在3月22日联商网大会上午的分论坛「新消费时代的智慧零售发展峰会」上，观远数据合伙人鲁伊莎作了题为“大数据智能运营方法与实践”的分享。

以下为观远数据合伙人鲁伊莎的演讲摘要：

零售的变与不变

我们说过去的每一次零售变革，是由技术先引领了生产变革，然后生产变革引领了消费方式的变革。但是最近几年的这次革命是不一样，它是逆向的。它是消费方式的变革，逆向牵引了生产变革。这里面诞生了信息革命的代表技术，就是我们常说的人工智能，物联网、大数据。

再借用一下“三浦展”的消费时代理论。我们说第一个消费时代是二战前，整个零售业是面向精英阶层的消费，第二个消费时代是围绕家庭展开的消费崛起，整个消费行为的特点是追求更高的性价比。第三个消费时代是消费者希望通过消费来彰显自己的个性，消费者在选择的时候更追求品牌化、差异化和多元化。

对于日本而言，已经进入了第四个消费时代，最主要的特点是很多人觉得消费本身、物质本身已经不能带来幸福感。这个幸福感在于说，我跟谁在一起？跟谁产生了连接？我消费过程当中是不是有很强的社会属性，让我觉得幸福。

而现在整个国内处在第二消费时代，第三消费时代和第四消费时代的并行的阶段。国内实体零售，因为二、三、四时代并存，所以是追赶式发展的阶段，各地区的发展也非常不平衡。

不管发展曲线是什么样的，但是回到零售的本质是不变的，还是为消费者提供所需的商品，然后零售的核心还是追求成本，效率和体验。

数据赋能不变的本质：降本提效，助力增长

刚刚讲到零售业的变与不变，我再说一下从数据赋能的角度哪些是变化，哪些是不变的。

从传统的报表到现今的智能数据分析，数据赋能不变的本质是什么？还是要能够降本提效、助力增长，否则一切都是镜花水月。应用数据的终极目标，是希望能够利用数据形成零售决策大脑，执行和落地，管控就是手和脚，它一定是相辅相成、缺一不可的。因此零售分析的核心点在于：

? 探索分析

? 实时监控

? 预测决策

我这里来说一个智能分析的典型场景：一个线下连锁的零售形态，门店数量众多，并且处在高速扩展门店时期，而周边竞争很激烈，那么他将会碰到什么挑战？就是优秀店长是非常难找的，可能不到10%，并且督导也没有办法很快深度了解每一家门店的情况。另外我们从营收还没有办法衡量门店的表现是好还是坏，也许这家门店营收是连续增长的，但是真的做得好吗？

为了解决此类问题，观远数据的虚拟标杆店解决方案，通过非监督学习算法定位每家门店的相似店列表，以相似店的表现作为基准，结合门店的几十个评价指标，可以快速定位经营异常的门店，从而为门店构建整体经营健康画像。督导还可以在去门店的路上通过移动应用或小程序在远程获取门店经营细节，实现随时随地的数据监控。

另外最难的是说很难形成管理的闭环，零售业要落地，形成闭环才会有效。我们观远数据是怎么去规划和落地这个数据闭环的呢？这个是我们做的一张表，总结了观远数据跟我们现在服务的这些客户在项目落地的智能分析场景，这是一个全集。

有很多客户就会问我们，这个看起来非常大，从商品，供应链，渠道、门店、营销，再到顾客关系，对于我的企业，我应该从哪下手？从规划方法论的角度来说，我们包含这三个阶段：

? 速赢：切入高价值场景，快速落地，数据追人，智能预警，自动分析业务变化，提升快反能力

? 运营：层层赋能，运营推广，注重提升价值感，促进数据驱动运营，循环迭代，形成良性闭环

? 进化：深化决策模型，增强化分析

具体应用场景

? 预流失会员精准激活        

我们做会员管理的时候经常会有一些常规的模型，把会员分成不同的生命周期和不同的价值阶段。真正的精细化管理的案例是说，我不止要看流失的会员，还要知道下一个季度有多少概率不会再来我们品牌门店消费的会员有多少？这是重视会员运营的企业非常关心的问题。不要等到会员流失之后再去召回，因为那个时候的成本会很大，而且效果很糟糕。我们要在会员有流失风险的时候，就要去做这个动作。

大家现在都在讲线上线下全渠道的融合，如果说我的会员从线下流到线上，那其实它不是真正的流失。如果我的会员从这家门店，流失到了另外一个地区的门店，他也不是流失，如果是我的品牌流失会员，那才是对我品牌的最大危机。因此，我们真正在做分析的时候，要把会员消费结构及有关消费者认知、兴趣、购买、忠诚的一套行为分析、会员价值分析等场景都考虑到，这些在我们观远数据的零售智能分析链路图中都能得到精准定位。

在这个基础上，我要看有流失风险的会员，他的占比到底是多少？他喜欢的消费品类是什么？对于我的会员来讲，我们要把这个画像对于会员做到个体的画像，他的消费行为模式是什么？他喜欢什么样的商品？我应该用什么样的商品推荐把这样的预流失会员招回。

我们刚刚讲的不是要对每一个会员都做到这种个体画像，还是得采用二八原则，我们每个品牌都会有贡献度最高的小群体，在这里找到会员价值最高的群体，再去这样的精细化运营，这是一个ROI最高的用法。

? AI预测               

最后再说一个预测，我们开始的时候就没有预测，接下来是原生预测，这是怎么做的？我们先假设上个月需求和这个月是一样的，这是一个原生的预测，然后接下来到了进行统计预测的时期。

其实现在国内很多企业还停留在统计预测的阶段，统计预测就是根据历史的需求数量来拟合预测曲线，当然也会包含季节性、趋势，包括用一些移动平均的统计算法。承载工具大部分是Excel完成，接下来下一个阶段其实是需求规划。

需求规划的话，就是我会统计预测每个月和每周需求模式，这里面跟统计预测进化的点在于说，我在预测结果中纳入层次结构和因果关系。在进入需求规划的阶段，这个预测如果还在Excel里面做的话，基本上变成了噩梦。

过去，由于数据和计算能力的匮乏，统计预测占据了一段时间的主导地位。但如今，随着数据体量的不断增长、计算能力的不断提升，使用机器学习和（神经网络）深度学习来做预测效果比其他所有方法表现得都要更好。观远数据的需求预测主要通过机器学习技术学习海量数据中隐含的规律，结合业务信息输入专家系统来进行综合预测，可以显著提高预测效率与精度。

那么怎么去帮企业规划并落地这个数据智能应用的路径呢？观远提出了5A路径（敏捷化、场景化、自动化、行动化、增强化）。

从敏捷化能够抓住核心指标-通过数据来抓住业务形态开始，这个其实正好呼应了前面讲到的数据落不落地，为什么觉得不能落地？就是大家把这个数据抓出来了，用可视化方法和报表方面去呈现，却没有下一步的决策指导。因此，接下来第二个阶段观远数据就要把业务逻辑和数据分析相结合（包括预流失会员精准激活等），进入到行动化和增强化的阶段。对于企业数据运营，我们认为这是从敏捷分析到智能决策的唯一一个最快的通路。