行業觀察（三）| 服裝零售企業數字化升級要做到「心中有數」

近來，企業數字化升級已是服裝零售圈備受關注的熱點話題， 一方面幾乎所有的企業都認為數字化是零售行業發展的必然方向。但另一方面，對每一個具體品牌和零售企業自身來說，又似乎誰也不想做最早吃螃蟹的那個“小白鼠”。 尤其對於企業中負責公司資訊化建設的CIO們來說，更是面臨“道理我都懂，可是如何做？”、“理論很美好，但是業務部門不相信”等種種問題。而對於企業的最高管理層來說，所有人都會從業務增長和ROI的角度出發，關心一個最核心的問題，那就是：“什麼技術不重要，告訴我要投入多少錢，帶來多少收益，有什麼案例？” 這些心態和問題都是極為正常且非常合理的。

但是，我們也要看到自己企業的決策不能僅僅依賴於外部案例的參考，因為：其一、如果所有企業都要等待其他先行者的實踐驗證，那麼就永遠不會有創新發生。其二、即便是同行業、相似定位、相同模式的兩個企業，其內在細節都會有非常多的不同之處，服飾零售行業更是如此。其他公司的成功或失敗原因有很多，並不是照搬就能複製。這一點從近些年許多案例都可以證明，比如加盟與直營的模式之爭、TOC模式的推行、RFID技術的應用等等。

因此，成功案例的參考是一方面，但更重要的是對每個企業來說，我們更應該有對自身現狀清晰的認知和對新生事物明確的邏輯判斷。具體到服裝零售企業的數字化升級，筆者認為， 我們應當首先把握幾個最核心的問題：第一，對服裝零售企業具體來說，究竟什麼是數字化升級？第二，既然是大勢所趨，那麼我的企業應該在什麼時間點進行數字化升級最合適？ 第三，如何做和從哪裡開始著手？

筆者將分幾次，試結合我們近兩年來的實踐經驗，就這三個問題進行探討，希望能夠為讀者帶來一些有益的啟發。本次我們首先探討第一個問題： 什麼是服裝零售企業的數字化升級？

其實對零售業的數字化升級的定義已經有大量的專家和行業公司都進行過詮釋，因此我們在此不妨不做標準定義式的探討，而是從普遍的認知中提煉三個關鍵詞，再結合我們遇到的具體事例來闡述。這幾個關鍵詞就是： “更全面和更準確的資料”，“更強大的資料處理能力”，以及“資料更好地賦能業務”。

更全面和更準確的資料

零售行業的資料核心無非圍繞人、貨、場，而三者之間的互動就衍生出大量的結果資料和過程資料。 過去，傳統的線下零售資料主要是結果資料，我們的傳統資訊化系統中，如POS系統，ERP系統，WMS系統，CRM系統等，獲取的基本都是結果資料和極少一些可以輔助決策效率的“智慧”功能。這些系統使得經營管理者可以對結果現狀有及時和準確的認知（其實由於煙囪式的系統、口徑、視角等不統一的問題，結果資料往往也是不夠及時和不準確的），負責資料的技術人員（更多的是傳統IT團隊）的工作目標很可能就是建立一個更完善、更快速的BI。後來，隨著電子商務的飛速發展，我們發現，原來線上的過程資料居然可以如此有用，創造如此大的價值。

其一，過程資料是洞察消費者需求，甚至是潛在需求的重要依據。有了對消費者的全面認知，就可以做到“人以群分”和“投其所好”。即使素未謀面，但一個線上消費者可以被透過資料分析的技術，被透過幾千個數字化特徵標籤來“完整描繪”；而另一方面，這些過程資料是可以被分析、甚至預測和動態運營的，從而直接影響生意結果。與此同時，電子商務的經營邏輯重心得從以經營“貨”為核心的“人找貨”模式過渡到以經營“消費者”為核心的“貨找人”模式。這一轉變的意義是極其巨大的，因為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。電商頁面的“千人千面”、“猜你喜歡”的高轉化，以及近年來KOL在直播中頻頻令人瞠目結舌的超級帶貨能力都是非常好的例證。

