首先简单介绍一下我们公司——观远数据，我们是一家来自于杭州的主要针对零售行业提供AI+BI数据智能分析解决方案的一家公司。

我们团队核心成员主要来源于微策略和阿里，平均都有十多年的零售行业数据分析从业经验。

最近几年我们服务了不少零售品牌客户：

像连锁零售领域有全家便利店、生鲜传奇、谊品生鲜、鲜丰水果等；

快消品牌有百威、联合利华、元気森林、斑布；

餐饮茶饮行业有汉堡王、奈雪的茶、蜜雪冰城、COCO、古茗奶茶；

综合零售领域有王府井百货、郑州丹尼斯等。

—1— 数据帮助零售企业做了什么？

在我们看来，我们和我们服务的这些客户一起打造了零售的最佳数据分析实践，用数据赋能企业，门店、商品、供应链、营销等各个业务链条。

建立各业务板块的数据分析场景，通过每个场景的数据分析，帮助他们洞察每个业务运营状态，协助他们建立以数据分析、数据应用为基础的数据化运营体系。

通过服务这些客户，我们也总结出了当前零售企业要想实现数据驱动运营面临的困境，大致分为数据、工具、组织、方法四个方面，

▊ 数据层面主要体现在数据口径不统一，数据定义不清晰，数据业务价值低下；

▊ 工具层面主要体现在当前很多零售企业数据分析还都依赖于erp报表和excel，属于站桩式看数据，无法深入挖掘数据业务价值；

▊ 组织层面主要体现在人的方面，每个业务部门都想得到数据的赋能，但又缺失真正能看懂数据的人，数据决策的意识不够；

▊ 方法层面主要体现在虽然有些客户也上了BI数据分析平台，但是搭建的数据分析模型无法深入结合业务痛点和需求，更多的都是一些报表的可视化展现，无法体现业务分析的管理逻辑。

刚提到的数据模型构建方法的缺失，举个例子给大家介绍下，这是某客户商品中心的日常报表，我问客户：这些报表打开率高吗？能够解决你们现在的业务痛点和诉求吗？有清晰的业务模型解读逻辑吗？客户说这些都没有。

所以我们认为商品中心数据分析逻辑首先应该监控商品品类的业绩达成情况，未达成部分通过诊断模型来落实原因抓手。

最后再通过商品洞察模型，寻找品类的机会增长点。

那么如何有效解决刚刚提到的这些痛点和难题呢？

我们认为首先得明确下当前零售行业数据驱动运营的目标，那就是通过数据分析决策平台提升企业经营效率，提升我们的店效，坪效，品效，客效和人效。

—2— 智能数据分析决策平台

怎样帮助零售企业实现经营管理？

那么智能数据分析决策平台在零售企业的经营管理上能起到什么样的作用呢？

我们思前想后，觉得用我们开车时经常用的导航来比喻比较形象。

首先智能数据分析决策平台可以帮助零售企业实现目标管理，告诉我们企业实现经营目标有几条路径？哪条路径是时间最短、成本最低？

同时还能实现过程追踪，及时提醒我们当前的进度情况，要想到达目标还需要多长时间？

最关键的作用是，可以实现堵点预警，告诉我们企业目前在商品整个供应链环节上，哪个节点出现了问题？有没有更好的第二路径选项？

并且这个预警不仅仅是让商品供应链部门知晓，还能实现横向协同，能够让营运，营销，财务等关联部门都能知晓。

要想实现这个目标，建议分五步走：

第一步，拉通底层数据；

第二步，以终为始，通过战略目标，管理逻辑拆解，来构建企业数据分析体系；（具体如何拆解，等下我重点给大家介绍下）

第三步，根据指标拆解过程中涉及的业务痛点和需求，构建数据分析模型和场景：

第四步，在沉淀出的业务数据模型基础上配合AI算法引擎，构建AI智能决策应用，最后将BI和AI的数据分析模型打造成数据分析应用产品，在移动端，PC端，大屏端赋能给终端用户。

