时尚行业数据分析的落地

文|帆软数据应用研究院 王立鑫

写在前面——数据有温度

“科技‘勿忘老’,0.01立方米用水让我知道你很好”,上海长宁区江苏路街道,给独居老人安装一个智能水表,实时监测老人的用水情况,12小时内用水量一旦低于0.01立方米,街道层面的“一网统管”平台就会接收到报警信息,并及时通知社区,第一时间上门查看老人情况。

“只要用水超过0.01立方米,我就知道老人在家还很好,我也就安心了。”社区志愿者李春如是说。

作为一个IT人,不禁感叹,这就是技术真正的价值,中国的数据行业,做人工智能大数据,炒概念,拉融资,众相百态生,风风火火搞了10年,“锦上添花”者实多,“雪中送炭”者盖寡,数据要发挥价值,要拒绝技术自嗨的毒药,实干才能兴邦,所以,要关注数据分析的落地!

雪中送炭,炭火是有温度的,这也就是对数据分析落地人员的价值观要求,数据要有温度,“计算”不等于“算计”;“融合”不等于“取代”;“变革”不等于“革旧”;唯技术论者,很擅长构建新的乌托邦,我们不要乌托邦,因为我们对当前的生活充满热爱,我们致力于用技术的温度,用我们IT式的温柔,为了更美好的时代,做数据的落地。

技术起航已久 应用终将归来

1.1数据分析的应用看中国

在商业智能的赛道上,新技术层出不穷,诸如自助分析、数据挖掘、自然语义识别、SaasBI等技术,不断的从试验田中走向商用,技术的推进速度得益于良好的国内环境,在刚刚出炉的十四五规划中,在“坚持创新驱动发展”章节中提出“推进数字产业化和产业数字化,推动数字经济和实体经济深度融合”,更加强调了实体经济数字化的重要性,所以,过去的5年,中国开启了一轮数据技术起航的风口,兜兜转转数年过去了,现在是要讲成果的时候,讲收获的时节了。

1.2时尚行业成为数据分析复杂度、灵活敏捷的代表

在时尚行业中,以时尚鞋服业为典型,作为03年最早一批入驻“淘宝”商家的企业,与数字用户接触的时间最久,接触着高频变化的人、货、场,这些变化的数据,被动重塑着鞋服业。16年发起的“新零售”变革,17年的“数字化门店”,到18年的“消费者运营”与之配套的“柔性供应链”、“快反”,19年的“数字中台”,随后开始推进“智能配补”等系列智能模块,到目前20年,应对疫情的黑天鹅事件,又开始提“数字经济”、“线上直播粉丝经济”、“新制造”、“韧性供应链”,我们发现鞋服行业的玩法是潮流的、是酷的,时尚鞋服勇于拥抱新技术,但绝不是最落地的,截止目前为止,企业内部小数据的抽取清洗,还是一件让人非常头疼的事情,而上述绝大部分企业经历过的课题,也很难达到预期效果。

由此可见,“落地”这个让人又爱又恨、又痛又爽的词,对于当下的企业数字化,有多么重要!

技术起航已久,太久了,我们飞在云端的时间太长了,飞船终将着陆,技术只有转化为可以为企业带来价值的应用,才能着陆。是时候撕开面具,脱下华丽的霓裳,回到业务场景中做融合、做嵌入、做工具。技术并不是瓶颈,先把技术吹过的牛一一戳破、回到业务环节中,把技术合理化应用起来,才是数据分析的当务之急!