而此時反觀線下零售，發現我們對線下“人”的資料知之甚少，對過程資料的採集和沉澱也幾乎為零。 我們除了在報表中看到增長乏力的銷售結果，我們不知道這個過程中我們的貨和場與我們的消費者之間發生了怎樣的過程；我們或許除了會員的手機號，我們不知道他們是怎樣的人、是哪些群體，不知道他們會喜歡什麼，他們為什麼來了又走，為什麼經常進店卻從未購買，為什麼試了卻沒買......我們不知道我們的店鋪營銷廣告方式是否合適、促銷活動是不是合理......我們不知道導購人員的配備是否合理，他們是否提供了足夠的、抑或是太多的服務......我們不知道每家店的銷售的增長或下降是在受那些因素的影響、程度如何？種種的不知道使得我們很難針對性地進行有效改善和提升。這樣的運營過程，如果從PDCA（計劃-執行-檢查-改善）迴圈的角度來看，我們無法Check（檢查），也就無法Act（改善），我們能做的就是從一次又一次的低水平重複中獲得一些有限的經驗性總結。而經驗的總結和積澱是需要很長時間的，這也是為什麼傳統零售難以跨越式發展的重要原因之一。

因此， 傳統零售服裝企業數字化升級的一個重要方面就是要有更全面和更準確的資料。 主要包括：商品資料（更精細合理的商品標籤、更準確的庫存狀態和數量）、門店資料（門店基礎物理資料，門店基礎經營資料、商圈資料、員工資料等）以及消費者資料。其中消費者資料是目前最為缺失的部分。更全面的消費者資料最好建立在一個良好的CRM基礎之上，我們不僅需要顧客的觸達方式（如電話號碼、微信等），還需要為每位會員建立更全面的畫像，其中重要的基礎資訊包括性別、年齡段、交易記錄（甚至是全渠道的交易記錄）等，還有基於技術（如AI或IOT）和人工手段捕捉到的各種非結構化資訊，例如到店記錄、關注歷史、試穿記錄、風格偏好、服務偏好等等。

更強大的資料處理能力

從過往我們服務過的和深入瞭解過的服裝零售企業來看，服裝零售企業儲存的歷史資料量普遍是比較小的，少的只有幾個G，多的也就幾十個G，過百G的都極少。資料通常和業務IT系統是一體化的，資料儲存的主要作用除了支撐日常業務資訊流轉，就是呈現BI或報表。但即便如此，其中有些規模較大的企業，已經開始在傳統IOE架構下遇到了資訊流轉速度和報表速度的瓶頸，有的業務單據生成速度過慢已經明顯影響到供應鏈效率，有的報表呈現時間已經需要以小時計。而如上文所說，我們數字化未來將會有更多和更全面的資料，尤其是大量線下非結構化資料被獲取，於是企業的資料量將從GB級向TB級甚至PB級發展。自然而然，對資料的處理能力要求也是水漲船高。

這裡，我們說“更強大”的處理能力至少包含這麼幾層意思：

第一，更強大的資料獲取能力。

資料的來源將會越來越豐富。 有的來自於內部業務系統本身（如ERP），有的來自於各種智慧IOT裝置（如智慧攝像頭），有的來自於外部的資料體系接入（如地理資訊資料，氣象資訊資料等）。那麼如何高效、準確地獲取這些資訊並且進行高質量的接入就是一個必須解決的技術問題。 而邊緣智慧化裝置（端）+資料中臺（雲）的建設就是應對這個挑戰的整體最佳途徑， 這也是奇點雲公司一直堅持打造的雲端一體產品體系的原因。

第二，更強大的資料治理能力。

資料來源的複雜性增加、資料維度增加、資料量的暴增都會給資料的治理帶來極大的挑戰。如果有了豐富的資料來源，但沒有規範的資料治理能力和資料管理體系，那麼整個資料系統將是一團亂麻，難以依靠。 因此我們建議企業即使在還沒有大量新的資料來源接入的準備階段就應當對現有的資料管理體系做個全面“體檢”，並對資料管理體系進行梳理和補全，以應對大資料的全面到來。 我們在過往服務企業的實踐中看到，往往這個“體檢”本身就可以對企業的資料現狀帶來非常有效的改善，並且直接帶來業務上的回報。同時，我們也看到， 建立資料中臺是長期為企業提供強大資料治理能力保證的最有效和最“一勞永逸”的方法。

