2020年注定是載入史冊的一年。逆境之下，新一代消費心理和營銷模式正發生巨變，零售企業的“人貨場”格局自此面臨重塑，數字化轉型再次被推上促增長的拐點。不確定性已經成為常態，精細運營、快速反應，讓決策更智能，將成為未來十年的確定性。

10月23日，2020觀遠數據智能決策峰會暨產品發布會在上海舉行，本次峰會由國內零售智能分析領域的領先企業觀遠數據主辦。此次峰會匯集了500+來自連鎖零售、快消品牌、購物中心、新經濟消費等各個領域中有代表性的企業高層，釋放前沿觀點，解讀疫后企業數字化轉型方法，共同探索通往數據智能的新路徑。

黑蟻資本運營董事劉湛帶來了《資本前瞻：貫穿商品生命周期的數字化運營》的主題演講，他表示，我們需要數據和系統讓所有的運營規則得以沉淀，通過快速試錯縮短反饋周期，在原有運營基礎上不斷探索和嘗試來實現復合增長。他認為，運營進化分為四個階段，而最終階段應該是一個智能化的階段，通過機器學習尋求最優解。

以下為劉湛演講摘要：

黑蟻資本是一個專注于消費領域的新興資本。我們注重投后的賦能，希望能跟企業一起共同成長。我加入黑蟻時間也不長，之前在零售企業工作過較長的時間，也做過不少數字化轉型方面的探索與嘗試，今天主要圍繞這些內容進行分享。

分享的內容分三部分：一是運營的演進路線：我們運營到底如何打怪升級；第二，圍繞商品如何做全鏈條數字化運營；第三分享一些數字化轉型的案例。

運營進化的四個階段

我們需要使用數據和系統讓運營規則得以沉淀，并且通過快速試錯縮短反饋周期，在原有運營基礎上不斷探索、嘗試，以實現復合增長。

在我看來，運營進化分為四個階段：第一個階段是一體化：主要是消除信息孤島，將割裂信息串聯起來做一體化的分析，實現全流程全場景的打通。這個地方有兩層含義：一方面是我們要干掉Excel，不再是使用Excel去存儲數據、更新數據以及傳遞數據；另一方面我們的文檔存儲的是非結構化的數據，所以我也不希望看到企業繼續使用word來記錄我們產品文檔和業務文檔，以及通過微信來傳播這些文檔。因為這種文檔和數據的管理方式缺乏協同，缺乏版本管理，會增加我們溝通的成本。

有了這個基礎之后，我們需要把所有數據匯總到數據倉庫，從而實現比較高效的可視化分析。能夠通過看板從各種維度分析數據，看到一些現象，猜想其現象背后的原因可能是什么，做出一些假設，思考如何解決這些問題。在這個過程中，我們的運營水平得以更上一個臺階，就可以開始做一些差異化的運營嘗試，將差異化的現象變為個性化運營的機會，嘗試精細化運營。

精細化運營之后，想要再進一步，精細化的程度需要更上一層樓。但這一過程中，數據量的暴增會讓我們運營探索工作變得更加復雜，此時必然要走自動化的道路。只有把人工的經驗沉淀成固化的運營規則，才能維持高復雜度的精細化運營。

但是，把人工經驗全部沉淀到系統還不是運營的一個最終階段，最終階段應該是一個智能化的階段，通過機器學習尋求最優解。

全鏈條數字化運營

很多企業剛剛起步的時候并沒有龐大的IT團隊，此時做系統不是一件容易的事，只能依賴第三方的公司。這時的數據還比較輕量，不需要很多人就能通過數據分析快速得出一些結論和方向性的指示。

數據有三個層面：第一個叫know what 第二know why 第三know how。

第一要把數據字典建立起來，了解公司有哪些運營核心指標，讓指標可視化、可監控；第二，發現一些差異化的現象，比如銷售不穩定，為什么銷售不穩定？依靠數據的分析給我們一些思路和答案，通過3個非常重要的維度——時間、空間跟品類進行拆解。找到原因之后，我們最終的目的是什么？是要做出改變，這就到了know how的這個層面，根據猜想做一些驗證和小范圍的測試，一旦驗證成功，要想辦法把它沉淀到規則和系統里去，把算法、模型、規則以及流程放到系統中，下一次便可以在原有基礎上做分析、拆解、驗證、沉淀，形成一個快速反饋的鏈條。

回到門店也是一樣的思維邏輯，要注意的有兩個前提：第一，如果是一個比較新的企業，你有沒有歷史數據？如果沒有歷史數據，就難以快速去做這個事情；第二，擁有歷史數據，但要注意數據是否具備分析價值，是否平穩。如果開店速度特別快，數據又不穩定，那么參考價值就比較低。如果是一家經營了3到4年的企業，每年開店的速度又比較健康恒定的，那么數據參考價值就比較高，可以去做這個事情。

這是我們之前做門店分析總結出來的經驗跟流程。首先我們會分析門店的歷史數據，然后對陳列的現狀通過巡店做一個分析。在巡店過程中，需要從各種維度看門店的數據，比如看單品的數據，看商品的庫存，過去7天的銷售，過去14天的銷售等等，此外，還可以看看別的門店的情況，商品的銷售排行狀況等等。

做完這些分析之后，我們就可以開始做一些調整計劃，讓店長跟店員配合執行。在這個過程中，我發現其實店長跟店員是比較難推動的，所以我們要把數據進行比較精細化的處理，最好直接給到簡單易用的行動建議。如果我們沒有把know how這步做好，店長、店員可能會看不懂數據，不利于調整的推進。

