2020年注定是载入史册的一年。逆境之下，新一代消费心理和营销模式正发生巨变，零售企业的“人货场”格局自此面临重塑，数字化转型再次被推上促增长的拐点。不确定性已经成为常态，精细运营、快速反应，让决策更智能，将成为未来十年的确定性。

10月23日，2020观远数据智能决策峰会暨产品发布会在上海举行，本次峰会由国内零售智能分析领域的领先企业观远数据主办。此次峰会汇集了500+来自连锁零售、快消品牌、购物中心、新经济消费等各个领域中有代表性的企业高层，释放前沿观点，解读疫后企业数字化转型方法，共同探索通往数据智能的新路径。

黑蚁资本运营董事刘湛带来了《资本前瞻：贯穿商品生命周期的数字化运营》的主题演讲，他表示，我们需要数据和系统让所有的运营规则得以沉淀，通过快速试错缩短反馈周期，在原有运营基础上不断探索和尝试来实现复合增长。他认为，运营进化分为四个阶段，而最终阶段应该是一个智能化的阶段，通过机器学习寻求最优解。

以下为刘湛演讲摘要：

黑蚁资本是一个专注于消费领域的新兴资本。我们注重投后的赋能，希望能跟企业一起共同成长。我加入黑蚁时间也不长，之前在零售企业工作过较长的时间，也做过不少数字化转型方面的探索与尝试，今天主要围绕这些内容进行分享。

分享的内容分三部分：一是运营的演进路线：我们运营到底如何打怪升级；第二，围绕商品如何做全链条数字化运营；第三分享一些数字化转型的案例。

运营进化的四个阶段

我们需要使用数据和系统让运营规则得以沉淀，并且通过快速试错缩短反馈周期，在原有运营基础上不断探索、尝试，以实现复合增长。

在我看来，运营进化分为四个阶段：第一个阶段是一体化：主要是消除信息孤岛，将割裂信息串联起来做一体化的分析，实现全流程全场景的打通。这个地方有两层含义：一方面是我们要干掉Excel，不再是使用Excel去存储数据、更新数据以及传递数据；另一方面我们的文档存储的是非结构化的数据，所以我也不希望看到企业继续使用word来记录我们产品文档和业务文档，以及通过微信来传播这些文档。因为这种文档和数据的管理方式缺乏协同，缺乏版本管理，会增加我们沟通的成本。

有了这个基础之后，我们需要把所有数据汇总到数据仓库，从而实现比较高效的可视化分析。能够通过看板从各种维度分析数据，看到一些现象，猜想其现象背后的原因可能是什么，做出一些假设，思考如何解决这些问题。在这个过程中，我们的运营水平得以更上一个台阶，就可以开始做一些差异化的运营尝试，将差异化的现象变为个性化运营的机会，尝试精细化运营。

精细化运营之后，想要再进一步，精细化的程度需要更上一层楼。但这一过程中，数据量的暴增会让我们运营探索工作变得更加复杂，此时必然要走自动化的道路。只有把人工的经验沉淀成固化的运营规则，才能维持高复杂度的精细化运营。

但是，把人工经验全部沉淀到系统还不是运营的一个最终阶段，最终阶段应该是一个智能化的阶段，通过机器学习寻求最优解。

全链条数字化运营

很多企业刚刚起步的时候并没有庞大的IT团队，此时做系统不是一件容易的事，只能依赖第三方的公司。这时的数据还比较轻量，不需要很多人就能通过数据分析快速得出一些结论和方向性的指示。

数据有三个层面：第一个叫know what 第二know why 第三know how。

第一要把数据字典建立起来，了解公司有哪些运营核心指标，让指标可视化、可监控；第二，发现一些差异化的现象，比如销售不稳定，为什么销售不稳定？依靠数据的分析给我们一些思路和答案，通过3个非常重要的维度——时间、空间跟品类进行拆解。找到原因之后，我们最终的目的是什么？是要做出改变，这就到了know how的这个层面，根据猜想做一些验证和小范围的测试，一旦验证成功，要想办法把它沉淀到规则和系统里去，把算法、模型、规则以及流程放到系统中，下一次便可以在原有基础上做分析、拆解、验证、沉淀，形成一个快速反馈的链条。

回到门店也是一样的思维逻辑，要注意的有两个前提：第一，如果是一个比较新的企业，你有没有历史数据？如果没有历史数据，就难以快速去做这个事情；第二，拥有历史数据，但要注意数据是否具备分析价值，是否平稳。如果开店速度特别快，数据又不稳定，那么参考价值就比较低。如果是一家经营了3到4年的企业，每年开店的速度又比较健康恒定的，那么数据参考价值就比较高，可以去做这个事情。

这是我们之前做门店分析总结出来的经验跟流程。首先我们会分析门店的历史数据，然后对陈列的现状通过巡店做一个分析。在巡店过程中，需要从各种维度看门店的数据，比如看单品的数据，看商品的库存，过去7天的销售，过去14天的销售等等，此外，还可以看看别的门店的情况，商品的销售排行状况等等。

做完这些分析之后，我们就可以开始做一些调整计划，让店长跟店员配合执行。在这个过程中，我发现其实店长跟店员是比较难推动的，所以我们要把数据进行比较精细化的处理，最好直接给到简单易用的行动建议。如果我们没有把know how这步做好，店长、店员可能会看不懂数据，不利于调整的推进。

