尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
零售數字化已經大勢所趨、人心所向，各類數據中台乃至「數據湖」系統建設風起雲湧。然而當零售企業坐擁了海量數據，把上至供應鏈、下至每位顧客的門店消費過程全部記錄在冊，零售企業的經營水平自然講究得到提高了，顯然並非如此。在現實中，數據好比是銅錢，太多了而使用不得要領，則可能拿也拿不住、用也用不了；那麼，穿錢的紅線在哪里，零售數字化的下一站會走向何方？
一、只有執行而無決策的零售數字化
近20年間，零售數字化高速發展，各類進銷存、會員、門店經營、供應鏈等信息系統快速發展並普及；約3年前，新零售浪潮襲來，微行銷、O2O商城，乃至業務中台、數據中台等系統已逐步成為零售企業的標配。
然而，當我們走近審視，這些系統無一例外都是面向執行的；例如，某零售中台/POS系統可嚴格地執行這樣的促銷規則：A+B商品組合特價，同時可參與全場滿減優惠，同時只在特定門店、VIP等級的會員可享受此規則。
然而，為什麼選擇這些商品，面對哪些客群最為適合，促銷規則能否帶來最大化銷售額或毛利額，以及顧客參與度？這些關鍵問題的答案往往語焉不詳，只是憑借人為經驗，或者簡單參照歷史促銷檔期的類似做法。
同時，大量的數據分析報表已充斥於我們的視野，每個經營崗位都面對著少則幾十張，多到百十張的報表。然而，報表只是過去事實的簡單匯總，真正需要形成面向未來的經營決策，卻仍需要經營者來做出。
因此，在零售企業已被信息系統「武裝到牙齒」的情況下，高度重要的零售經營決策過程卻仍然低質低效：
1) 決策高度依賴於人，個人經驗、能力以及責任感缺一不可，且無法復制；
2) 決策過程高度混沌，主要依賴人腦和Excel等簡單工具，過程無法記錄和追蹤，效率和效果也無從進一步提升與優化；
3) 無法有效預見未來，對於因決策本身而引發的經營變化趨勢沒有精準的預見。
縱然有越來越多的數據和報表，由於沒有面向決策的信息系統支撐，導致各類拍腦袋、拍胸脯、再拍大腿的情況屢見不鮮，嚴重制約了連鎖零售企業進一步提升決策水平、改善經營績效的努力。
二、如果AlphaGo來到零售世界，將會發生什麼？
近年來，名為ABC（即人工智能AI、大數據Big Data、雲計算Cloud Computing）的組合聲名鵲起，被認為是各個產業必然會經歷的升級、創新的必由之路。
真正讓ABC組合深入身心的是AlphaGo的到來：2017年5月，智能機器人AlphaGo戰勝圍棋世界冠軍柯潔而震撼世界，2017年因此也被稱為中國人工智能元年。
AlphaGo唯一了解的圍棋規則是獲勝，其成功主要依賴機器學習，包括對大量歷史對局棋譜，乃至自我博弈的海量運算。那麼，如果AlphaGo來到零售世界，將會發生什麼？
不難發現，令AlphaGo一戰成名的3大法寶，即監督式策略網路、價值網路搜尋、深度神經網路，稍加適配調優之後，完全可滿足零售經營需求，做到對於零售場景的決策支持；對比說明如下：
| 序號 | AI算法 | 圍棋對弈場景應用 | 零售經營場景應用 |
| 1. | 監督式策略網路 | 通過海量盤面數據進行訓練，從而獲取高精度預測人類專家的落子位置 | 適用於銷量預測、客流預測、會員分群與診斷等場景 |
| 2. | 價值網路搜尋 | 評估盤面優劣，並結合蒙特卡洛樹搜尋，降低搜尋深度，選擇最佳勝率的落子 | 適用於智能選品、個性化行銷匹配、搜尋人群擴散等場景 |
| 3. | 深度神經網路 | 開展深度學習，通過與對手或者自己的對弈，不斷做到算法和模式的發展演進 | 做到經營管控和數據鏈閉環，將PDCA循環做到自動化、智能化的落實 |
三、數據驅動決策是零售經營與人工智能結合的最佳形態
蘇寧張近東曾表達：「我們希望讓零售更加智慧，讓零售充滿AI，讓越來越多的人得到更有‘AI（愛）’的零售的極致體驗！」京東劉強東也表示：「但人工智能技術將對現有零售進行再造，將用戶體驗、成本、效率推向極致並創造出巨大的社會價值。」
那麼，實體零售企業的人工智能之路應如何開啟呢？其答案必然是基於人工智能算法，做到數據驅動決策，其原因十分直白、深刻且普適：
