數字產業創新研究中心主席、北大光華學院副教授董小英女士在《跨越能力陷阱，企業數字化轉型的戰略對策》中提到，我們的運營體系比較僵化固化而且很陳舊，數字化水平很低的話，很多黑箱企業是看不到的，所以一旦危機來了（現在危機來的非常快），企業掉頭很慢，所以抗風險能力就會弱。消費類互聯網它姓“人”，它是以“人”為核心的，而工業互聯網姓“工”，它不能用消費類互聯網的玩法，傳統企業要實現全鏈路數字化，最少十年，特別是以數據做基礎，做主數據，原數據管理，企業越大復雜度越高，數據標準的建立難度越大，但是越重要。
因此——數字化是買不來的，特別在數據管理方面是最能反映企業管理基礎的，萬一企業的數據標準化出現問題，那整個系統中的數據的可信度都會出問題。
買設備是容易的，但是企業將數據管好這是個真功夫。那么實體零售如何構建數據管理體系，本文將重點介紹。
零售業數據應用存在的問題
1、數據的統一性、完整性較差
零售行業一般不會擁有完整的數據整合系統，比如票務、餐飲、零售這些系統各自獨立，各個系統的數據沒有辦法打通，形成一個個數據孤島，數據價值難以得到充分的發揮，因此很難得到統一、完整、直觀，并能從各個業務主題與維度展現運營活動的管理數據。
同時，在企業經營管理、經營決策、戰略決策、風險管控上，經常出現信息數據依據不足、不準確，判斷困難的情況，如何有效進行數據整合以響應企業運行效率，也是零售行業數據決策的實際需求。
2、數據響應不及時
隨著零售業務系統的越來越多，收集的數據越來越細，使用系統的時間越來越長，數據量的增長越來越快，現有的系統已經無法對數據量較大的數據進行快速響應。
傳統的數據應用模式中，業務部門需要將數據需求提交給IT處理，但IT的人力不能保證對分析需求的及時響應，對一些報表的調整也十分困難。
3、缺少多維度的數據分析平臺
以顧客分析為例：零售主管不能掌握顧客消費軌跡，無法對顧客的消費進行引導經營。同時，也無法掌握顧客群體屬性，導致缺少提升服務水平的重要參考項。
服務業市場化充分，競爭壓力相對較大，顧客對服務質量的要求相對較高，缺少對會員的有效管理，無法掌握企業顧客群體屬性，企業難以走到消費者簽名，提供更出色的服務體驗。
4、零售行業需要一個完整的大數據應用架構
針對數據決策分析過程中的數據處理，整個零售行業大數據應用架構的建立需要經歷四個階段：源數據庫數據抽取、ods數據庫ETL轉換、數據倉庫和數據集市、最終用戶界面。其中：
源數據庫數據抽取
用戶需要采集的源頭數據庫或者數據倉庫，本系統源數據庫為crm系統和其他原有應用系統，以及一些可能的需要EXCEL導入的數據源。
ods數據庫(預處理數據庫)ETL轉換
用于存儲從源數據庫中獲取的數據，中間使用ETL工具進行數據抽取、轉換、清洗、裝載，數據進入預處理數據庫對數據進行清洗和架構，實現數據的可用性。
數據倉庫和數據集市
對目標數據庫中的數據進行多次整合加工，形成面向主題的、集成的、穩定的、不同時間的數據集合，改數據庫可根據業務情況，有選擇的轉義成可識別的字段名稱，生成用戶前端用戶可直接拖拽使用的Cube文件數據。
前端頁面（最終用戶界面）
前端用戶根據業務包轉義名稱，直接拖拽數據進行統計得到dashboard進行分析結果的展示。
構建數據分析模型（以商品與會員分析為例）
零售企業搭建完數據應用框架之后，就要進行數據分析模型的建立。
零售行業的數據分析工作，通過不斷梳理零售業務，我找到了零售行業關注的重點，分別是商品、門店、庫存、活動、會員等五個，然后構建每一個場景的分析模型。
1、商品分析
商品分析應該是零售行業最最關注的點，無論是領導或是業務人員，都會面對以下問題：
到底哪些商品能夠獲得消費者青睞，一路飄紅？哪些商品應該淘汰？應該淘汰的商品銷售額占比是多少？同一種商品的價格區間分布是怎樣？……
當用BI工具整合了多個業務系統中的數據，進行數據加工、清洗后，進行下面二個分析
ABC分析：根據商品對店面銷售的貢獻度及顧客對商品的本身的需求，按照70%，20%，10%將商品分為A，B，C分類，并進行分類數據分析，包括 SKU數量，銷售金額，庫存金額。
商品價格帶分析：商品價格帶分析是零售商在做市場研究時經常使用的方法，通過分析同類商品不同價格帶的銷售額，銷量，掌握此類商品用戶的消費層次及數量，勾畫出超市對該商品的基本需求。從而超市采購再根據店面定位來選擇商品的采購層級及數量。
品牌效益分析：通過對各品牌對應的銷售額，利潤，客單價，銷售成本率等指標的月度變化趨勢，進而評估該品牌的效益。
第二步，確定了分析方法之后，梳理出這個場景下的業務模塊、業務指標和分析維度，通過圖表工具建立起指標體系，商品分析的指標體系如下圖所示：
最后，通過圖表來展示上面三個分析結果，如下圖所示：
2、會員分析
對于零售行業來說，有效的客戶細分是深度分析客戶需求、應對客戶需求變化的重要手段。通過合理、系統的客戶分析，企業可以知道不同的客戶有著什么樣的需求，分析客戶消費特征與商務效益的關系，使運營策略得到最優的規劃；更為重要的是可以發現潛在客戶，從而進一步擴大商業規模，使企業得到快速的發展。