陈列艺术与库存平衡

再讲下陈列的艺术，很多时候我会从经济学原理得到一些启发，万物都是相通的，从数学原理到经济学的原理给到了我很多的灵感。

陈列中有一个概念叫最小陈列量，就是一种商品最少要放多少。那么这个最小陈列量到底是怎么算出来的呢？我想到经济学的一个生产函数，核心的三个指标：总产量、平均产量、边际产量。如果超过最小陈列量，之后再往上叠加商品，每个商品带来的平均产出会愈来愈低，但是没有达到最小陈列标准的时候，平均产量更是远低于正常水平，所以那个合理的最小陈列量在哪里，这需要我们要做数据统计分析。

利用观远的可视化工具，我们做了一个很直观的分析。具体做法是：我们把数据的分析粒度放得很细，每个单品在每个门店每一天的库存数量和销售数量全部抓出来，然后做聚合，聚合之后我们就可以生成右边这样的两张图线，可以看到边际产量跟平均产量发生两次的cross over。

这一页讲的是库存平衡的艺术，做零售其实就是要找一个数学最优解。什么是库存平衡的最优解？库存平衡的挑战在于需求不稳定以及供给不稳定。

关于库存平衡，我觉得首先得看看自己是一个什么样模式的企业，售卖的是哪些品类的产品，因为不同企业会有不同的输入参数。其一是安全因子，是服务水平的标准正态分布求逆，要先设定商品满足率的目标，或者缺货率的目标，明确能容忍多少的缺货率，是10%还是20%，如果是10%对应的这个因子是1.28%，即90%的概率都不缺货。应当衡量当我多卖出一个商品的时候，我的边际收益是多少，以及多积压一个库存的时候，边际损失是多少，然后综合两者衡量一下这个水平到底是多少，继而反推安全因子再带进公式中完成计算。

我们还可以做得更精细一些，一般讲缺货率并非全局缺货率，只要保证头部商品不缺货就行了。在二八效应之下，头部商品为我们的销售提供主要贡献，把头部商品保住，基本销售就得到保证。头部还可以再分细一点，比如说头部的Top100和Top300可以区别对待，设置不同的缺货率计算出不同的结果。

配补算法相当于足球场上的腰部中卫，起着承上启下的作用，连通前端销售和后端采买，如果给门店的品类组合预留一些弹性伸缩的空间，就可以通过配补算法对门店的品类占比变化进行反馈，进而反馈到企划层牵引全盘的品类组合变化, 加强采买计划、反馈调整的频次。

销售预测与智能选址

我也做过一个购物篮分析，就是通过统计概率的概念，用FP-Growth算法来实现。在用户行为预测这一块，我们是用的是机器自动学习，能够去预测用户未来3天购买的概率有多大，以及3天之后他用券的概率有多大，能看到找出的关键因子在不同的场景下存在差异。

销售预测，很多人会问：你这个算法销售预测能做到多少？这里有一个前提。首先，为什么做这个销售预测？第二，销售预测的粒度是什么，做到什么粒度。这又可以回到刚才我们讲的时间、空间和品类三个维度，回到做什么力度的销售预测这个问题。然后，是做整个大盘的预测？还是做其中某个品类的还是单品的预测？做品类时，还要看它是季节性还是非季节性，比如服装本身单款销量不高，生命周期又比较短但交期比较长，因此服装的销售预测是比较具有挑战性的。

我们做预测目的是什么？销售预测我觉得最大的目的是帮品牌做企划，销售预测做得比较准，企划就比较容易做了。当你清楚未来6个月到底要备什么货，企划就可以加各种规则和约束，来避免发生太多因人为错误导致偏离目标太远。

预测跟刚才讲的安全库存一样，预测也不是说要预测所有的商品，也可以只预测头部的商品。我们自己之前还开发过一个智能选品的小工具。我们常说，产品计划是一个理性决策，商品计划是感性决策，那么如何给到感性决策一些理性支撑？

以热水袋为例，我们把全网数据扒出来，买手输入关键词，然后在全网扒一些销量高的商品，还原成柱状图，我们买手就可以看到最畅销的热水袋在怎样的价格带分布。同时，我们把全网最畅销的商品的属性数据全部都抽取出来聚合形成饼图，就可以看到2019年热水袋的填充物应该是要用水而不是化学材料的，这些可以给到我们买手选品方面的支撑。

最后关于智能选址，我们也做了一个工具，根据自己扒的宏观外围的数据，跟人工填的微观数据放在一起，大概有四五十个维度，通过机器学习大概可以达到70%多的水平。我们也拿了200多个门店的历史数据来做训练集，这里还有一个提升空间——这些数据都是根据我们自己内部200多个门店训练出来的数据，我们还可以找到一些对标品牌，把他们数据扒出来做一些分析。

现在有些品牌在用一些比较偷巧的方式做选址，就是跟随策略，肯德基选址是非常有名的，很多餐饮选址就看KFC怎么开店了，还可以通过评论的密度能够推测出来区域餐饮热度如何，然后再决定我们要不要开在那个区域。