告別拍腦袋！資料中臺如何驅動智慧商品運營

資料決策時代，越來越多企業著手將資料資產累計轉化為企業最重要的資產，渴望用資料驅動商業決策，提升商品運營能力。

然而，企業意識到資料資產的重要性，但在實際操作過程中，真正能把企業資料資產利用好的卻寥寥無幾。資料提升商品運營價值到底在哪裡？

「數智·泛零售」06課開始正式進入應用實操系列，由泛零售行業「人、貨、場」 展開。 南弈老師從「貨」出發，分享「資料中臺提升智慧商品運營能力」。

資料時代重新定義商品運營

在泛零售領域，商品運營到底存在哪些痛點？

人貨場關係發生轉變：新零售背景下，人、貨、場三要素關係已發生轉變，需要重構人貨場。

同質化嚴重：品牌設計和定位同質化，設計師對流行趨勢預測普遍依靠經驗，設計理念不能滿足消費者和市場需求。

產能過剩、庫存積壓：對市場的需求資訊和預測不符，造成生產端產能過剩、庫存積壓嚴重。

經營模式粗放：普遍採用傳統訂貨模式，訂貨的數量依靠訂貨商對於市場的經驗來判斷。

終端門店管理粗放：缺乏對門店資料精確採集和智慧分析能力，店鋪管理相對粗放。

新零售時代重構「人、貨、場」

「人」：商品最終都由「人」來購買，「人」即顧客，也就是客源。如果把商品比作舟，那麼顧客就是水，水能載舟，亦能覆舟。

實踐證明，門店之間競爭的本質是客源的爭奪，門店的生存和發展，主要取決於可持續進店消費的優質客源，精準捕捉客群，在對的時間找到對的人。

「貨」：營銷最根本的目標就是為顧客提供合適的商品，「人」和「場」都是為實現這一目標服務的。俗話說：巧婦難為無米之炊。門店沒有優質的商品，無異於無源之水，無本之木。

「場」：顧名思義就是場地，即門店賣場。創造門店業績的永遠是人，其中很關鍵的一點是優質客源，而要保證門店的客源，就必須想方設法創造良好的門店環境，以吸引更多的顧客進店和購買。這同時直接關係門店的形象。包括裝修設計和佈置陳列。

資料中臺如何提升商品運營

搭建資料中臺的第一步是客戶要有自己的資料，稱為「一方資料」。資料維度越多，分析獲得的結果越有價值。因此，除了一方資料之外，還需要三方資料，如：渠道投放資料、外部營銷資料、運營迴流資料等等。

資料從成本向資產進行轉變。

資料成為資產後，要用企業一方資料中臺對資料進行儲存、管理、治理，面向商品，所有資料分析的底層無外乎「指標」和「標籤」兩個維度， 基於商品運營做一些指標，進行標籤加工，可以為上層的商品運營提供資料支撐。

「商品洞察分析」可以做定位分析、生命週期分析、新品上市分析、銷售實時分析、經營洞察分析、商品覆盤分析等。 「商品運營分析」領域則可以基於營銷動作進行銷量預測分析、店貨匹配建議、商品首鋪建議、商品調貨建議、商品補貨建議、商品整合建議等。基於分析和運營成果進行運營策略，運營管理人員有相應運營決策支撐。幫助客戶建立資料服務能力，沉澱一方資料中臺後有自身的資料資產，也可跟公域流量做資源置換。「一方資料」：企業自由資料；「二方資料」：廣告投放及迴流資料；「三方資料」：公開的天氣、地圖等網際網路資料。

將一方資料、二方資料、三方資料彙集到資料中臺；垂直資料中心只是把資料同步過來，公共資料中心內建維表、事實表、業務過程、分析維度等；萃取資料中心面向不同體系做彙集。對外提供資料服務時，提供一整套資料開發邏輯，同時提供資料資產管理鏈路，滿足底層對資料開發、資料治理的需求，圍繞新零售領域的三要素「人、貨、場」構建資料智慧應用。以「貨」為核心，商品洞察分析核心的業務價值是提升洞察能力、問題分析能力；商品運營分析的核心業務價值則是產銷協同、供應鏈洞察、渠道管理分析支撐，最佳化企業資源配置，實現精細化管理、降本增效。 那麼，如何透過資料驅動商品運營？

