数据驱动决策 是零售数字化的下一站

零售数字化已经大势所趋、人心所向，各类数据中台乃至“数据湖”系统建设风起云涌。然而当零售企业坐拥了海量数据，把上至供应链、下至每位顾客的门店消费过程全部记录在册，零售企业的经营水平自然讲究得到提高了，显然并非如此。在现实中，数据好比是铜钱，太多了而使用不得要领，则可能拿也拿不住、用也用不了；那么，穿钱的红线在哪里，零售数字化的下一站会走向何方？

一、只有执行而无决策的零售数字化

近20年间，零售数字化高速发展，各类进销存、会员、门店运营、供应链等信息系统快速发展并普及；约3年前，新零售浪潮袭来，微营销、O2O商城，乃至业务中台、数据中台等系统已逐步成为零售企业的标配。

然而，当我们走近审视，这些系统无一例外都是面向执行的；例如，某零售中台/POS系统可严格地执行这样的促销规则：A+B商品组合特价，同时可参与全场满减优惠，同时只在特定门店、VIP等级的会员可享受此规则。

然而，为什么选择这些商品，面对哪些客群最为适合，促销规则能否带来最大化销售额或毛利额，以及顾客参与度？这些关键问题的答案往往语焉不详，只是凭借人为经验，或者简单参照历史促销档期的类似做法。

同时，大量的数据分析报表已充斥于我们的视野，每个经营岗位都面对着少则几十张，多到百十张的报表。然而，报表只是过去事实的简单汇总，真正需要形成面向未来的经营决策，却仍需要经营者来做出。

因此，在零售企业已被信息系统“武装到牙齿”的情况下，高度重要的零售经营决策过程却仍然低质低效：

1) 决策高度依赖于人，个人经验、能力以及责任感缺一不可，且无法复制；

2) 决策过程高度混沌，主要依赖人脑和Excel等简单工具，过程无法记录和追踪，效率和效果也无从进一步提升与优化；

3) 无法有效预见未来，对于因决策本身而引发的经营变化趋势没有精准的预见。

纵然有越来越多的数据和报表，由于没有面向决策的信息系统支撑，导致各类拍脑袋、拍胸脯、再拍大腿的情况屡见不鲜，严重制约了连锁零售企业进一步提升决策水平、改善经营绩效的努力。

二、如果AlphaGo来到零售世界，将会发生什么？

近年来，名为ABC（即人工智能AI、大数据Big Data、云计算Cloud Computing）的组合声名鹊起，被认为是各个产业必然会经历的升级、创新的必由之路。

真正让ABC组合深入身心的是AlphaGo的到来：2017年5月，智能机器人AlphaGo战胜围棋世界冠军柯洁而震撼世界，2017年因此也被称为中国人工智能元年。

AlphaGo唯一了解的围棋规则是获胜，其成功主要依赖机器学习，包括对大量历史对局棋谱，乃至自我博弈的海量运算。那么，如果AlphaGo来到零售世界，将会发生什么？

不难发现，令AlphaGo一战成名的3大法宝，即监督式策略网络、价值网络搜索、深度神经网络，稍加适配调优之后，完全可满足零售经营需求，实现对于零售场景的决策支持；对比说明如下：

三、数据驱动决策是零售经营与人工智能结合的最佳形态

苏宁近东曾表达：“我们希望让零售更加智慧，让零售充满AI，让越来越多的人得到更有‘AI（爱）’的零售的极致体验！”京东刘强东也表示：“但人工智能技术将对现有零售进行再造，将用户体验、成本、效率推向极致并创造出巨大的社会价值。”

那么，实体零售企业的人工智能之路应如何开启呢？其答案必然是基于人工智能算法，实现数据驱动决策，其原因十分直白、深刻且普适：

1、充分挖掘海量沉淀数据的价值；人工智能的核心在于机器学习，零售企业持续多年经营所沉淀的海量数据，则为机器学习底定了良好的基础；而结合人工智能后的进一步的决策、执行、评估的PDCA循环，则更强化了机器学习的不断闭环，犹如AlphaGo持续不懈的人机对战。

