消费行业的颗粒度革命,AI+BI如何打败Excel报表?

在企业运营、管理的大生态中,以数据驱动决策的商业智能(BI)软件日渐成为强刚需,为企业决策和运营预判提供“油盐水”的支持。

成立于2016年的BI服务商观远数据,一方面深耕泛零售与消费领域,不断拓宽行业应用场景。另一方面,坚持“AI+BI”,降低BI使用门槛的同时,不断推动决策从统计分析往更智能的预测与诊断分析迈进。

成立四年,观远已服务联合利华、沃尔玛、百威英博、全家、鲜丰水果、赫基集团、元气森林、小红书、bilibili等近两百家的行业品牌。

撰文 | 力琴

信息化时代,企业通过基础IT建设产生大量的业务数据,如果不及时进行处理就很难发现当下的业务问题和机会。

Excel最多能承载十万级数据量,报表工具也只能承载百万级数据量,而DT时代,企业数据动辄上亿,尤其是零售消费行业SKU数量多,数据颗粒度细,数据更新频率高。

仅凭传统数据分析工具,即使是专业数据分析师也难以给予业务高效支撑。 敏捷化、智能化的商业智能(BI)正成为主流。

商业智能旨在将企业在生产、活动及运营等环节生成的数据进行整合、清洗、分析、可视化并分发,以便企业实时地理解数据并获取具有价值的决策信息,了解企业业务运行的全貌。

BI作为指导企业运营、决策背后那双看不见的“幕后推手”,需要具备智能化、敏捷化的能力,以实现“业务主导的自主分析模式”。

观远数据作为BI行业中的新锐玩家之一,利用“AI+BI”的产品服务模式,丰富场景化服务,帮助更多企业实现精细化运营和智能决策。

 一 “看不见”的幕后推手

在企业运营、管理的大生态中,以数据驱动决策的商业智能(BI)软件就处于上段位,为企业决策和运营预判提供“油盐水”的支持。

企业要维持竞争优势,需要持续改进流程与商业决策。通常情况下,企业业务操作都会产生大量的数据,例如订单、库存、交易账目及客户资料等,通过商业智能软件能够帮助决策者增进对业务情况的了解。

商业智能的关键在于如何从业务数据中提取有用的信息,并根据信息产生有价值的结果。 作为一家新一代智能数据分析与决策(AI+BI)解决方案服务商,与传统商业智能不同,观远数据通过智能数据分析,提供可行动的决策建议,帮助企业在数字化与智能化升级的过程中建立可持续的竞争优势。

观远数据成立于2016年,其创始人兼CEO苏春园,毕业于卡内基梅隆大学,曾任职于MicroStrategy微策略,并担任全球高管及中国区研发总裁。

观远数据创始人苏春园

早在创办之初,苏春园就意识到不少规模比较大、品牌实力强劲的企业数据基础并非想象中完善,基于服务中大型企业的经验与数据能力,观远数据瞄准了泛零售与消费市场。

不过,观远数据所在BI赛道并非蓝海,入局者众多。 尤其随着企业对数据的认知和重视不断加深,对数据的存储、处理、管理和价值挖掘的重视程度增加。

自去年以来,就有不少提供BI服务的厂商获得资本的青睐。例如明略科技、数澜科技、思迈特等。那么,观远数据优势能力又在哪里呢?

在产品差异化方面,观远数据从成立之初就确定了“AI+BI”的产品战略,以面向业务场景、面向决策过程、面向智能分析的思路去打磨产品落地方案。在落地过程中,观远数据提出一整套从BI(敏捷分析)到AI(智能决策)的完整“5A”落地路径方法论。


以场景化为例,观远数据会将指标可视化,通过不同类型的销售指标、流量指标和库存指标呈现可视化,针对不同的用户,落地不同的分析模型。

这一点明确指向了从不同类型管理者,例如,在连锁零售领域,针对CEO、一线店长和数据分析师,搭建自上而下的数据分析体系。“CEO对于企业数字化的认知、目标和边界定义,决定了企业数字化推进的方向和节奏。”苏春园表示。

在店长角色中,会有当天的业绩目标、现阶段业绩目标、囤货数量等。

“如此一来,可以实现精细化的数据运营,店长就可以把握每天的盈亏平衡点,需要多少才能够达成目标,还需要做怎样的工作才能促进业绩达成。”现场工作人员告诉机器之心。

“通常情况下,95%的企业都可以直接利用观远数据提供的数据处理与分析能力,无需任何定制。从4年前产品研发的第一天开始,观远的产品理念就是低代码和无代码,只是这些概念最近一年行业才开始突然热起来。”

观远团队过去十年一直深耕数据分析领域,最近几年又深度服务了很多头部的零售消费领域客户,很多行业经验陆续沉淀到数据分析模型中,针对不同需求企业提供快速上手的标准化方案。

据机器之心了解,分析模板与模型由行业顾问牵头把关,无论是针对怎样的业务需求,在将数据给到技术之前,都会交给顾问,经由调研,理清业务模型、管理思路后,投入使用。

在所聚焦的行业方向上,观远数据聚焦的是泛零售、消费与互联网行业,以服装行业为例,目前Lily商务时装全国有1000家门店,从店长到导购,都可以通过观远移动端的数据分析看板(店长/导购管家),以每小时为单位去发现所负责区域的数据指标变化。

