零售业的未来在于不仅仅是体验、场景、线上线下的融合，更是源于对零售大数据的搜集、处理、分析，找到关联性，实现可以预测未来，并指导实际决策，这其实就是在大数据中发现可信的、新颖的、有潜在利用价值的规律。

而中国的零售企业虽然积攒了大量的数据财富，但是由于以下六大问题的存在，导致零售大数据表面上看是金矿，但就是不会挖或者挖不出，大量的数据成了积压多年的“库存”负担。

-?-

尚未将大数据分析上升到战略的层面

不少零售企业的数据虽然累计了很多，但还是默默的沉睡在服务器上，管理层的的各种决策还是依靠个人经验主义的“拍脑袋”。说领导不重视其实是个老生常谈的问题，造成这样的局面主要是之前零售企业极速扩张对于数据的“内功”的投入不足，同时领导者对于数据的认知水平也参差不起。

这其实也无可厚非，领导者对于大数据所带来的将信将疑，不在数据上投入就看不到价值，不产生价值就不会有投入，这时候就需要领导者的远见卓识的能力和魄力，要让自己掌控和挖掘数据的能力成为自己真正的核心竞争力，真正的能从数据中发现价值。

-?-

零售企业内部的信息孤岛现象严重

不同的业务部门运营、商品、生产、财务等等内部均有大量的数据产生，但是各个部门都有严重的“铁路警察各管一段”的本位思想和门户之见，不同业务部门的数据库各自为政，不愿公开自己的真实数据，各个部门之间面和心不合、形合意不合，因而真实数据获取和深度分析难度较大。

而打破这种信息孤岛的一个重要手段就是协同文化的建立和统一的数据平台的构造，只有通过深层次的协同和联合文化的认同，才能实现形和神、标与本、表及里的深层转型，让数据因分享而产生价值。

-?-

业务部门不知道大数据的价值

业务部门主要任务是自己部门日常的经营，自己有完整而且繁重的操作流程、考核指标、门店管理、人员管理等日常工作，对于大数据特别是大数据能够给自己带来什么样的价值则认知程度不高，同时加上对于数据分析的技术和工具知之甚少，因此很难同时也没有动力把自己对于本职业务精深的理解和数据分析做紧密的结合，转化为数据分析所需要的种种要求，导致技术团队、大数据团队很孤立无法深入的理解业务，只能自己独立的学习、研究和探索，最终不能高效、快速的把自己所擅长的数据分析技术和业务结合并产生出对业务带来价值。

-?-

数据收集平台构建较晚，数据分析程度低

不少零售企业的整体性数据收集平台还不是很太完善，数据提取、整合、展示、汇报、跟踪、可视化、商业智能BI等程度相对落后，定期的商业报告也还是通过抓取数据仓库里面的数据，组成固定格式的报并表用于简单分析。

即便有的企业构建了自己的数据平台，虽然能够实时的呈现业务实际，也只是停留在报表提供上，数据分析程度低、预测分析、相关性分析、决策建议、建模分析、情景模拟等实时化、智能化、自动化的最终决策还几乎没有起步。

-?-

数据很多，能用的很少

零售企业虽然积攒的大量的原始数据，但是数据的质量还有待考证，也即是很多数据没有按照数据分析的要求而设定搜集，数据在产生的过程中会有各种各样的错误、纰漏、作假等现象，而大数据的价值很大程度上取决模型所用数据的质量，即所谓的“垃圾进，垃圾出”。

所以，数据的预处理也即是数据的合并、清理、转换、简化等步骤必不可少，而同时“养数据”的意识要树立。阿里针对其数据有著名的两个循环理论：一个循环是在怎么用数据，一个循环是怎样养数据，怎么改善数据，两个循环不断的走动，不断的进步，所以数据是养出来、练出来、整理出来的。

-?-

数据分析专业人才的匮乏

数据分析人才的匮乏也是制约零售企业挖掘大数据价值的主要障碍之一。该类人才是具有把数据转化为零售企业决策所用信息的专业人士，他们是“跨界”的，不仅要有数学、统计学、人工智能领域的专业技能，更需要在零售商业领域如销售、市场、供应链、物流等领域的专业知识，这样才能够把不同的学科给整合在一起。

而零售企业现有的人才往往都是来自于单一背景，对于企业的业务很熟悉，但对于数据则意识不强；而单纯数学背景的人才又对企业的业务熟悉程度不足，而且对于不少零售企业组建庞大的数据分析团队、雇佣大量数据分析人才则又负担重重，因此在初期使用外部第三方的专业力量也是比较现实的选择。

来源：亿欧

— End —