2、在关键零售经营场景实现智能决策；人工智能对于零售经营的支持既非面面俱到，也非大包大揽，而是结合具体的经营场景，按需采用人工智能实现随需应变的决策输出；

场景化意味着轻量化、碎片化，可将一个经营决策过程拆分为若干环节，分别予以赋能，

例如促销决策过程，可拆分为促销选品推荐、促销价定价建议、促销销量预测等；同时也可以将这些环节整合联动，获取更大的价值。

3、摆脱对决策人员的过度依赖；在一般条件下，人工智能即可提供高于平均水准的决策建议，并高度稳定持续，同时又增加了众多独到的视角与方法；如果经营决策者与人工智能得以深度结合、各展所长，则能够实现大大高于过去水准的决策水平，形成更为科学全面、可操作性更强的决策成果，从而摆脱了完全依赖于特定人员的决策局面。

因此，在科技必然趋势、零售发展规律的双重驱策下，依托人工智能的数据驱动决策必然会成为数字化进程的下一站。

四、小场景孕育大应用，创造商业价值是唯一目标

人工智能与围棋博弈数据结合，令AlphaGo成为了围棋世界的无冕之王。那么，人工智能与零售大数据的结合又会带来什么呢？无疑，持续创造商业价值是其中的唯一目标和方向。结合哈步团队数年以来与天虹、卜蜂莲花、步步高等领先零售企业的共同探索和实践，可发现以下直击零售痛点，并实现数据驱动决策的场景和契机：

场景1，顾客战略分群

痛点：理解顾客是“以顾客为中心”的第一步，然而“顾客心，海底针”，理解顾客并实现人以群分却绝非容易；

方法：深度顾客洞察，从不同维度上解读顾客的需求和潜力、顾客的忠诚度变化情况、商品品质或价格敏感度、生活方式的偏好与变迁，从输出精准的全景式顾客画像，并不断实现与时俱进；

算法：K-Means、均值漂移、高斯混合等；

价值：实现顾客忠诚度、品质或价格敏感度以及生活方式等不同视角的顾客战略分群，流失顾客留存率可提升8%-15%、关联营销转化率可提升12-20%，顾客整体满意度也会有显著优化。

场景2，个性化EDM海报

痛点：一般零售企业的促销海报包含有少则80、多则数百商品特惠，但海量信息往往让顾客不知所云，也没有人能够把这些信息全部读完，因此大量的营销资源和销售机会被浪费了；

方法：通过人工智能算法，基于历史数据的挖掘分析，从而精准地识别顾客的消费偏好、价格带期望，从而只是精准地推荐10~25个商品。

算法：逻辑回归、GBDT、FFM等；

价值：在顾客获得更为精准匹配的推荐信息之后，海报在线打开率可提升25%-45%、到店消费转化率可提升15%-28%，同时带动海报档期内门店消费的整体拉升。

场景3，智能销量预测

痛点：传统销售预测方式由于采用数据维度较少，且算法简单粗放，导致预测误差较高，导致门店缺货率较高，同时库存周转率较低；

方法：采用海量特征数据与多种机器学习模型相结合的方式，融入销量、日期、商品、门店、促销、天气、商圈等100多种特征量开展全量数据运算，获得更为精准的预测成果；

算法：LSTM、ARIMA、XGBoost等；

绩效：全面提升预测精度之后，关键商品的门店缺货率可下降8%-15%，同时库存周转率可提升10%-22%，有效地改善了供应链效率。

当然，以上只是数据驱动决策中已得到验证的数十个场景的惊鸿一瞥，更多的惊喜乃至惊艳的场景正在不断地激发和创造出来。在厚重的零售大数据沉淀基础上，在人工智能与云计算能力的加持下，科技的力量正不断探索和实现这零售经营中旧能力的提升、新视野的破壁。数据驱动决策，是零售数字化的下一站，你准备好了吗？

本文为投稿内容，作者信息：王元盛，哈步数据CEO助理、首席市场官，上海交通大学MBA，拥有14年以上的零售咨询和信息化服务经验，曾服务王府井、中信集团、卜蜂莲花、良品铺子、北国等大中型零售与品牌企业。