1.3帆软依托深厚的行业客户,下沉整理数据分析场景

应用终将归来,帆软基于深厚的时尚行业客户沉淀,收集了真实的落地案例,将其中价值场景点提炼出来,然后将价值场景点连成线,结合数据分析的方法,组合成价值场景阵列,希望能够帮助大家找到数据技术的着陆点。

大胆降落 小心求证

相信读到这里,大家都意识到“降落”的重要性了,有些读者恨不得马上给飞船来个“急刹车”,直接坠落到地面,那就坠机了,是“事故”。

2.1做好技术和业务的人员适应性

如何把降落的过程,缓和成一个“故事”呢?场景的建立,本身就需要“故事”,这些活生生的故事,从哪里来就去哪里找,有两种路径:

  1. 参考《赋能》中协同作战的方法,把我们信息部的数据分析师、开发人员派驻到故事发生的地方——业务链中,并非他们会讲故事,而是要他们成为故事的一个成员,碰撞就会产生场景火花;
  2. 参考Gartner提出的双模IT,从部分业务单元中,抽出一批数据分析师团队,和我们IT开发团队紧密作战,成为故事的源泉。

人员的适应性解决了,然后面临第二个问题,有的企业提不出价值场景,能讲的“故事”有很多,比如我要分析畅滞销、要分析面料的准确率,但我不知道如何做。内部场景需要刺激,激发思路出来。

2.2刺激场景的孵化的实例

刺激内部场景的孵化,有很多方法,这里不一一赘述,其中,借助乙方公司来做0-1的场景搭建,是一种可行的方法。帆软在服务客户搭建场景的过程中,总结了一套方法。

  • 第一步,按部门组织工具的培训,通过组织业务部门培训工具的使用,来摸到值得被突破的业务部门,从而确立场景的切入点。笔者参与过最多的培训,2天培训了9个部门。
  • 第二步,基于切入点,拿着行业相近的企业落地的内容或明确的需求,一对一做二次交流,要明确是0-1的阶段,“搭架子”的重要性远高于“想全面”的合理性,碰撞出价值即可定义为需求,即可确定该场景包含的指标。
  • 第三步,由于乙方的顾问身份,可以给出指标的行业预警值,加入到数据分析中,开篇提到的“12小时内用水量0.01立方米”就是一个典型的初始值。后续可以由业务不断调优,但一开始必须要有。

举个例子,某女装企业,在BI项目开展之初,按部门组织了工具的培训,发现商品商控部,平日需要处理大量的商品表现数据,有一个专职的数据分析师,通过手工excel表处理,她对BI工具非常感兴趣,并且具备使用的能力。因此我们定位她是我们的Key seed关键种子用户,在二次沟通中,发现对于当季新品库存多货缺货的分析痛点,以前设定的绝对值安全库存策略(按照店铺的码数适性做齐码备货,平均库存深度为3件),低于3件则触发补货;现在想用基于“过去一段时间动销”来计算“相对安全库存”,依旧保留店铺码数齐全的要求(最小单色单码的库存深度不低于1)。

乙方顾问提出了“水位线”的行业概念,即货品的库存深度应该保持在一个相对合理的水位之内,行业经验值是将过去一个补货周期内的动销量(eg.14天)设定为最低库存水位,将门店历史库存最大值设定为最高库存水位,库存量超出即为多货,库存量低于即为缺货。这样,门店的库存能够保证一个补货周期的销售,同时又不会行程超常规的库存积压。

以上这个例子,是基于商控部门,货品多货缺货场景,安全库存指标的场景孵化实例,同样的方法,也可以作用于其他的商品分析场景。

企业微信截图_78651ef1-ac28-4684-8121-092e04d0f955

落地后 马上转入快车道

《精益创业》中的价值假设和增长假设的描述,非常适合场景的小步快跑,进入快车道。

在BI落地搭建出1-2个场景后,不可恋战贪功,场景的数量决定不了价值。在前期,围绕着我们的核心用户进行价值验证,在后期,围绕BI平台已建成的场景,在企业内进行增长假设验证。

