什么是服装零售企业的数字化升级

startdtsms 2019-05-29

大数据 算法 数据分析 报表

近来,企业数字化升级已是服装零售圈备受关注的热点话题,一方面几乎所有的企业都认为数字化是零售行业发展的必然方向。但另一方面,对每一个具体品牌和零售企业自身来说,又似乎谁也不想做最早吃螃蟹的那个“小白鼠”。尤其对于企业中负责公司信息化建设的CIO们来说,更是面临“道理我都懂,可是如何做?”、“理论很美好,但是业务部门不相信”等种种问题。而对于企业的最高管理层来说,所有人都会从业务增长和ROI的角度出发,关心一个最核心的问题,那就是:“什么技术不重要,告诉我要投入多少钱,带来多少收益,有什么案例?” 这些心态和问题都是极为正常且非常合理的。

但是,我们也要看到自己企业的决策不能仅仅依赖于外部案例的参考,因为:其一、如果所有企业都要等待其他先行者的实践验证,那么就永远不会有创新发生。其二、即便是同行业、相似定位、相同模式的两个企业,其内在细节都会有非常多的不同之处,服饰零售行业更是如此。其他公司的成功或失败原因有很多,并不是照搬就能复制。这一点从近些年许多案例都可以证明,比如加盟与直营的模式之争、TOC模式的推行、RFID技术的应用等等。

因此,成功案例的参考是一方面,但更重要的是对每个企业来说,我们更应该有对自身现状清晰的认知和对新生事物明确的逻辑判断。具体到服装零售企业的数字化升级,笔者认为,我们应当首先把握几个最核心的问题:第一,对服装零售企业具体来说,究竟什么是数字化升级?第二,既然是大势所趋,那么我的企业应该在什么时间点进行数字化升级最合适? 第三,如何做和从哪里开始着手?

笔者将分几次,试结合我们近两年来的实践经验,就这三个问题进行探讨,希望能够为读者带来一些有益的启发。本次我们首先探讨第一个问题:什么是服装零售企业的数字化升级?

其实对零售业的数字化升级的定义已经有大量的专家和行业公司都进行过诠释,因此我们在此不妨不做标准定义式的探讨,而是从普遍的认知中提炼三个关键词,再结合我们遇到的具体事例来阐述。这几个关键词就是:“更全面和更准确的数据”,“更强大的数据处理能力”,以及“数据更好地赋能业务”。

更全面和更准确的数据

零售行业的数据核心无非围绕人、货、场,而三者之间的交互就衍生出大量的结果数据和过程数据。过去,传统的线下零售数据主要是结果数据,我们的传统信息化系统中,如POS系统,ERP系统,WMS系统,CRM系统等,获取的基本都是结果数据和极少一些可以辅助决策效率的“智能”功能。这些系统使得经营管理者可以对结果现状有及时和准确的认知(其实由于烟囱式的系统、口径、视角等不统一的问题,结果数据往往也是不够及时和不准确的),负责数据的技术人员(更多的是传统IT团队)的工作目标很可能就是建立一个更完善、更快速的BI。后来,随着电子商务的飞速发展,我们发现,原来线上的过程数据居然可以如此有用,创造如此大的价值。

其一,过程数据是洞察消费者需求,甚至是潜在需求的重要依据。有了对消费者的全面认知,就可以做到“人以群分”和“投其所好”。即使素未谋面,但一个线上消费者可以被通过数据分析的技术,被通过几千个数字化特征标签来“完整描绘”;而另一方面,这些过程数据是可以被分析、甚至预测和动态运营的,从而直接影响生意结果。与此同时,电子商务的经营逻辑重心得从以经营“货”为核心的“人找货”模式过渡到以经营“消费者”为核心的“货找人”模式。这一转变的意义是极其巨大的,因为它使得商品交易中的“供需匹配”效率得到了前所未有的提升。电商页面的“千人千面”、“猜你喜欢”的高转化,以及近年来KOL在直播中频频令人瞠目结舌的超级带货能力都是非常好的例证。

