泛零售企业需要的数据中台长什么样？| 「数智泛零售」干货集锦

2020年，在疫情黑天鹅、新基建政策、市场扩张受限、数据存储爆炸等多重因素的裹挟下，数据中台成为了许多泛零售企业直面未来不确定性的新选择：

用数据中台解决日益增长的数据存储和仍然稀缺的数据应用的矛盾，从经验性运营决策转向数据化运营决策，最大限度释放数据的价值，降本增效，撬动新机会，促进新增长。

 

泛零售人，从来最看「疗效」。

 

数据中台能为企业带来多少价值？什么才是泛零售企业真正需要的数据中台？又该如何建设以保证其持续发挥价值？

为针对性地探讨这些问题，今年8月，原阿里云数加（现阿里数据中台DataWorks）创始人、奇点云创始人兼CEO行在发起了「数智·泛零售」直播，旨在贯彻行业理解，洞悉痛点与需求，深度剖析泛零售企业真正需要的数据中台。从方法论到技术实操、应用实操，让企业数智化转型实践的每一步都踏实可落地。

 

近日，伴随着直播正式收官，我们精选了直播期间观众朋友们比较关注的10个问题，集锦作答。

 

泛零售数据中台·方法论

01 泛零售数据中台的价值

简单来说，数据中台的价值有三：沉淀数据资产及复用，减少数据获取及加工成本；数据业务化，沉淀业务模型，更好支撑业务决策；数据驱动业务创新，有了算力及数据的支撑，将之前人脑决策及高水平重复的问题，变成计算机或AI可实现的问题。

 

而当谈到泛零售数据中台，则是对应到行业的不同业务诉求，针对性地解决业务困惑：

 

以「人、货、场」之「人」的业务诉求举例，大多数泛零售企业有以下三大困惑：

① 如何形成全域消费者画像？（传统的CRM系统不能承载海量的数据，无法实现视频数据结构化。）

② 在全域消费者画像之上如何实现智能洞察？

③ 在智能洞察之上如何服务私域和公域营销？

而在「货」和「场」上也有困惑，例如「产销协同、供应链精细化管理、店货和货渠匹配」，「商圈洞察、智能洞察、智能触达」等。

 

我们的核心是在大数据基础之上，为所有的泛零售企业提供「人、货、场」的数智化应用。在「人货匹配」上，改变原有顾客与商品之间的关系，在合适的时间、合适的渠道推送合适的商品，实现精准化营销；「客渠匹配」上，通过数智化实现渠道赋能；「商渠匹配」上提升商品运营，实现运营最高效化。

 

02 如何面向未来建立合适的企业数据战略？

建立数据战略，一定要遵循「以用带通，以通促用」：首先看前端的业务需求，再看需采集哪些数据、治理哪些数据、分析和应用哪些数据，在此基础上拉动数据打通，解决组织设计问题，完善技术架构，进而带动业务更好地应用数据，对数据产生信心。

 

在过去的两年内，奇点云做了许多大数据咨询实践，核心是帮助企业定义问题、明确策略。

大数据咨询和其他咨询的最大差异点在于：我们并不认为数据咨询需要一上来就调整业务目标与组织，甚至重构整个流程。而是需要帮助企业正确理解现状，厘清业务目标、战略目标、组织设计、技术能力、数据能力之前的差距。从业务出发，带动整个数据能力的建设。

 

泛零售数据中台·技术实操

03 从IT部门角度，如何规划数据中台项目？

我们认为数据中台是业务概念，而非技术概念。

相比传统数仓，数据中台离业务更近，能更快的响应业务和应用开发的需求。数据中台的首要出发点并不是数据，而是业务——帮企业解决业务问题，让企业的业务效率更高。

 

这也就意味着数据中台项目在一开始就要奔着「生产数据中台产品并且能卖钱」（这里指的不是非法买卖数据，而指数据产品的使用）进行建设，这也是和上一代IT建设在业务上最本质的区别。

 

因此，在划分数据中台功能模块时，不应以技术划分（例如离线计算、实时计算、数据API等），而应以数据生产的场景划分。

 

当开始按照数据开发、数据运维、数据服务、数据资产等岗位场景组织产品功能规划起来，事情就对了。

 

04 泛零售企业如何选择数据中台模型？

可以从顶层设计、建模理论、业务场景三个大方向考虑：

• 顶层设计：数据中台是大而全的概念，Inmon大师自顶向下的设计思路兼顾业务全局，比较符合数据中台理论。
• 建模理论：主要以维度建模为核心，结合多种建模百花齐放。
• 业务场景：比如，泛零售行业最主要的是「人货场」，从「人」：组织、客户；「货」：商品、服务；「场」:渠道、门店、商场等；「行为」:订单、营销、工单等考虑。

 