第三，更強大的資料計算能力。

對企業使用者來說，獲取更強大而靈活的算力的最優方式應是資料上雲，但實際上目前很多企業出於對資料安全（往往是理念層面的過分擔憂）等方面的考慮會有遲疑和顧慮，這個問題我們在此暫不贅述。我們在此從另一個重要因素來稍作探討，那就是演算法能力。隨著近年來大資料技術和AI技術的快速進步，資料演算法的新理論、新方法也不斷湧現並被付諸實踐。而傳統企業往往由於資料量較小，資料創新和實踐場景較少等原因，內部的IT團隊很難緊跟技術的前沿，更不用說親自實踐。我們從現狀來看，目前國內服裝零售企業中還沒有看到在資料演算法方面有非常強的內部團隊的公司，但是我們也看到有不少企業已經在這方面重視起來，並且有了初步的專業資料團隊建立的動作。作為資料服務的提供商，我們非常樂於看到這一點。因為我們認為 所有資料計算的產出最終一定是要面向業務需求和在業務中被應用的。一個好的資料應用產品不僅僅是個技術問題，更是一個業務問題。 而對業務問題的理解，沒有比企業自身更深刻的。因此，企業應該至少擁有具備基本資料演算法能力的團隊或個人，一方面，他們能夠結合技術與業務源源不斷地看到新的資料應用的可能性、提出資料賦能的具體方向；另一方面，能夠更好地與外部資料技術服務商進行緊密的合作。

資料更好地賦能業務

科技的發展史一再證明，不能轉化為生產力的技術是沒有使用價值的。資料技術也不例外。一切的資料採集、資料治理、資料計算，最終是要服務於業務需求的，否則資料不是價值資產而是成本負擔。 那麼數字化升級中的資料智慧應用到底能夠為服裝零售企業帶來哪些服務於業務的價值呢？ 從我們服務於諸多客戶的實踐中，我們做出如下幾點總結。

第一，資料中臺提升BI質量。

首先，在我們進行全面數字化升級的過程中，第一步要做的就是了解企業的資訊化現狀和經營現狀。然後我們再基於企業的中長期目標，構建數字化升級戰略計劃，並且一步步投入和執行。而在現實案例中，往往我們在瞭解企業現狀的過程中，就可以發現在當前資訊化體系下的諸多經營管理問題。最常見的例如：報表速度慢，報表資料出錯，各個BI系統獨立割裂，各層級、各部門、各團隊的資料指標定義標準不統一， 資料統計和分析工作重複，或者大量個性化手工報表下沉在個人工作中等等。在構建資料中臺的過程中，透過資料體系指標的統一梳理，我們就可以很好地解決傳統IT架構下的普遍問題，從而首先在資料監測和資料呈現的方面有一個質的飛躍。 準確、及時、全面地瞭解企業經營現狀是一切業務決策的基礎。

第二，資料智慧化分析發現經營管理問題。

對傳統BI能力提升只是第一步，緊接著，我們可以透過資料演算法和更高階的資料分析模型來對資料進行深度挖掘，從而讓資料“告訴”我們在傳統BI分析框架中無法洞察到的經營管理問題。例如，某服裝零售企業，在資料中臺建立後，利用對門店、店員業績等方面的資料，精細分析了門店型別、銷售時間、銷售額、人員數量和人員業績等方面的關係，發現原有的根據店鋪面積和目標營業額而進行的店鋪等級分類來標準配備導購人員數量的做法有很大的改善空間。資料計算模型可以給出更精細的基於每個店鋪個體情況的人員配備和排班安排標準。從而做到在保持整體銷售業績的同時，精簡人數和更加合理的安排人員工作時間。僅此一項，該企業就節省了10%左右的用人成本。