而此时反观线下零售,发现我们对线下“人”的数据知之甚少,对过程数据的采集和沉淀也几乎为零。我们除了在报表中看到增长乏力的销售结果,我们不知道这个过程中我们的货和场与我们的消费者之间发生了怎样的过程;我们或许除了会员的手机号,我们不知道他们是怎样的人、是哪些群体,不知道他们会喜欢什么,他们为什么来了又走,为什么经常进店却从未购买,为什么试了却没买......我们不知道我们的店铺营销广告方式是否合适、促销活动是不是合理......我们不知道导购人员的配备是否合理,他们是否提供了足够的、抑或是太多的服务......我们不知道每家店的销售的增长或下降是在受那些因素的影响、程度如何?种种的不知道使得我们很难针对性地进行有效改善和提升。这样的运营过程,如果从PDCA(计划-执行-检查-改善)循环的角度来看,我们无法Check(检查),也就无法Act(改善),我们能做的就是从一次又一次的低水平重复中获得一些有限的经验性总结。而经验的总结和积淀是需要很长时间的,这也是为什么传统零售难以跨越式发展的重要原因之一。

因此,传统零售服装企业数字化升级的一个重要方面就是要有更全面和更准确的数据。主要包括:商品数据(更精细合理的商品标签、更准确的库存状态和数量)、门店数据(门店基础物理数据,门店基础经营数据、商圈数据、员工数据等)以及消费者数据。其中消费者数据是目前最为缺失的部分。更全面的消费者数据最好建立在一个良好的CRM基础之上,我们不仅需要顾客的触达方式(如电话号码、微信等),还需要为每位会员建立更全面的画像,其中重要的基础信息包括性别、年龄段、交易记录(甚至是全渠道的交易记录)等,还有基于技术(如AI或IOT)和人工手段捕捉到的各种非结构化信息,例如到店记录、关注历史、试穿记录、风格偏好、服务偏好等等。

更强大的数据处理能力

从过往我们服务过的和深入了解过的服装零售企业来看,服装零售企业存储的历史数据量普遍是比较小的,少的只有几个G,多的也就几十个G,过百G的都极少。数据通常和业务IT系统是一体化的,数据存储的主要作用除了支撑日常业务信息流转,就是呈现BI或报表。但即便如此,其中有些规模较大的企业,已经开始在传统IOE架构下遇到了信息流转速度和报表速度的瓶颈,有的业务单据生成速度过慢已经明显影响到供应链效率,有的报表呈现时间已经需要以小时计。而如上文所说,我们数字化未来将会有更多和更全面的数据,尤其是大量线下非结构化数据被获取,于是企业的数据量将从GB级向TB级甚至PB级发展。自然而然,对数据的处理能力要求也是水涨船高。

这里,我们说“更强大”的处理能力至少包含这么几层意思:

第一,更强大的数据获取能力。

数据的来源将会越来越丰富。有的来自于内部业务系统本身(如ERP),有的来自于各种智能IOT设备(如智能摄像头),有的来自于外部的数据体系接入(如地理信息数据,气象信息数据等)。那么如何高效、准确地获取这些信息并且进行高质量的接入就是一个必须解决的技术问题。而边缘智能化设备(端)+数据中台(云)的建设就是应对这个挑战的整体最佳途径。

第二,更强大的数据治理能力。

数据源的复杂性增加、数据维度增加、数据量的暴增都会给数据的治理带来极大的挑战。如果有了丰富的数据来源,但没有规范的数据治理能力和数据管理体系,那么整个数据系统将是一团乱麻,难以依靠。因此我们建议企业即使在还没有大量新的数据源接入的准备阶段就应当对现有的数据管理体系做个全面“体检”,并对数据管理体系进行梳理和补全,以应对大数据的全面到来。我们在过往服务企业的实践中看到,往往这个“体检”本身就可以对企业的数据现状带来非常有效的改善,并且直接带来业务上的回报。同时,我们也看到,建立数据中台是长期为企业提供强大数据治理能力保证的最有效和最“一劳永逸”的方法。