從銷售不同階段，透過資料幫助不同的場景解決相應問題。

「售前」階段，做商品定位分析、商品數量規劃、流行趨勢分析、價格分析、銷量預測等；

「售中」階段，做商品上架、商品銷售、價格帶分析、商品陳列/排序、商品連帶分析；

「售後」階段，做銷售分析、商品覆盤分析、決策支援等。實時的銷售分析，快速的策略調整，支撐決策制定。

中臺架構下商品運營場景設計

舉一個運營場景設計案例—— 商品定位分析：離不開市場分析，市場定位是指對目標消費者市場 的選擇，可以是由地域、性別、年齡等方面綜合選擇的使用者群。基於市場定位找到目標人群，下一步我們對應什麼樣的商品來滿足目標消費市場的需求。 如何基於資料中臺做商品定位分析？

底層的資料層主要是一方資料，在此基礎上還需三方資料，資料統一到資料中臺後，做資料加工，基於資料建模方法論，做指標（商品屬性、價格帶分佈等）和維度（時間、天氣、商品屬性）分析，有了這些維度可對商品暢銷特徵進行分析，進行輔助決策。

商品運營案例解析

智慧選品案例

目前爆火的直播帶貨也屬選品範疇， 主播也會遇到選的商品沒有帶貨成功的情況，是因為對粉絲沒有很好的認知。在合適的門店，要基於消費群體選對合適的商品。

線上下，選品要店貨匹配，門店畫像（包括門店的基礎屬性、營銷資料、會員資料、商圈客流資料、周邊環境資料）。同理，商品畫像（商品標籤、電商平臺資料、歷史銷售資料）。 透過混合推薦演算法，把合適的商品推送到合適的門店，資料標籤越豐富、越精細，店貨匹配計算越精準。分享一個實際服務客戶的案例：我們為其在pad端做智慧選品，利用演算法根據門店和商品標籤計算兩者匹配程度，同時兼顧週日均銷量、庫存、價格帶分佈等因素，為每家門店獨立進行商品推薦；在自動推薦商品的同時，也支援店長自行選款，還可以修改款下的顏色和尺碼的數量；選擇完畢後提交，即生成訂單實現店長自主選品。

智慧補貨案例

智慧補貨規則，一般要對歷史資料（補貨記錄、銷售資料、庫存資料、天氣資料、運輸成本、門店資料、商品資料）進行分析，透過資料中臺，結合資料智慧演算法生成智慧資料模型， 銷售預測要足夠精準，降低斷貨率、成本提優。基於智慧資料模型生成自動補貨計劃表，補貨專員僅需做稽核工作，幫助客戶實現智慧補貨。

我們服務的一家服裝企業，該男裝品牌在全國有400多家門店，每個門店單品的sku並不多，需每天進行補貨，原來每人每天需要花2小時調整20張excel表，手動改sku等，對爆款的認知欠缺。 透過智慧補貨模型，資料中臺沉澱人工的補貨經驗，透過演算法形成補貨的邏輯，結合業務規則（庫存、物流等）與訂單業務系統無縫銜接。

奇點云為某男裝品牌公司打造智慧補貨系統，實現了：

·補貨計劃實時一鍵自動生成；

·上線後補貨工作比原來節省 95%的人力時間成本；

·補貨工作考核指標（斷位元速率和補貨售罄率）達成率平均提升 20%以上。並大幅避免了人工經驗水平差異和工作意外導致的調補貨效果波動，降低物流成本；

·透過資料跟蹤和AI智慧分析持續最佳化演算法模型，補貨規則更加精細化，利潤上升 20萬/店/年。

資料決策的時代，資料即資產。企業想要充分發揮資料資產，更應該重視資料、善用資料，沉澱自身一方資料能力，構建全面數字化運營能力。