那么如何以终为始，通过经营管理逻辑来拆解企业关键指标，从而构建数据分析指标体系呢？这里我给大家分享一个茶饮客户的例子。

当时我问客户老板，你们家公司级的北极星指标（最重要的指标）是哪个指标？他说是单店营收，因为单店营收是他们品牌商和加盟商的共同的利益点。

那么影响单店营收的要素指标由客户数、复购率、客单价构成。

客户数主要体现在顾客服务和会员营销上，因此需要营运门管部和品牌营销部来负责。

复购率分为门店复购率和产品复购率，门店复购率主要受门店的QSC影响很大，这个一般由营运门管部来主抓。

而产品复购率在茶饮行业受口味的影响最大，而口味又受食材品质、原料效期、操作这三方面影响，食材品质主要由产品研发部和采购供应链部门来负责。

采购供应链部门当时有三个核心指标：采购品质，采购计划达成率，采购成本。

我们问采购部门哪个最重要，当时说采购成本最重要，这时他们老板就提出：同等条件下，采购品质最重要，品质影响口味，从而影响产品复购率，从而影响单店营收。

其他的指标的推解我就不一一介绍了，由此我们就得到了每个部门需关注的核心指标。

相比得到的企业的数据分析指标体系，我们更看重从企业核心指标推解看数据逻辑的过程。

通过推解过程，我们可以把企业核心要素指标都做了一次梳理，对重点运营业务构建数据关系模型，并且有可能发现之前erp建设时忽略的数据断层，从而推动ERP系统的改善。

—3— 如何根据系统指标

构建相应的业务数据分析场景？

那么有了这些系统的指标体系后，如何为之构建相应的业务数据分析场景呢？

下面给大家分享一些我们服务客户过程中沉淀出的一些场景。

我们在给很多连锁零售企业在做管理分析逻辑指标拆解的过程中，经常发现畅销品缺货率是影响门店成交转化率的一个核心要素指标。

门店缺货原因的诊断起来比较复杂，有可能是门店订货不准，但是更多的时候会发现问题出现在配送中心环节，配送中心无货可配，应订未订或者是已订未到。

在已订未到的情况下，还需要追溯到工厂或厂商端，看是否是工厂原材料不足或者生产排期出了问题，从而找到问题的抓手和改善方向。

这其中关键在于能否在数据分析平台上将采购逾期率、订单满足率、订单流转状态等核心数据分享给各个关联业务部门知晓，提高公司销售、商品、供应链、研发等部门之间的协同效率。

我们知道开生鲜超市很大的难点就是损耗控制，而损耗的最大问题就是很难及时管控，因为损耗其实分布于整个供应链环节，由从采购、仓储、配送、门店销售各个节点都有损耗。

特别是门店端损耗尤为严重，因为门店出清不及时等原因，又经常造成折扣损耗和废弃损耗。

那么如何通过数据赋能卖场出清等现场管理呢？我们可以通过数据追人的形式来实现。

通过监控大屏和手机端的消息提醒，及时告知卖场管理人员当前时间点卖场业绩的完成进度、重点品类的销售占比、重点单品的进销比等指标是否合理？是否存在滞销的风险？及时做好店间调拨和打折出清。

我们知道如果门店的商品正好满足顾客的需求，那就产生了销售收入，而如果顾客想要的商品门店里面没有，那么就会带来销售机会损失，如果门店的商品不是顾客想要的，特别是鲜食等短保商品那边就会带来废弃损失。

因此门店销售损失分为废弃损失和销售机会损失，我们先看废弃损失，在废弃损失模型里，我们不仅要看哪个商品废弃金额最高，更要看这个商品是热销品还是滞销品。

如果是滞销品那说明门店订货不合理，但是如果热销的鲜食不在废弃清单那可能问题更严重，说明这个商品订少了，有机会损失。

在销售机会损失分析里，我们特别关注这个商品当天是几点钟售罄的，由此带来的机会损失金额是多少，从而可以辅助调整下次的门店订货量。

我们知道便利店是解决顾客一餐一次的需求，因此我们需要知道门店在早尖峰的时候什么产品好卖？下午茶时间什么产品好卖？

并且不同的区域南方北方，不同的商圈，学校店，工厂店，不同的季节可能都不一样，从而需要我们对于业务数据进行诊断的时候，需要考虑各种条件因素，挖掘到更细的分析颗粒度。

因此通过数据分析模型，我们可以沉淀出不同的商圈在周一到周五，周六周日，来客数的不同波形图标准，进一步分析我们还可以得出在早尖峰应该热卖的商品是否热卖了，热卖的同时连带销售是否也是正常的。

上面刚刚介绍的都是我们观远数据在BI方面的场景应用，最后给大家分享一个我们的AI应用门店经营智能诊断。

目前像便利店和餐饮等小店大连锁业态，当前门店经营管理面临门店经营状况评判维度单一，缺乏客观的横向对比标准，日常经营更多的依赖于人员，运营管理经验无法沉淀和标准化，无法快速验证经营效果并改进策略。

首先我们通过聚类算法，从营业规模、营业趋势变化、地理位置等多种维度来给门店确定虚拟标杆店，增强门店横向对比标杆的合理性。

在有了虚拟标杆店的基础上门店诊断系统通过AI算法模型，不仅能诊断出门店的当前的健康状况，并且结合业务知识库还能直接给到门店直接的改善门店健康的动作指令。

因此我们能直观的显示出当前门店的业绩表现以及相关核心指标的红绿黄灯的健康状况，并且很直观的给出下一步改善的行动建议。