第三，資料智慧預測和決策降本增效。

當前，服裝零售企業中幾乎所有的決策都依然依靠歷史經驗或個人經驗得出。這其中固然有非常合理的部分，但是也有很明顯的不足。比如說，歷史經驗一旦固化為流程，那麼將很難靈活改變。很多企業的日常運營工作都是跟著業務系統中的過程進行，而這些系統過程很可能是多年前基於當時的情況而搭建起來的，其中有些決策邏輯早已不符合今天的環境。另一方面，由於今天的硬體算力、大資料技術和人工智慧技術的突破，過去單靠人力所不能及的更智慧或更精細的資料預測和決策工作在機器和演算法的輔助下有了可能。

舉例來說，幾乎所有的服裝零售企業都有類似的商品管理部門，他們的工作就是管理日常各個門店的商品和庫存，以保證合適的商品、合適的庫存、在合適的時間以合適的價格被出售。但我們透過資料調研發現，多數企業中，商品管理的水平是沒有被深入分析和衡量的，往往他們的KPI就是一個粗暴的結果資料，比如整體商品週轉率和整體毛利率。僅從這樣兩個簡單的結果性指標，商品部門的人員是非常難以找到持續改善的具體方向的。更進一步去分析資料，我們發現其實在商品管理過程中有大量可改善的空間。例如同一個團隊中不同人員對商品管理的水平往往是有很大差異的，這直接體現為所轄店鋪經營業績的差距。令人苦惱的是，往往優秀的決策者自己也說不出（有時是不願說出）到底強在哪裡，而經驗水平較低的決策者也需要更長時間去成長和沉澱經驗。但是透過客觀的資料分析和建模，我們可以快速地把好的人工經驗沉澱為自動的演算法、甚至透過更深入的資料洞察發現更好的計算模型，從而賦能團隊中的每一個人。自動化的演算法不僅大大節省了許多人員的工作時間，而且在資料分析和經營決策的精細度上做得更好，辦到靠人力難以辦到的事。最終使得整體的決策結果帶來更大的商業利潤。比如，利用大資料分析來為每一家門店進行選品組貨，可以帶來更高的售罄率和更少的庫存積壓。客戶實踐表明，由此帶來的銷售額增長在3%以上。再比如我們用智慧配補調模型可以把原來幾十個人每週需要五六個小時完成的工作在幾分鐘內就完成，並且帶來更低的斷貨率和更最佳化的物流成本。

另外，線上下消費者洞察方面，如前文所說，由於可以採集到更全面的人貨場資料，我們對消費者的瞭解可以變得更加深入和具體。從而可以像線上一樣對他們進行畫像、分群、圈選和更精準的服務與營銷。例如，有客戶原來每隔一段時間都會對線下會員進行無差別的簡訊優惠資訊投放，成本高且固定，轉化率卻很低。透過基於大資料的使用者畫像和分群后，他可以做到在內容和頻次上的智慧差異化投放，成本降低了約20%，轉化率卻提升了5%以上。

第四，資料智慧催生新的商業模式。

企業除了能夠基於現有業務，進行持續最佳化和改善，還有可能依託資料智慧來孵化新的業務場景和商業模式。 例如有企業在嘗試透過對消費者的需求洞察，來預測會員的喜好和需求，從而提供主動的送貨上門試穿服務，企業“賭”的就是能大機率形成購買轉化，只是這個“賭”是用資料智慧做到“心中有數”。再比如某大型服裝連鎖品牌企業嘗試在供應鏈上進行全面的實時資料上雲，並且透過資料分析和預測進行更好的產能排程、原材料採購和物流安排。同時，為鏈上的生態企業提供基於資料智慧的供應鏈金融服務。

從以上的總結中，你有可能會發現：一方面，服裝零售企業的數字化升級是一個系統性的工程，他可能涉及到硬體的部署、軟體的更迭，技術的升級，組織的調整，業務方式的改變等等諸多方面的變化。但另一方面，由於企業現狀之間的巨大差異，它似乎又是一個比較分散的流程。那麼對於每個服裝零售企業而言，究竟“我的”數字化升級之路應該如何開啟呢？且聽下回分解。