在3月22日聯商網大會上午的分論壇「新消費時代的智慧零售發展峯會」上，觀遠數據合夥人魯伊莎作了題爲“大數據智能運營方法與實踐”的分享。
以下爲觀遠數據合夥人魯伊莎的演講摘要：
零售的變與不變
我們說過去的每一次零售變革，是由技術先引領了生產變革，然後生產變革引領了消費方式的變革。但是最近幾年的這次革命是不一樣，它是逆向的。它是消費方式的變革，逆向牽引了生產變革。這裏面誕生了信息革命的代表技術，就是我們常說的人工智能，物聯網、大數據。
再借用一下“三浦展”的消費時代理論。我們說第一個消費時代是二戰前，整個零售業是面向精英階層的消費，第二個消費時代是圍繞家庭展開的消費崛起，整個消費行爲的特點是追求更高的性價比。第三個消費時代是消費者希望通過消費來彰顯自己的個性，消費者在選擇的時候更追求品牌化、差異化和多元化。
對於日本而言，已經進入了第四個消費時代，最主要的特點是很多人覺得消費本身、物質本身已經不能帶來幸福感。這個幸福感在於說，我跟誰在一起？跟誰產生了連接？我消費過程當中是不是有很強的社會屬性，讓我覺得幸福。
而現在整個國內處在第二消費時代，第三消費時代和第四消費時代的並行的階段。國內實體零售，因爲二、三、四時代並存，所以是追趕式發展的階段，各地區的發展也非常不平衡。
不管發展曲線是什麼樣的，但是回到零售的本質是不變的，還是爲消費者提供所需的商品，然後零售的核心還是追求成本，效率和體驗。
數據賦能不變的本質：降本提效，助力增長
剛剛講到零售業的變與不變，我再說一下從數據賦能的角度哪些是變化，哪些是不變的。
從傳統的報表到現今的智能數據分析，數據賦能不變的本質是什麼？還是要能夠降本提效、助力增長，否則一切都是鏡花水月。應用數據的終極目標，是希望能夠利用數據形成零售決策大腦，執行和落地，管控就是手和腳，它一定是相輔相成、缺一不可的。因此零售分析的核心點在於：
• 探索分析
• 實時監控
• 預測決策
我這裏來說一個智能分析的典型場景：一個線下連鎖的零售形態，門店數量衆多，並且處在高速擴展門店時期，而周邊競爭很激烈，那麼他將會碰到什麼挑戰？就是優秀店長是非常難找的，可能不到10%，並且督導也沒有辦法很快深度瞭解每一家門店的情況。另外我們從營收還沒有辦法衡量門店的表現是好還是壞，也許這家門店營收是連續增長的，但是真的做得好嗎？
爲了解決此類問題，觀遠數據的虛擬標杆店解決方案，通過非監督學習算法定位每家門店的相似店列表，以相似店的表現作爲基準，結合門店的幾十個評價指標，可以快速定位經營異常的門店，從而爲門店構建整體經營健康畫像。督導還可以在去門店的路上通過移動應用或小程序在遠程獲取門店經營細節，實現隨時隨地的數據監控。
另外最難的是說很難形成管理的閉環，零售業要落地，形成閉環纔會有效。我們觀遠數據是怎麼去規劃和落地這個數據閉環的呢？這個是我們做的一張表，總結了觀遠數據跟我們現在服務的這些客戶在項目落地的智能分析場景，這是一個全集。
有很多客戶就會問我們，這個看起來非常大，從商品，供應鏈，渠道、門店、營銷，再到顧客關係，對於我的企業，我應該從哪下手？從規劃方法論的角度來說，我們包含這三個階段：
• 速贏：切入高價值場景，快速落地，數據追人，智能預警，自動分析業務變化，提升快反能力
• 運營：層層賦能，運營推廣，注重提升價值感，促進數據驅動運營，循環迭代，形成良性閉環
• 進化：深化決策模型，增強化分析
具體應用場景
▧ 預流失會員精準激活
我們做會員管理的時候經常會有一些常規的模型，把會員分成不同的生命週期和不同的價值階段。真正的精細化管理的案例是說，我不止要看流失的會員，還要知道下一個季度有多少概率不會再來我們品牌門店消費的會員有多少？這是重視會員運營的企業非常關心的問題。不要等到會員流失之後再去召回，因爲那個時候的成本會很大，而且效果很糟糕。我們要在會員有流失風險的時候，就要去做這個動作。
大家現在都在講線上線下全渠道的融合，如果說我的會員從線下流到線上，那其實它不是真正的流失。如果我的會員從這家門店，流失到了另外一個地區的門店，他也不是流失，如果是我的品牌流失會員，那纔是對我品牌的最大危機。因此，我們真正在做分析的時候，要把會員消費結構及有關消費者認知、興趣、購買、忠誠的一套行爲分析、會員價值分析等場景都考慮到，這些在我們觀遠數據的零售智能分析鏈路圖中都能得到精準定位。
在這個基礎上，我要看有流失風險的會員，他的佔比到底是多少？他喜歡的消費品類是什麼？對於我的會員來講，我們要把這個畫像對於會員做到個體的畫像，他的消費行爲模式是什麼？他喜歡什麼樣的商品？我應該用什麼樣的商品推薦把這樣的預流失會員招回。
我們剛剛講的不是要對每一個會員都做到這種個體畫像，還是得采用二八原則，我們每個品牌都會有貢獻度最高的小羣體，在這裏找到會員價值最高的羣體，再去這樣的精細化運營，這是一個ROI最高的用法。
▧ AI預測
最後再說一個預測，我們開始的時候就沒有預測，接下來是原生預測，這是怎麼做的？我們先假設上個月需求和這個月是一樣的，這是一個原生的預測，然後接下來到了進行統計預測的時期。
其實現在國內很多企業還停留在統計預測的階段，統計預測就是根據歷史的需求數量來擬合預測曲線，當然也會包含季節性、趨勢，包括用一些移動平均的統計算法。承載工具大部分是Excel完成，接下來下一個階段其實是需求規劃。
需求規劃的話，就是我會統計預測每個月和每週需求模式，這裏面跟統計預測進化的點在於說，我在預測結果中納入層次結構和因果關係。在進入需求規劃的階段，這個預測如果還在Excel裏面做的話，基本上變成了噩夢。
過去，由於數據和計算能力的匱乏，統計預測佔據了一段時間的主導地位。但如今，隨着數據體量的不斷增長、計算能力的不斷提升，使用機器學習和（神經網絡）深度學習來做預測效果比其他所有方法表現得都要更好。觀遠數據的需求預測主要通過機器學習技術學習海量數據中隱含的規律，結合業務信息輸入專家系統來進行綜合預測，可以顯著提高預測效率與精度。
那麼怎麼去幫企業規劃並落地這個數據智能應用的路徑呢？觀遠提出了5A路徑（敏捷化、場景化、自動化、行動化、增強化）。
從敏捷化能夠抓住核心指標-通過數據來抓住業務形態開始，這個其實正好呼應了前面講到的數據落不落地，爲什麼覺得不能落地？就是大家把這個數據抓出來了，用可視化方法和報表方面去呈現，卻沒有下一步的決策指導。因此，接下來第二個階段觀遠數據就要把業務邏輯和數據分析相結合（包括預流失會員精準激活等），進入到行動化和增強化的階段。對於企業數據運營，我們認爲這是從敏捷分析到智能決策的唯一一個最快的通路。