由于时尚行业的业务飞速变化,导致场景的适应周期会很短,这就需要开辟一条场景迭代的快车道,这条快车道也要围绕着两条假设的验证来指引方向。

3.1快车道上验证价值假设,把握好方向盘

场景验证成功后,项目负责人的方向盘把握才刚刚开始。

每个场景都有其独特的价值,能够用一句话概括的。妄想通过一个场景来解决多个问题的“天才假设”是完全不成立的,项目负责人要深刻的理解场景的核心价值点,抛掉“杂念”,杜绝一切不必要的价值体现。

那什么是核心价值点?就是没了它,某个业务环节会非常吃力甚至无法存活下去,上文提到的实例——“货品多货缺货场景”,它的核心价值点,就是解决“货品库存与销售需求在空间上不匹配”的问题,而不是“通过数据增加配调补的准确率”。

好,我们拿准了核心价值,接下来会面临新的情景,对于新品运营的三个阶段:期初、期中和期末各自的目标:

  • 期初,提前上市的目的是为了快速确定不同店铺适销的商品SABC分级;
  • 期中,在供不应求的市场上最大化避免缺货发生;
  • 期末,在差异化需求中寻找最后的销售机会;

准确把握住价值假设,才能够为不同阶段的决策动作提供数据分析。

3.2快车道上验证增长假设,踩好刹车

接下来,我们技术和业务人员,要一起针对新品运营的期初、期中、期末做合理的场景改善。

期初环节,我们最先和商品部的同事,交流了期初货品分级的策略,以一个最小适销周期(女装为14天),找到不同店铺的热销货品,例如A、B店销售很好而C店滞销,则将C店的水位下调,A、B店的水位上升。到此,场景已经实现了一次提升,而此时商控的同事提出了额外的痛点:“分次到货导致的尺码不全问题”,简单来说,首次只来了S码分给四家店铺,后期只来了M码分给两家店铺,就存在两家店铺缺M码,如何确保店铺全码?此类需求,能否加进场景中,此时项目负责人面临选择。

如果加进来设计,将要面临大量的0铺货0库存的特殊情况,显然是一个新场景的机会,如果拒绝,那可能当前的“库存多货缺货”是不完整的,无法应对铺货过程中的不合理。笔者的建议是拒绝,此时更应该踩一脚刹车,减少场景的特殊情况,尽快跑通剩余的期中、期末环节。

期中环节,畅滞销款的合理流动,依靠水位线能够解决,新增了对于大类占比、颜色占比两个参考项,也就是要兼顾占比高向占比低调拨的原则。

期末环节,货品库存总量较低的情况下,水位线要分SKC设定,减少店铺SKC数,保证尺码齐全。

经过一轮价值假设和场景假设的验证,这个实例变得更贴近实际,走上了迭代的快车道。

3.3验证价值假设与增长假设是一个周期性的行为

很多BI场景,在经过一轮验证后,就发现推广遇到阻力,无法覆盖更多的业务人员,反馈“数据有问题”、“不如excel好用”等等,其实深层次原因,是无法持续进行假设验证,去解决他们深层次的诉求。所以要短频快的(一周)进行价值假设验证,和增长假设验证,然后定期去调整场景(一月),从一个最小模型开始,稳步前进。

定义瓶颈 达到天花板后变道再起飞

随着企业数据准备度越来越高,数据分析的场景落地,将会有很长的一段上升曲线,参考《跨越鸿沟》中解释了一项技术在企业内推广遇到的人群特征,场景能够帮我们有效的跨越早期使用者到早起大众的鸿沟,随后,早期大众成为BI工具的主力军,逐步影响末期大众。

而此时,我们的创新者已经完成了技术价值的落地,眼看两端:

  1. 当前BI技术的极限在哪里?应用解决的效率问题终将遇到天花板,要很清晰的认识到边界在哪里,哪些是能做的,哪些真实做不了?
  2. 能够和BI技术衔接的下一个技术点在哪里?大胆点说,颠覆BI,干掉数据分析师的又会是谁?

笔者经过了一些技术论证后,也无法得出答案,也许这个答案要交给未来的事实,来证明。