谈到建设数据模型的过程，奇点云高级数据模型架构专家天启分享了以下实践心得要点：

数据不丢失，是最重要的一点。在ODS层的设计就需体现，要长期保留数据。
数据不重复，为保证数据治理的准确性，重复的数据需要提前剔除。
模型能共享，数据集市中的模型共享容易做到，数据集市是满足业务需求的，但是数据中台的模型共享，明细事实表和维度表都需要用到，但是业务会不断进行迭代和创新，所以也可能避免不了要从原始数据中取的可能。
空间换时间，为了能更大程度进行共享，可以做冗余的设计。
任务能重跑，保证后期的运维能力。
业务是爸爸，所有不考虑业务的数据模型都是耍流氓。即使数据模型设计得再好，若业务模型不认可，不满足业务的数据模型都是无效的。数据模型最终都是为业务服务的。不管是黑猫白猫，在一定的设计思想里满足之后都是可以进行创新的。

 

05 如何评估做某个智能应用的「值不值」（投入产出比是否高）？

• 思考该智能应用成功的几率，可行性如何，业内是否有成功案例，能否成功落地；
• 评估智能应用的业务价值；
• 技术上的可落地性，比如涉及算法、流计算场景，数据团队是否具备数据分析和算法能力。
• 思考投入的人力等经济成本是否划算；
• 考虑对现有的业务流程的改动大小，如果有很大的改动，可能单纯靠信息部门的推动会比较困难，需要得到更高层的支持。

当上述讨论达成一致，技术实现对技术人员来讲，会得心应手许多。

 

在智能应用设计阶段，奇点云资深行业专家证道从数十家企业的数智化转型服务经验中提炼出了「六重杠杆法」，促使业务创新事半功倍：

• 影响力杠杆法：建立「创新思维+闭环论证+传道+价值」良性循环。从小的成功开始，持续扩大影响力范围和可调度资源。
• 权利杠杆法：自下而上调研、试点、（蓄势），自上而下推广（厚积薄发）。
• 时间杠杆法：虚拟解耦法、关键链法、交叉并行法、指数级推广法、做一研三看十法。
• 人力杠杆法：集群学习法、技术降维法、能力和资源置换法、预先可研法、针对短板培训、人力或咨询外包、招聘骨干。其中，技术降维法：在云计算技术和大数据技术以及商业SaaS化产品大规模出现后，很多原先需要依靠个人能力进行的开发和运维工作，从此门槛无限下降。
• 资金杠杆法：预先调研、小范围试点成功后分批投入资源、以战养战做项目。
• 业务杠杆法：寻找根本问题、瓶颈问题、影响业务环节最多的问题。

 

泛零售数据中台·应用实操

06 企业可以如何通过数据驱动商品运营？

在泛零售领域，商品运营存在如下痛点：

人货场关系发生转变：新零售背景下，人、货、场三要素关系已发生转变，需要重构人货场。

同质化严重：品牌设计和定位同质化，设计师对流行趋势预测普遍依靠经验，设计理念不能满足消费者和市场需求。

产能过剩、库存积压：对市场的需求信息和预测不符，造成生产端产能过剩、库存积压严重。

经营模式粗放：普遍采用传统订货模式，订货的数量依靠订货商对于市场的经验来判断。

终端门店管理粗放：缺乏对门店数据精确采集和智能分析能力，店铺管理相对粗放。

 

而企业正可以通过数据帮助不同的场景解决相应问题，从销售不同阶段来看：

「售前」阶段，做商品定位分析、商品数量规划、流行趋势分析、价格分析、销量预测等；

「售中」阶段，做商品上架、商品销售、价格带分析、商品陈列/排序、商品连带分析；

「售后」阶段，做销售分析、商品复盘分析、决策支持等。实时的销售分析，快速的策略调整，支撑决策制定。

 

07 数字化消费者运营可用于哪些场景？

 

基于消费者转化，对于品牌商及线下店铺，只有了解消费者结构才能做消费者运营，从消费者客单价、复购情况了解消费者的现状。

 

认知/曝光阶段：通过识别渠道曝光效率进行投放渠道选择；

潜客阶段：采集潜客相关的经营变化趋势，调整经营策略，针对性拉新营销；

成为新客阶段：增量统计各个维度新客的消费行为数据，了解新客转化为老客规律特征，赋能新客维持活动客群选择及投放渠道选择；

老客结构分析：了解老客客群基本特征及及老客维持规律特征，赋能老客维持活动客群选择、投放渠道选择；

促活沉寂消费者：洞察即将流失消费者画像特征，倾向性的选择营销渠道、营销目标客户；

消费者唤醒：洞察唤醒消费者行为特征，指导营销活动对非自然流失。

 

08 企业消费者数据资产在哪些方向变现？

消费者数据资产变现机会都在「顾客」—「产品」—「渠道」的实体关系中发生。

 