陳列藝術與庫存平衡

再講下陳列的藝術，很多時候我會從經濟學原理得到一些啟發，萬物都是相通的，從數學原理到經濟學的原理給到了我很多的靈感。

陳列中有一個概念叫最小陳列量，就是一種商品最少要放多少。那么這個最小陳列量到底是怎么算出來的呢？我想到經濟學的一個生產函數，核心的三個指標：總產量、平均產量、邊際產量。如果超過最小陳列量，之后再往上疊加商品，每個商品帶來的平均產出會愈來愈低，但是沒有達到最小陳列標準的時候，平均產量更是遠低于正常水平，所以那個合理的最小陳列量在哪里，這需要我們要做數據統計分析。

利用觀遠的可視化工具，我們做了一個很直觀的分析。具體做法是：我們把數據的分析粒度放得很細，每個單品在每個門店每一天的庫存數量和銷售數量全部抓出來，然后做聚合，聚合之后我們就可以生成右邊這樣的兩張圖線，可以看到邊際產量跟平均產量發生兩次的cross over。

這一頁講的是庫存平衡的藝術，做零售其實就是要找一個數學最優解。什么是庫存平衡的最優解？庫存平衡的挑戰在于需求不穩定以及供給不穩定。

關于庫存平衡，我覺得首先得看看自己是一個什么樣模式的企業，售賣的是哪些品類的產品，因為不同企業會有不同的輸入參數。其一是安全因子，是服務水平的標準正態分布求逆，要先設定商品滿足率的目標，或者缺貨率的目標，明確能容忍多少的缺貨率，是10%還是20%，如果是10%對應的這個因子是1.28%，即90%的概率都不缺貨。應當衡量當我多賣出一個商品的時候，我的邊際收益是多少，以及多積壓一個庫存的時候，邊際損失是多少，然后綜合兩者衡量一下這個水平到底是多少，繼而反推安全因子再帶進公式中完成計算。

我們還可以做得更精細一些，一般講缺貨率并非全局缺貨率，只要保證頭部商品不缺貨就行了。在二八效應之下，頭部商品為我們的銷售提供主要貢獻，把頭部商品保住，基本銷售就得到保證。頭部還可以再分細一點，比如說頭部的Top100和Top300可以區別對待，設置不同的缺貨率計算出不同的結果。

配補算法相當于足球場上的腰部中衛，起著承上啟下的作用，連通前端銷售和后端采買，如果給門店的品類組合預留一些彈性伸縮的空間，就可以通過配補算法對門店的品類占比變化進行反饋，進而反饋到企劃層牽引全盤的品類組合變化, 加強采買計劃、反饋調整的頻次。

銷售預測與智能選址

我也做過一個購物籃分析，就是通過統計概率的概念，用FP-Growth算法來實現。在用戶行為預測這一塊，我們是用的是機器自動學習，能夠去預測用戶未來3天購買的概率有多大，以及3天之后他用券的概率有多大，能看到找出的關鍵因子在不同的場景下存在差異。

銷售預測，很多人會問：你這個算法銷售預測能做到多少？這里有一個前提。首先，為什么做這個銷售預測？第二，銷售預測的粒度是什么，做到什么粒度。這又可以回到剛才我們講的時間、空間和品類三個維度，回到做什么力度的銷售預測這個問題。然后，是做整個大盤的預測？還是做其中某個品類的還是單品的預測？做品類時，還要看它是季節性還是非季節性，比如服裝本身單款銷量不高，生命周期又比較短但交期比較長，因此服裝的銷售預測是比較具有挑戰性的。

我們做預測目的是什么？銷售預測我覺得最大的目的是幫品牌做企劃，銷售預測做得比較準，企劃就比較容易做了。當你清楚未來6個月到底要備什么貨，企劃就可以加各種規則和約束，來避免發生太多因人為錯誤導致偏離目標太遠。

預測跟剛才講的安全庫存一樣，預測也不是說要預測所有的商品，也可以只預測頭部的商品。我們自己之前還開發過一個智能選品的小工具。我們常說，產品計劃是一個理性決策，商品計劃是感性決策，那么如何給到感性決策一些理性支撐？

以熱水袋為例，我們把全網數據扒出來，買手輸入關鍵詞，然后在全網扒一些銷量高的商品，還原成柱狀圖，我們買手就可以看到最暢銷的熱水袋在怎樣的價格帶分布。同時，我們把全網最暢銷的商品的屬性數據全部都抽取出來聚合形成餅圖，就可以看到2019年熱水袋的填充物應該是要用水而不是化學材料的，這些可以給到我們買手選品方面的支撐。

最后關于智能選址，我們也做了一個工具，根據自己扒的宏觀外圍的數據，跟人工填的微觀數據放在一起，大概有四五十個維度，通過機器學習大概可以達到70%多的水平。我們也拿了200多個門店的歷史數據來做訓練集，這里還有一個提升空間——這些數據都是根據我們自己內部200多個門店訓練出來的數據，我們還可以找到一些對標品牌，把他們數據扒出來做一些分析。

現在有些品牌在用一些比較偷巧的方式做選址，就是跟隨策略，肯德基選址是非常有名的，很多餐飲選址就看KFC怎么開店了，還可以通過評論的密度能夠推測出來區域餐飲熱度如何，然后再決定我們要不要開在那個區域。