第三,更强大的数据计算能力。

对企业用户来说,获取更强大而灵活的算力的最优方式应是数据上云,但实际上目前很多企业出于对数据安全(往往是理念层面的过分担忧)等方面的考虑会有迟疑和顾虑,这个问题我们在此暂不赘述。我们在此从另一个重要因素来稍作探讨,那就是算法能力。随着近年来大数据技术和AI技术的快速进步,数据算法的新理论、新方法也不断涌现并被付诸实践。而传统企业往往由于数据量较小,数据创新和实践场景较少等原因,内部的IT团队很难紧跟技术的前沿,更不用说亲自实践。我们从现状来看,目前国内服装零售企业中还没有看到在数据算法方面有非常强的内部团队的公司,但是我们也看到有不少企业已经在这方面重视起来,并且有了初步的专业数据团队建立的动作。作为数据服务的提供商,我们非常乐于看到这一点。因为我们认为所有数据计算的产出最终一定是要面向业务需求和在业务中被应用的。一个好的数据应用产品不仅仅是个技术问题,更是一个业务问题。而对业务问题的理解,没有比企业自身更深刻的。因此,企业应该至少拥有具备基本数据算法能力的团队或个人,一方面,他们能够结合技术与业务源源不断地看到新的数据应用的可能性、提出数据赋能的具体方向;另一方面,能够更好地与外部数据技术服务商进行紧密的合作。

数据更好地赋能业务

科技的发展史一再证明,不能转化为生产力的技术是没有使用价值的。数据技术也不例外。一切的数据采集、数据治理、数据计算,最终是要服务于业务需求的,否则数据不是价值资产而是成本负担。那么数字化升级中的数据智能应用到底能够为服装零售企业带来哪些服务于业务的价值呢?从我们服务于诸多客户的实践中,我们做出如下几点总结。

第一,数据中台提升BI质量。

首先,在我们进行全面数字化升级的过程中,第一步要做的就是了解企业的信息化现状和经营现状。然后我们再基于企业的中长期目标,构建数字化升级战略计划,并且一步步投入和执行。而在现实案例中,往往我们在了解企业现状的过程中,就可以发现在当前信息化体系下的诸多经营管理问题。最常见的例如:报表速度慢,报表数据出错,各个BI系统独立割裂,各层级、各部门、各团队的数据指标定义标准不统一, 数据统计和分析工作重复,或者大量个性化手工报表下沉在个人工作中等等。在构建数据中台的过程中,通过数据体系指标的统一梳理,我们就可以很好地解决传统IT架构下的普遍问题,从而首先在数据监测和数据呈现的方面有一个质的飞跃。准确、及时、全面地了解企业经营现状是一切业务决策的基础。

第二,数据智能化分析发现经营管理问题。

对传统BI能力提升只是第一步,紧接着,我们可以通过数据算法和更高阶的数据分析模型来对数据进行深度挖掘,从而让数据“告诉”我们在传统BI分析框架中无法洞察到的经营管理问题。例如,某服装零售企业,在数据中台建立后,利用对门店、店员业绩等方面的数据,精细分析了门店类型、销售时间、销售额、人员数量和人员业绩等方面的关系,发现原有的根据店铺面积和目标营业额而进行的店铺等级分类来标准配备导购人员数量的做法有很大的改善空间。数据计算模型可以给出更精细的基于每个店铺个体情况的人员配备和排班安排标准。从而做到在保持整体销售业绩的同时,精简人数和更加合理的安排人员工作时间。仅此一项,该企业就节省了10%左右的用人成本。