在「顾客」和「产品」间的人货匹配取决于精准企划和精准营销；在「产品」和「渠道」间的商渠匹配注重商品运营和目标人群定位；在「顾客」和「渠道」间注重渠道管理与导购赋能、消费者全生命周期运营。

以「精准营销」为例，精准营销在数据层面如何完成？

顾客产生的交易、与线下导购交流的数据回流到企业一方数据系统/三方数据系统，尤其企业一方数据回流到数据中台，基于标签/指标加工体系给不同的消费者贴上不同的标签，并存储在数据中台，通过奇点云自研的一站式会员运营平台DataNuza进行客群洞察和客群圈选。并通过公域流量/私域流量触达消费者后，消费者的购买行为再回流到数据中台，形成业务和数据闭环。

 

通过精准营销，提升点击率、转化率、ROI等指标，同时也优化顾客体验，避免过度骚扰顾客，在最佳的转化时机实现触达。

 

09 如何建立以人（消费者）为核心的商业逻辑？

过去，「扩张」是零售业的关键词。早期扩张线下渠道（如门店），电商和移动互联网崛起后扩张流量。与此同时，享受消费者自然增长的红利。在这个阶段，做好渠道和流量的不断扩张，做好商品品质，就可以实现业务的不断增长。

而现在，自然增长的消费者红利已消失。从粗放式的野蛮生长转变为精细化的经营竞争，是零售企业必须面对的课题。而现阶段更直白来说，也就是「争夺消费者在该品类下的钱包份额」。

 

具体而言，建立以人为核心的商业逻辑分为3步：

一、建立消费者视角的KPI，即UP值

UP值，即消费者年度（或季度、月度）产生的销售额或利润。作为与业务经营、与销售利润最为相关的消费者指标，UP值是消费者运营最核心的出发点，也是唯一的考评指标。

二、以UP值为核心，建立经营逻辑

在商业模式不变的前提下，拆解UP值的细化指标形成公式，每一个细化指标都匹配对应的消费者运营场景和动作。当消费者的UP值下降时，就可以根据公式，从这些细化指标入手去考察和提升。需要注意的是，在这里的提升主要针对现有的模式和品类份额，例如原有业务是鞋类品牌，那么提升的就是消费者在鞋品类的份额。

三、以消费者需求为核心，重建业务场景

在第二点之上，如果希望更进一步，则需要通过对消费者的洞察，满足消费者的关联需求，探索更新的模式、品类和业务场景，从而带来更高的消费者钱包份额和黏性。例如，在过去的商超场景，消费者必须要把原材料买回家自己烹饪，而在盒马可以选购完生鲜后当场烹饪品尝；以往消费者必须到店才能完成购物，盒马则用「30分钟到家」的模式满足了用户在家的消费场景。这就是通过探索新模式、拓展新品类，来增加消费者钱包份额，从而提升UP值。

 

10 有没有见效最快的/建设难度最大的/组织内反响最好的案例？

见效最快

为一家服装企业客户做了智能人效，原计划在9个月时间里帮助企业节约1千万成本，实际上在4个月的时间里就完成了全年的目标，帮助这家企业精简了1720人，相当于一年节省了8600万的人力成本，超额完成172%。同时，员工工作效率与组织协作效率也得到提高。

这看上去是很简单的一个案例。但实际上它是天气、商品、环境、供应链、组织等等数据揉在一起，用算法去解决，实现最优的人效。

难度最大

几乎没有一个企业的数据中台建设是从开始到交付完全一帆风顺的，多多少少会遇到一些难点，比如技术上的问题（例如数据质量差、数据量很少的问题），战略上的问题（缺少顶层设计），同时也有可能会有组织上的问题，组织内部没有建立统一的认知。当然针对这些难点，我们都有成熟的解决方案，逐一攻破就可以帮助客户形成属于自己的数据能力和业务创新能力。

组织内反响最好

我们服务过的企业客户在落地时间后组织内的反响其实都不错，比如一家亚洲知名的大型多元化房地产集团，他们表示「以前去反复宣贯、熏陶，数据能做什么，能实现什么，都不如这几个月项目落地后，效果直接看得见，不用多说，大家就非常认可。」

大数据和人工智能不是后方部队专用的「武器」，也更应该赋能给前线，我们为一家大型鲜果企业建设数据中台，在「超级店长」这个应用交到全国2000多家门店的店长手里后，很多店长都反馈好用：「拿着手机去盘货、看店，比平常捧着电脑到处操作要方便得多，应用里很多建议也是极具参考性的。」

在企业内部建立共识，用看得见的效果激励伙伴们直接感受到数据的价值，逐渐自主建立数据意识，这是企业实现数智化转型非常重要的一步。