“例如,服装行业里比较经典的258黄金点,下午2点、5点和晚上8点,不同的点如果指标没有完成,就可以通过数据分析及时追踪是哪些原因导致,究竟是客流、橱窗摆设还是服务问题。找到问题之后,就可以通过及时人为干预抓住其中的增长机会。”

苏春园还向机器之心表示,今年观远数据也实现了一些新行业的突破,包括新锐消费品牌、运动户外、美妆美业、综合通用行业等。 尤其,在疫情加速的节点,企业对数字化的需求越发迫切,也给观远数据带来了新的升级与机会。

 二 AI与商业决策的迭代与优化

不少企业的经营状态都在疫情期间深受影响,以线下门店为主的零售业、服装业面临开闭店的抉择为例。

疫情期间,观远数据与头部连锁零售企业合作推出“开闭店分析”,利用商业智能进行全局的数据监控,去发现哪些是局部受疫情影响较小的门店,哪些是受疫情刺激需求更旺的门店。

当中,涉及的关键数据指标有门店的来客数、营业额、可复工员工数等数据,以此判断哪些门店满足开闭店条件。 针对零售店的“开闭店”虽然只是短时间,疫情过后,目标没有发生改变,依旧是以“人货场”为核心,实现精细化运营。

“人”的层面,通过会员分析,精准识别消费者的喜好、消费习惯和消费能力。

据机器之心观察,观远数据也可以关联门店人脸识别系统中的数据去分析用户的消费习惯。在观远合作的一个案例中,某零售商户的门店会设置人脸识别的摄像头,既可感知人脸,也可识别客流。当摄像机抓拍到人脸之后,可以跟后台的会员ID做关联与映射。

“比如,持有门店会员的消费者进店后,收银员可以了解消费者的消费标签和消费习惯,就可以适当给消费者推荐产品。”观远数据工作人员告诉机器之心。

“货”的层面,通过数据分析优化商品结构、提高商品的客单价。通过每天、每周的迭代,找到不同商品最优的表现条件,将商品的营业额贡献率最大化,提前做好供应链补货准备。

“场”的层面,指导企业向全渠道转型,通过精细化运营,延续线上流量的红利。

“未来零售企业的竞争力重点在于,是否能够更敏锐地洞察消费者。”一位零售行业从业者说道。 实际上,以AI、大数据为导向的商业智能,正在帮助零售消费业务实现数字化转型。


在AI能力方面,观远数据在2020年智能决策峰会上发布了一站式分析平台3.0版本,涵盖Universe数据开发、Galaxy数据分析、Atlas云三大“灰科技”产品线。在纵向应用上,Universe中的一站式AI项目开发与运行功能——Universe-Lab先后与联合利华、沃尔玛、百威等世界500强零售消费企业落地行业需求预测、智能配补货等AI应用。

销售预测对于商业企业而言至关重要,这能够判断当下投入对企业本身是否足够重要。

行业咨询机构曾经做过一份数据调查,如果对商品降低1%的成本,净利润就能够上升若干个点。 基于AI需求预测,观远数据与多家头部品牌合作了这些场景,比如和沃尔玛基于果蔬商品智能预测的补货优化项目。

据了解,国内线下有各种的销售渠道,产品需求量极大。而生鲜类又对保鲜有要求,一旦遇到库存过多又滞销,会造成重大损失。

对于生鲜库存而言,通过销售预测来指导进货与库存,能够在保证攻击的前提下,进一步降低库存金额,降低成本。因此,准确的销量预测数据对于供应链的配补货有至关重要的意义。

工作人员告诉机器之心,实际上,涉及到供应链的配补货,数据分析追踪从销售订单就开始,可以追踪到工厂发货。

“比如需要1万件订单,BI的数据分析能力就可溯源到工厂端,再按工厂的计划进行拆解,例如需要多少原材料,再往生产环节进行拆解。”

此外,观远数据还和联合利华搭建了供应链全流程的模拟化平台。据数据显示,截止到今天,联合利华在中国80%的传统生意已经可以完整地通过使用机器模型输出结果取代传统的人工预测。

由此也可说明,现在新零售的营销和服务不再仅仅只是促销、媒介购买和广告投放就能解决问题,以数据和技术为驱动的营销能力同样重要。

 三 “新零售颗粒度革命正在到来”

如今,在新零售里,消费者的购买行为和消费习惯比以前更加碎片化、随机化,更难以预测。

苏春园认为,零售消费行业的颗粒度革命正在到来或者加速到来。“原来,零售消费是一批货、一群人,现在注重的是单店、单品、单时、单度、单客、单次,所有的经营元素,不断地在被拆细。”

由此,指导零售消费企业经营决策的改变,已经由每周、每月店铺营收和品类表现,细化到每天、每时单个SKU的贡献率或每个消费动作的改变。

“大数据时代,企业都不缺乏数据,缺乏的是对于数据整合、分析、应用的能力”苏春园提到。

在此背景下,借助AI+BI能力实现全面数字化转型显得尤为重要。但是,数字化转型并不只是技术转型,零售企业还需考虑自身身份的转变,例如从粗放经营向数据驱动的精细化运营转变。

根本在于,以消费者为中心,重构人货场,通过数据和技术来不断驱动运营效率的提升和商业模式的转变。

产业观远数据
暂无评论
暂无评论~