8月24-25日，观远数据受邀参加“第四届中国行业互联网大会暨CIO班13周年年会”，并荣获“2018年度CIO最信赖服务商奖”。
观远数据创始人兼CEO苏春园在会上做了题为“构建新零售决策大脑：从数据分析到智能决策”的精彩分享，收到热烈反响。
具体内容如下：
关于观远
大家下午好！今天在座的有老朋友，更多的是新朋友。我在创立观远数据之前就是做数据分析的。我们知道，数据分析解决的就是精细化管理问题。2018年年中，这可能是一个拐点，企业粗放式发展的红利褪去了，现在正逐渐回到经营的本质。
我在两年前成立了观远数据，初衷是想通过AI更先进的算法让数据分析更加智能。
国内现在有三大加速器，微软加速器、腾讯AI加速器、万达创新加速器，观远数据是唯一一家在今年被三大加速器同时选入的技术创新型企业。我们跟他们合作，以及跟一些500强、行业领军公司合作，一起去探索怎么样用数据驱动营销决策。
BI与大数据的趋势
01.数据分析的全球发展
在数据分析和BI领域，从国外到国内有一些是可以借鉴的，但是国内还是有一些不一样的需求。这是2018年Gartner的报告（下图），他对全球CIO（里面有很多零售的CIO）关于2018年的预算花在哪些方面做的调研。
排在第一是数据分析和BI方面，达到19%。AI现在大家讨论的很火，排在第十的位置。其实很多公司关注AI，但是真正落地时会发现（比如预测），我一定是需要历史的各种细粒度的销售明细、促销数据等来支撑，因此如果没有一个好的数据分析基础和BI基础体系的建设，AI是很难落地的。
02.未来演进趋势
传统BI的产品和方案大家都非常熟悉了，像BO、Cognos等等，但是他们慢慢地在退出这个舞台。这背后有更大的趋势，投入在更新的领域就是数据分析。
以星巴克为例，星巴克在全球有几万家门店，怎么样对这些门店的经营表现进行分析，如何及时发现它的异常，这是最核心的一个关键。他们有很多分析的场景，在这背后如果是传统方式解决的话，需要人大量的解读这些数据，分析人员去看每一个门店背后有什么异常，密密麻麻的Excel表格以及大量的报表和仪表板，这些都是传统BI里面我称之为“站桩看数据”的上一代方式。
但这些方式更多都是过去时了，那么未来更智能的方式是什么？一定是要告诉我们结果，给出行动建议。
比如说在这个模拟的场景里面，这个是我们关注的区域门店里面，哪些门店有异常、哪些指标有异常、为什么有异常、哪些维度里出现异常。当它发现异常之后，会自动打通到这个区域的督导或者品类负责人，并在移动端做出及时响应。这个场景是从传统的只是看数据，到及时给出行动决策，这是一个大的变化。
那么这个背后怎么支撑？我们的方案是“观远5A路径”。现在各家最不缺的就是各种各样的数据源。我们对数据源首先要做到敏捷化。更进一步就是场景化。比如说以连锁为例，单店怎么做、报废怎么做。再就是自动化，数据追人，还有就是行动化，这是智慧运营系统，最后是增强化，也就是偏AI的部分。
观远新零售方案
接下来给大家分享一下客户是怎么样和我们一起去共建方案的。
在零售里面大家都谈“人、货、场”，但是我们发现一定体量之后，第四个因素，也就是“决策大脑”越来越重要。为什么？这里举了一些例子，当然不同行业复杂度不同，可能复杂N倍。每一个零售的决策场景无处不在，因为我们有几百个、几千个门店，或者几千个渠道点，有大量的会员等等。但是每天从CEO的角度看店长，店长做的是什么？微决策。比如说下午4点以后，哪些品类要及时做调整，如何第一时间去关联并主动去推动。
1
第一个例子是今天便利店，这是便利店行业最创新的一个品牌，总部在武汉，有400家门店。他们整套大数据分析的平台，从基础的数据分析指标体系到深度的应用是和我们一同共建的。
选择其中几个场景来分享：
首先这个是一个非常经典品类的挖掘，这里面大的品类到中品类、小品类。原来的话基本是分析到小品类就差不多了，但是如何在海量数据里面钻取到某一个单品，观远智能BI可以实现，且这个分析路径是自动监控的。
第二，是线下客流部分。我们可以看到数据显示（下图），哪些人进店前是开心的，哪些是进店前是不开心的，哪些对消费体验产生影响。通过采集，把门店端的客流数据和经营数据、排班数据结合起来形成一个完整的场景去回答，哪些门店哪些客户消费体验是在过去24小时里面有问题的。这是数据驱动消费体验的改善体现。
第三，就是对于企业来说，三张报表只是基础工作。第四张报表关乎企业运营的是否健康。我们这里可以看到每一个门店跟他同比的门店，在过去一个时间段营销活动表现好或不好，从中可以进行细分，对它进行打分。对于督导、对于总部来说关注的是自动得出的结论。这样的方式把好的经验、管理、决策提炼出来，让门店运营得到提高。
2
还有一个例子是来伊份，这里是会员分析的场景，在这个基础上可以进行更丰富维度的分析。其实我们知道CIO最担心的不是上线一个系统本身的复杂度，而是上了这个系统推广不起来怎么办，否则这会产生巨大的浪费。所以一个系统好不好用，能不能很轻、快，被大量的用起来，这个尤其关键。更进一步，当这些系统用起来之后我们希望它能够用活。天然直接SAP的数据，帮助来伊份决策。
3
接下来一个例子是亚玛芬。他们也是SAP的客户，因为这些品牌都是他扩张的过程当中陆陆续续收购的，虽然他有完整的SAP的系统，但是挑战在于多品牌、数据分散。
它始终有一个场景绕不开，就是商品部门每周，甚至希望每天都希望知道每一个SKU真实的库存数。这个我们知道是不容易的，因为可能会有电商全渠道、退货、在途等等，所以他们的商品部门的工作人员有两位同事每周要花两天时间手动的大量重复的工作，从里面导出SKU数据，和他内部的主数据，再加上损耗等数据得出这样一个结果。
但是通过我们全自动化的方案（业内首创拖拽式Smart ETL），在这里大家可以看到，直接把他处理逻辑和原系统做了一次性配置，剩下的就交给系统，原来需要两天大量的重复的过程直接一键解决，基本上没人干预。通过这个全自动的分析，他的决策效能得到很大的提高。那么人员的能量可以被大量的释放出来做一些其他的事情。
4
最后一个例子是百威英博，包括跟联合利华等500强一起合作做的AI预测项目。他们所做的事情是什么呢，是每一个区域每周都需要做需求预测。过去的做法是需求预测部门有很多人，计划员跟各个大区销售进行分析判断，得出一个结论。这个过程一方面重复，一方面是基于经验。所以我们全自动化，第二会自带很多零售算法的算法库。
大家看到的这个（上图）就是一个非常适合零售行业跟时间序列有关的算法，它可以有效看历史的规律对未来的影响，所以最后可以达到10%的提升，这个不仅仅是效率提升，更多的是降损的效果。
总结
小结一下，这个是我们的产品矩阵（下图），区别于传统的BI，从敏捷分析一步步进入到更加智能决策的路径。我们一些客户有些是在前面阶段，有些是进入到后面智能的阶段。
最本质的一点，在未来精细化是基础，智能化是方向。所以循序渐进通过更轻更快的方式让系统用活，这是从零售企业角度来说去真正让数据产生价值的关键要素。
时间关系就分析到这里，如果有兴趣的话我们在会后继续展开交流。谢谢大家！
文章来源：亿邦动力网
