超过90%的调研对象客源受到影响约59%调研对象预计一季度企业收入下滑

来源：36氪　2020-04-23 09:04:18

3月中旬，CCFA联合德勤中国发布了一份《疫情对零售业影响的调研报告》，数据显示，超过90%的调研对象客源受到影响，约59%调研对象预计一季度企业收入下滑，约26%的调研对象企业预计受疫情影响企业已经或将于3个月内出现资金短缺情况……而同时，也有近50%的调研对象企业表示：2020年无调整预算及财务指标的计划。

在我看来，这主要有两方面原因。一是，从长远来看，疫情释放了更多商机，绝大部分企业在疫情过后都会加快线上线下整合，发展全渠道营销，非常有机会在后面三个季度追回一季度损失;其次，通过疫情暴露出来的经营管理短板，更有利于疫后进行纠错和提升，例如加快“数字化”建设。

过去十几年，零售消费企业基本做好了ERP、OA、支付、会员、供应链、财务等信息化建设。在有了足够的数据基础之后，下一个十年，就是要实现数据变现，这里的的“现“不是”现金“，而是 “用数据驱动零售智能决策“的能力，这也是未来企业的核心竞争力。数据驱动零售智能决策的本质不是说帮助企业产生10倍的爆发式增长，而是产生10-1000倍的增长机会。

以这次疫情为例，从消息传开到炸裂，留给零售企业反映和调整时间少之甚少。根据我们合作的一个茶饮品牌反馈，他们最开始有需要关店和加强线上营销的只有武汉。但在年前几天，疫情开始向武汉之外的区域蔓延，政策也是每天一变。而他们在全国有近千家门店，不仅要考虑继续营业可能承担的风险，还要考虑以怎样的标准确定哪些店铺关闭可以及时止损?正常营业的门店要如何改变营销策略?快一步可能就是少亏损上百万。

所以，CEO每一个小时甚至半小时就要观察看下不同区域门店的来客数、销售额、线上渠道销售情况等数据，并与营业成本和风险做比较，及时调整策略，哪些门店需要关闭，优先给哪些门店提供支持，原材料要如何调度。如果没有数据去实时监控这些关键指标的变化，就只能凭借经验去做决策，而疫情恰好是没有任何经验可以借鉴的。

所以说，疫情是就行一个放大镜，放大了企业在管理中存在的问题，也放大了企业对于数字化的需求。让我们发现，那些数字化能力强的企业，在突发情况面前确实表现比较出色。

例如，Lily女装千名店长变身微商，直播带货;奈雪的茶通过数据及时调整门店开闭店和营销政策，加强小程序下单;生鲜传奇小程序下单今日订，次日提;联合利华等消费品牌也开始通过社群卖货。

这些企业之所以能在疫情当中抓住线上流量爆发的机会，总结来说有两点：一是平时的资金积累;其次是面对突发情况的快速反应能力，能够迅速抓住市场机会，做到人无我有、人有我优、人优我精。而这种反应速度，正是基于平时数字化能力尤其是精细化运营能力的一种体现。

用数据重新认识驱动“人货场”精细化运营

从传统零售、新零售到智慧零售发展的历程中，无论是疫情还是任何突发情况，考验的都是企业对“人货场”三个核心场景的精细化运营能力，在未来会越来越明显。

传统零售是卖家市场，是人找货，人找场，而向新零售转型的过程中， “人”的地位完全由被动变为主动，成为零售企业变革的牵引力。消费者在哪里，企业“场”的阵地和资源就要倾斜到哪里，这里不仅包含物理层面“场“的迁移，还有线上线下全渠道的营销以及各种零售消费场景;消费者喜欢什么商品和组合，企业就要及时调整商品营销策略。

以“人“为核心的消费者洞察，不仅仅停留在姓名、年龄、手机号、消费金额等机构化数据的统计分析，更需要企业细化分析维度。这也是观远客户群体中对于数据分析应用最广泛和深入的场景。从时间维度分析、会员结构分析、消费结构分析以及会员价值RFM分析等，全方位深入分析，深度挖掘客户价值，可以协助企业进行千人千面的营销，有针对性进行商品推荐，有效提升客单价和顾客的忠诚度。

从“货”的层面，我们要通过数据去洞察哪些是畅滞销商品、哪个价格区间卖的最好、各类商品销售情况及所占比例是否合理......这些分析结果可为店铺的订货、组货及促销提供参考依据。所以，观远在给客户提供观远商品的分析时，包含了价格体系、商品管理、多品牌管理到库存管理等多个维度的商品运营分析。

从“场“的层面，企业的分析范围不再局限于线下门店，更需要通过数据分析做好全渠道的监控。纵向来看，最高决策者到门店终端之间跨越了业务总负责、区域负责人、甚至督导等多级角色，问题层层反馈和指令层层下达必然会低效。

所以，我们也针对这类通用问题提出了“空中巡店“的概念。

“空中巡店”是我们总结的一套自上而下的智能数据分析指标体系，决策者和各级管理者可以通过办公室的数据大屏或者移动端的轻应用，层层下钻追踪问题的源头，扩大自己的管理半径。而对应到终端应用，我们称之为“店铺管家”，主要为门店店长提供基于主题的仪表盘，包括销售分析、商品、排名等，跟踪和监控门店销售趋势、客户流量、转换率和目标完成率，可以帮助店长实时看到自己与同类其他店铺的表现，及时做出营销政策调整，提高店长数据经营的能力。