而在以往，沒有數據的支撐，想要了解以下問題往往是比較困難的：
消費者(會員)的特征分布是怎樣的？不同特征的會員又有著怎樣的消費偏好？怎樣才能有的放矢，針對的提出營銷手段？消費者(會員)的行為又是怎樣的？喜歡在哪些時間消費？在不同的時間喜歡購買的品牌又是否一樣？
為此，用圖表工具的多源數據整合功能，將crm、erp等系統的數據打通，建立完善的用戶畫像與用戶分類，然后針對不同類型的不同用戶，結合過去歷史數據形成的消費特征，進行差異化精細化的營銷動作。
接著進行會員分析的指標體系建立，如下所示：
數據能力構建的核心價值與深遠意義
今天，以數據智能推進品牌建設，精準運營用戶，已經是全球眾多品牌的“戰略標配”。數據越精準，企業產品開發的風險便越小，生產成本和損耗也會變得更低。同時，企業對消費者的感知也會更精確，營銷費用也比較低。而這些數據，靠傳統渠道是無法獲知的。
新零售體系下，要求傳統品牌商/零售商以消費者運營為核心，以數據為能源，實現全鏈路、全媒體、全數據、全渠道的智能化運營。從上圖的零售業數據應用金字塔模型中我們能看到，用戶唯一ID（用戶畫像），數據拉通能力是企業進行業務運營（成本，效率），用戶洞察與體驗優化（體驗）的基石。
應用場景數據化
無論是盒馬鮮生、超級物種、連咖啡，還是小米之家等，這些“新物種”無一不是基于消費者的場景化需求而出現的。電子小票、專屬導購客服、客戶到店數據采集也是諸多應用場景的成功實踐。
定位到正確的場景，就是成功了一半。品牌商/零售商之所以要做UNI-ID，要建設數據中臺，要搭建智能應用，其目的都是為了實現應用場景的下沉。所以無論數據中臺搭建得多么強大，UNI-ID體系建設得多么完善，沒有應用場景的支撐，數據就只是存儲著的0和1而已，沒有任何商業價值。
同時，有了成功的應用場景，消費者才愿意與品牌商/零售商進行互動，有效的互動過程中，才能幫助企業拿到真實的用戶數據，反哺和優化現有的“人-貨-場”數據資產，讓其發揮更高的價值。
應用場景的規劃不是天馬行空式的，需要符合企業的戰略發展，滿足未來落地的實際需求。品牌商/零售商在面對行業中不斷涌現的“新玩法”，“新物種”時，總有一顆躍躍欲試的心，此時更要求決策者們冷靜的思考，根據實際的需求，現狀和數據能力判斷投入和產出。
長期的實踐讓我們對于這樣的規劃形成了一套獨有的探索-定義-驗證-規劃的方法。能夠幫助品牌商/零售商從戰略的角度出發，結合自身的業務現狀進行理性的調研和分析，通過發散-收斂的循環往復，勾勒出應用場景的雛形。對數據的探索和關聯成為了數據化應用場景的關鍵，這一過程中涉及諸如：內部數據的勘查，外部數據的調研，數據成熟度分析，數據的場景化匹配等內容。
下圖展示了一個應用場景的規劃所涉及的內容（參考）：
效益指數和緊迫性指數將決定著應用場景列表中有哪些場景是需要優先被測試模擬的。通過POC驗證高優先級的應用場景，便于對數據需求進行調整和優化。通過創建-設計-定義-測試的閉環進行迭代后，最終形成了數據化后的應用場景。
企業數據化管理發展方向
《數據化管理》作者黃成明在“零售業務場景中的數據驅動”中談到企業數據化管理的發展方向，在此用文字描述以饗讀者。
數據化管理首先是對數據的管理。
完善數據結構，把數據做大 、提高數據質量，把數據做精、養成數據入庫的意識和機制。不夯實數據基礎，數據驅動就是空中樓閣。
同一個數據，同一個標準，同時企業一般需要兩個關于數據運行的小組。
項目小組 1.規劃公司數據需求和框架 2.梳理并確定所有指標及定義 3.審議和發布指標口徑變化 4.評估各部門數據規范情況 5.學習借鑒其他公司管理經驗。
專職助理 1.項目小組和各部門聯系紐帶 2.維護數據規范|培訓數據員工 3.收集各部門數據和指標需求 4.監督各部門數據規范使用 5.管理和抽查數據入口質量
結語
零售業是一個數據密集的行業，商品、供應鏈以及用戶挖掘等方面有極多的數據應用。除了上文提到的數據庫、數據倉庫、數據應用、和數據應用場景，品牌商和大型零售企業還需要關注數據治理，數據安全等多個新零售時代下的難題。關于數據治理與數據安全，接下來我們會深入探索。
簡言之：在傳統零售時代，從產品的規劃設計到送達消費者使用的整個供應鏈中，我們依靠人力來做出聯動和商業決策，自然會流失很多的商機。也無法整體發掘我們為消費者帶來的價值。
在智慧零售時代，品牌商/零售商端到端的轉型已迫在眉睫。在通過數字賦能優化決策和轉型的過程中，數據令品牌能夠快速反應，及時改進銷售策略、調整產品。數據能力決定了誰能把握新零售的機會，誰又將被歷史所淘汰。
大數據時代需要用數據賦能員工的商業洞察力。
寫在最后
精準數據體系的建設是一項任重而道遠的工程。只有擁有了精準的數據體系，運用合理的、科學的數據分析手段獲取的分析結果。而精準數據體系的建設，絕非一日一夕之功，需要在充分意識到數據分析為企業今后發展所帶來的巨大深遠價值意義的基礎上，將其視為一項長期的工作任務。通過各類可運作手段和多個相關部門的緊密配合，去將精準數據體系建設融于到日常的工作中去。
