏差的平方，平方是用来整理这样的情况；
2. 平均绝对百分比误差，实际值和预测值的差距，取百分之一的绝对值；
3. R-2的评估，叫拟合度参数，预测出的结果可被预测的可能性有多少，最完美的情况是“1”百分之百可预测，也有可能结果是负数的，预测出来的还不如实际的情况，这个指数将揭示预测的可靠性。这些结果加在一起，通过数学的方式，它会给一些新的结果。
以我们现在帮一家客户模拟数据为例，我们通过算法发现，他的销售预测和人力预测跟快餐店的模型是一样的，要分早上、中午、下午、晚上时段；在不同时段下，会有不同趋势的展现特征。
这样一家店，它以前从来没有想过它的生意其实跟一样，需要分时段去找人，原先它只采用一个很平均的线性算法，而算法结果显示五个时段下面要有不同的标准。
「机器学习可以帮助企业算出多少人力是需要被安排的，以及不同岗位要和不同的特征关联，如收银员要跟交易量关联，售货员要和销售额关联。」
再举一个例子，我们帮一家零售商预测销售额、交易额和商品数，交易额的拟合度最高，其中商品数是比较难预测的，零售店经常有促销的情况，比如我们去超市，已经选好几样东西，结账时收银小姐提示“再多买两样可以减一样”，顾客可能就会临时多买一些商品，曲线红色偏差部分会在促销日期时发生比较大的偏差，这是不可避免的；商品数预测得不准，也会导致销售额的偏差。但我们帮客户做的这个预测结果已经比原先它自己的方法好很多了，原因是之前只是用数学的方法，现在我们通过更多的特征可以做出更好的预测。
做完销售预测后，我们需要定义人力安排，根据总工时、员工偏好、销售流量数据、营运时间、员工可用性以及技能等，去定义员工约束、门店约束、公司约束。
员工约束，指的是我们应该怎么用好全职兼职员工；
门店约束，是对于旗舰店，我们可能不考虑用那么多小时工，不太考虑成本，如果是普通店，我们要考虑成本又要保证规模化，不同门店有不同门店的要求；
公司约束，比如合规性，不能让员工上完夜班就来上早班，或者两天晚上都排夜班。
举个某国际知名咖啡品牌的例子，它之前在上海某繁华地段开了家旗舰店，头两个月生意特别好，每天门口都排队，所以他们门店的要求是可不可以让他们的伙伴不要连休？他们的员工没法工作五天再休息，希望工作三天休一天，再工作两天再休一天；希望员工早中晚班均衡调配。这就是个典型的门店约束案例，并且是可以通过系统做到的。
目前我们排班模型归纳出了6种不同的模型，有些是业务预测驱动、有些业务导入、有些是班次驱动等，以匹配不同企业的不同劳动力安排需求，甚至同一企业不同门店可以应用不同的门店来找人。人员排班会自动形成3个优化方案，有些是小时工优先，有些是全职工优先，有些是成本最优等，企业可以根据自身情况选择合适的方案。
采用智能排班，企业可以了解过去业务的情况，预测未来业务的情况；让大多数店长能够得到好店长的经验和工具，解放他们的双手，保证运营水平的稳定。
把那些说不出来的规则，也变成规则
零售业排班中会有很多“奇葩”的场景，以前经常需要被人工规避，但是店长的水平参差不齐和流动，这些潜在的规则可能不一定会被人工很好的识别和处理。
比如，有两个小伙都在追一个班组里的女孩，店长怎么排班，避免“情敌”出现在一块，造成运营风险；如何把“最便宜的排班”做成一个预设选项，以及什么情况下采用这个规则；如何做到男女搭配，干活不累，比例是多少；有些活儿就该某些人来做，怎么把它提前预约进排班；还差15分钟的工时没人上班，是要让前一个店员多干15分钟，还是让下一个店员早来15分钟；更柔软的间隔设计，如果有员工第一天上了夜班，下一个班次就不放早班，至少也要放中班，不让员工有打折的休息；灵活的颗粒度，企业可以根据业务情况自行定义15分钟到1小时的颗粒度排班……
这些规则可能之前只依靠排班经理自身的知识去做到，未必会说出来，人工排班难免疏漏，现在我们可以借助智能排班预设这些规则，配置进系统，自动化地给出几组排班建议，排班经理只需要挑选最优的排班方案，再做适度微调即可。
从PDCA到DPPC，传统的数学式、依靠经验式运营方法已经过时，传统零售需要借助专业的算法工具和预测模型，以数据驱动业务，从数据洞察隐藏在日常运营中的生意机会，以保持市场的长青地位。
本篇为2018年10月26日，盖雅工场与观远数据联合主办的“新零售 私享会”干货内容上篇，现场更多干货内容，请关注盖雅学院公众号。