以我们之前合作的某连锁服饰品牌为例，他们在全国有1000多家门店。而连锁门店都有一个共性问题，就是优秀店长短缺。数据显示，大概只有5%的店长具备优秀的门店管理、调补货、营销能力，懂得如何看客流、看库存去判断经营出现了哪些问题。所以，我们合作的一个重心就是基于观远智能BI平台将优秀店长的数据分析思路沉淀成数据分析模型，为所有一线店长提供基于不同主题的仪表盘。包括销售分析、商品、排名等，跟踪和监控门店销售趋势、客户流量、转换率和目标完成率，可以让他们实时看到自己与同类其他店铺的表现，及时做出营销政策调整。

“人货场”不仅是消费者、商品、门店，在零售消费整个链路中，还有渠道、供应链、营销、财务、人力资源等各个细分场景。以这次疫情为例，如果企业提前做好现金流量预测和监控机制，就不会在疫情面前显得手忙脚乱。

有数据只是第一步

近几年，中国的“数字化”浪潮一直是居高不下，但很多模式都只停留在概念层面，依然解决的是偏流程和效率的问题，无法真正实现“数据驱动决策“的落地。究其原因，要是还是因为每个企业数据基础、数据质量以及数据管理体制不相同。

有数据没整合：同类型企业的基础信息化建设一定是大同小异，但对于不同数据源的处理方式却大相径庭。有些公司不同业务系统的数据都停留在对应的业务系统中，无法互通互联，决策者看数据都要跨平台进行，连效率问题都没有解决，更不用说智能决策。有些只是将数据堆积到一起，并没有形成强关联，所以也无法支撑多维度、高深度的决策。

数据与业务分离：做分析的人不懂业务，做业务的人不懂分析，是很多零售企业的常态。所以及时有自己的数据部门，也会出现数据只是为了汇报，管理层在“拍脑袋做管理“，一线在凭经验做店长的现象，这样的数据分析其实是非常低价值的。

缺乏对数据时效性和跨空间的管理：缺乏实时展示的数据分析永远是在做一件“汇报过去”的事情，而对于决策者来说，是在不断收拾烂摊子并不能解决当下问题甚至预知未来。所以，智能决策一定要匹配随时随地实时监控的硬实力。

三个数字化布局的关键角色

面对以上这些数据难题，不同企业，他们的BI(Business Intelligence，即商业智能)落地路径也是不一样的。但有一点是我们可以想清楚的，就是企业BI建设是谁去做?赋能谁?自然就要从这几个关键角色视角出发，确定他们对于数据分析的目标和诉求，搭建一体化的数据分析体系。而答案一定是数据分析师去做，赋能CEO为代表的决策层和终端门店。

CEO是典型的“我不要你觉得，我要我觉得”控制型角色，能够掌控大局，同时也是距离一线最远的角色。所以我们在做数据建设时，应该以CEO的视角搭建自上而下的数据分析体系，既能在总部运筹帷幄，又可以定位终端决胜千里之外。

而在一线门店端和销售端，更需要他们提供有温度的服务，而不是花大量时间去消化数据。所以对于门店端的数据应用应该是越“傻瓜”越好，最好能够直接告诉业务人员该怎么做，就类似我们上面提到的“门店管家”。

回到数据的开发者层面，他们是整个公司数据系统的直接赋能者，却经常在做一些数据清洗、融合的重复性工作。没有时间专注业务和数据分析本身，自然就无法给决策层和业务端提供前沿的数据分析模型。所以，企业的数据建设一定要考虑他们的体验感，选择部署简单、分析灵活、响应速度快、能够实现自助分析的平台。让他们可以有更多的时间专注业务场景本身，实现从借鉴到超越。

CEO、一线门店和数据分析师这三个角色是企业实现数据驱动决策的根据地，以这三个角色为核心进行数据布局，就完成了数据建设的第一步。在此基础上，企业可以分三步去落地自己的数字化转型。

首先是以终为始：以各条线的业务结果为导向，通过数据分析与指标监控为抓手，倒推业务系统的规划、搭建或优化，最终定义出数据驱动决策的的数字化建设蓝图。

其次是看三年做三个月，分布构建：我们要明确企业未来三年的数据化目标是什么，基于长远目标，又要着眼于当下3-6个月的短期需求，根据当前的IT能力、团队能力、数据现状分布进行构建。

最后是在落地过程中，如果满足条件可以实现人和算法的长期共存、相辅相成。虽然在相当长的一段时间内，AI不会取代人，但是不久的未来，不会去使用AI的人可能会被优先替代。这也给企业一个提醒，就是需要增加投入去培养AI相关的人才，为未来做准备。

黑天鹅、灰犀牛现象频繁出现，不确定性已成为常态;我们能做的，是抓住其中的确定性。精细运营、快速反应，让决策更智能。这是未来十年的确定性。