1、充分挖掘海量沉淀數據的價值；人工智能的核心在於機器學習，零售企業持續多年經營所沉淀的海量數據，則為機器學習底定了良好的基礎；而結合人工智能後的進一步的決策、執行、評估的PDCA循環，則更強化了機器學習的不斷閉環，猶如AlphaGo持續不懈的人機對戰。
人工智能介入後的零售經營決策閉環
2、在關鍵零售經營場景做到智能決策；人工智能對於零售經營的支持既非面面俱到，也非大包大攬，而是結合具體的經營場景，按需採用人工智能做到隨需應變的決策輸出；
場景化意味著輕量化、碎片化，可將一個經營決策過程拆分為若干環節，分別予以賦能，
例如促銷決策過程，可拆分為促銷選品推薦、促銷價定價建議、促銷銷量預測等；同時也可以將這些環節整合聯動，獲取更大的價值。
3、擺脫對決策人員的過度依賴；在一般條件下，人工智能即可提供高於平均水準的決策建議，並高度穩定持續，同時又增加了眾多獨到的視角與方法；如果經營決策者與人工智能得以深度結合、各展所長，則能夠做到大大高於過去水準的決策水平，形成更為科學全面、可操作性更強的決策成果，從而擺脫了完全依賴於特定人員的決策局面。
因此，在科技必然趨勢、零售發展規律的雙重驅策下，依托人工智能的數據驅動決策必然會成為數字化進程的下一站。
四、小場景孕育大應用，創造商業價值是唯一目標
人工智能與圍棋博弈數據結合，令AlphaGo成為了圍棋世界的無冕之王。那麼，人工智能與零售大數據的結合又會帶來什麼呢？無疑，持續創造商業價值是其中的唯一目標和方向。結合哈步團隊數年以來與天虹、卜蜂蓮花、步步高等領先零售企業的共同探索和實踐，可發現以下直擊零售痛點，並做到數據驅動決策的場景和契機：
場景1，顧客戰略分群
痛點：理解顧客是「以顧客為中心」的第一步，然而「顧客心，海底針」，理解顧客並做到人以群分卻絕非容易；
方法：深度顧客洞察，從不同維度上解讀顧客的需求和潛力、顧客的忠誠度變化情況、商品品質或價格敏感度、生活方式的偏好與變遷，從輸出精準的全景式顧客畫像，並不斷做到與時俱進；
算法：K-Means、均值漂移、高斯混合等；
價值：做到顧客忠誠度、品質或價格敏感度以及生活方式等不同視角的顧客戰略分群，流失顧客留存率可提升8%-15%、關聯行銷轉化率可提升12-20%，顧客整體滿意度也會有顯著優化。
場景2，個性化EDM海報
痛點：一般零售企業的促銷海報包含有少則80、多則數百商品特惠，但海量信息往往讓顧客不知所雲，也沒有人能夠把這些信息全部讀完，因此大量的行銷資源和銷售機會被浪費了；
方法：通過人工智能算法，基於歷史數據的挖掘分析，從而精準地識別顧客的消費偏好、價格帶期望，從而只是精準地推薦10~25個商品。
算法：邏輯回歸、GBDT、FFM等；
價值：在顧客獲得更為精準匹配的推薦信息之後，海報在線打開率可提升25%-45%、到店消費轉化率可提升15%-28%，同時帶動海報檔期內門店消費的整體拉升。
場景3，智能銷量預測
痛點：傳統銷售預測方式由於採用數據維度較少，且算法簡單粗放，導致預測誤差較高，導致門店缺貨率較高，同時庫存周轉率較低；
方法：採用海量特徵數據與多種機器學習模型相結合的方式，融入銷量、日期、商品、門店、促銷、天氣、商圈等100多種特徵量開展全量數據運算，獲得更為精準的預測成果；
算法：LSTM、ARIMA、XGBoost等；
績效：全面提升預測精度之後，關鍵商品的門店缺貨率可下降8%-15%，同時庫存周轉率可提升10%-22%，有效地改善了供應鏈效率。
當然，以上只是數據驅動決策中已得到驗證的數十個場景的驚鴻一瞥，更多的驚喜乃至驚艷的場景正在不斷地激發和創造出來。在厚重的零售大數據沉淀基礎上，在人工智能與雲計算能力的加持下，科技的力量正不斷探索和做到這零售經營中舊能力的提升、新視野的破壁。數據驅動決策，是零售數字化的下一站，你準備好了嗎？
本文為投稿內容，作者信息：王元盛，哈步數據CEO助理、首席市場官，上海交通大學MBA，擁有14年以上的零售咨詢和信息化服務經驗，曾服務王府井、中信集團、卜蜂蓮花、良品鋪子、北國等大中型零售與品牌企業。
▼▼打造網路與門市銷售循環▼▼