第三,数据智能预测和决策降本增效。

当前,服装零售企业中几乎所有的决策都依然依靠历史经验或个人经验得出。这其中固然有非常合理的部分,但是也有很明显的不足。比如说,历史经验一旦固化为流程,那么将很难灵活改变。很多企业的日常运营工作都是跟着业务系统中的过程进行,而这些系统过程很可能是多年前基于当时的情况而搭建起来的,其中有些决策逻辑早已不符合今天的环境。另一方面,由于今天的硬件算力、大数据技术和人工智能技术的突破,过去单靠人力所不能及的更智能或更精细的数据预测和决策工作在机器和算法的辅助下有了可能。

举例来说,几乎所有的服装零售企业都有类似的商品管理部门,他们的工作就是管理日常各个门店的商品和库存,以保证合适的商品、合适的库存、在合适的时间以合适的价格被出售。但我们通过数据调研发现,多数企业中,商品管理的水平是没有被深入分析和衡量的,往往他们的KPI就是一个粗暴的结果数据,比如整体商品周转率和整体毛利率。仅从这样两个简单的结果性指标,商品部门的人员是非常难以找到持续改善的具体方向的。更进一步去分析数据,我们发现其实在商品管理过程中有大量可改善的空间。例如同一个团队中不同人员对商品管理的水平往往是有很大差异的,这直接体现为所辖店铺经营业绩的差距。令人苦恼的是,往往优秀的决策者自己也说不出(有时是不愿说出)到底强在哪里,而经验水平较低的决策者也需要更长时间去成长和沉淀经验。但是通过客观的数据分析和建模,我们可以快速地把好的人工经验沉淀为自动的算法、甚至通过更深入的数据洞察发现更好的计算模型,从而赋能团队中的每一个人。自动化的算法不仅大大节省了许多人员的工作时间,而且在数据分析和经营决策的精细度上做得更好,办到靠人力难以办到的事。最终使得整体的决策结果带来更大的商业利润。比如,利用大数据分析来为每一家门店进行选品组货,可以带来更高的售罄率和更少的库存积压。客户实践表明,由此带来的销售额增长在3%以上。再比如我们用智能配补调模型可以把原来几十个人每周需要五六个小时完成的工作在几分钟内就完成,并且带来更低的断货率和更优化的物流成本。

另外,在线下消费者洞察方面,如前文所说,由于可以采集到更全面的人货场数据,我们对消费者的了解可以变得更加深入和具体。从而可以像线上一样对他们进行画像、分群、圈选和更精准的服务与营销。例如,有客户原来每隔一段时间都会对线下会员进行无差别的短信优惠信息投放,成本高且固定,转化率却很低。通过基于大数据的用户画像和分群后,他可以做到在内容和频次上的智能差异化投放,成本降低了约20%,转化率却提升了5%以上。

第四,数据智能催生新的商业模式。

企业除了能够基于现有业务,进行持续优化和改善,还有可能依托数据智能来孵化新的业务场景和商业模式。例如有企业在尝试通过对消费者的需求洞察,来预测会员的喜好和需求,从而提供主动的送货上门试穿服务,企业“赌”的就是能大概率形成购买转化,只是这个“赌”是用数据智能做到“心中有数”。再比如某大型服装连锁品牌企业尝试在供应链上进行全面的实时数据上云,并且通过数据分析和预测进行更好的产能调度、原材料采购和物流安排。同时,为链上的生态企业提供基于数据智能的供应链金融服务。

从以上的总结中,你有可能会发现:一方面,服装零售企业的数字化升级是一个系统性的工程,他可能涉及到硬件的部署、软件的更迭,技术的升级,组织的调整,业务方式的改变等等诸多方面的变化。但另一方面,由于企业现状之间的巨大差异,它似乎又是一个比较分散的流程。

登录 后评论
下一篇
云攻略小攻
1899人浏览
2019-10-11
相关推荐
0
0
0
463