数字产业创新研究中心主席、北大光华学院副教授董小英女士在《跨越能力陷阱，企业数字化转型的战略对策》中提到，我们的运营体系比较僵化固化而且很陈旧，数字化水平很低的话，很多黑箱企业是看不到的，所以一旦危机来了（现在危机来的非常快），企业掉头很慢，所以抗风险能力就会弱。消费类互联网它姓“人”，它是以“人”为核心的，而工业互联网姓“工”，它不能用消费类互联网的玩法，传统企业要实现全链路数字化，最少十年，特别是以数据做基础，做主数据，原数据管理，企业越大复杂度越高，数据标准的建立难度越大，但是越重要。
因此——数字化是买不来的，特别在数据管理方面是最能反映企业管理基础的，万一企业的数据标准化出现问题，那整个系统中的数据的可信度都会出问题。
买设备是容易的，但是企业将数据管好这是个真功夫。那么实体零售如何构建数据管理体系，本文将重点介绍。
零售业数据应用存在的问题
1、数据的统一性、完整性较差
零售行业一般不会拥有完整的数据整合系统，比如票务、餐饮、零售这些系统各自独立，各个系统的数据没有办法打通，形成一个个数据孤岛，数据价值难以得到充分的发挥，因此很难得到统一、完整、直观，并能从各个业务主题与维度展现运营活动的管理数据。
同时，在企业经营管理、经营决策、战略决策、风险管控上，经常出现信息数据依据不足、不准确，判断困难的情况，如何有效进行数据整合以响应企业运行效率，也是零售行业数据决策的实际需求。
2、数据响应不及时
随着零售业务系统的越来越多，收集的数据越来越细，使用系统的时间越来越长，数据量的增长越来越快，现有的系统已经无法对数据量较大的数据进行快速响应。
传统的数据应用模式中，业务部门需要将数据需求提交给IT处理，但IT的人力不能保证对分析需求的及时响应，对一些报表的调整也十分困难。
3、缺少多维度的数据分析平台
以顾客分析为例：零售主管不能掌握顾客消费轨迹，无法对顾客的消费进行引导经营。同时，也无法掌握顾客群体属性，导致缺少提升服务水平的重要参考项。
服务业市场化充分，竞争压力相对较大，顾客对服务质量的要求相对较高，缺少对会员的有效管理，无法掌握企业顾客群体属性，企业难以走到消费者签名，提供更出色的服务体验。
4、零售行业需要一个完整的大数据应用架构
针对数据决策分析过程中的数据处理，整个零售行业大数据应用架构的建立需要经历四个阶段：源数据库数据抽取、ods数据库ETL转换、数据仓库和数据集市、最终用户界面。其中：
- 源数据库数据抽取
用户需要采集的源头数据库或者数据仓库，本系统源数据库为crm系统和其他原有应用系统，以及一些可能的需要EXCEL导入的数据源。
- ods数据库(预处理数据库)ETL转换
用于存储从源数据库中获取的数据，中间使用ETL工具进行数据抽取、转换、清洗、装载，数据进入预处理数据库对数据进行清洗和架构，实现数据的可用性。
- 数据仓库和数据集市
对目标数据库中的数据进行多次整合加工，形成面向主题的、集成的、稳定的、不同时间的数据集合，改数据库可根据业务情况，有选择的转义成可识别的字段名称，生成用户前端用户可直接拖拽使用的Cube文件数据。
- 前端页面（最终用户界面）
前端用户根据业务包转义名称，直接拖拽数据进行统计得到dashboard进行分析结果的展示。
构建数据分析模型（以商品与会员分析为例）
零售企业搭建完数据应用框架之后，就要进行数据分析模型的建立。
零售行业的数据分析工作，通过不断梳理零售业务，我找到了零售行业关注的重点，分别是商品、门店、库存、活动、会员等五个，然后构建每一个场景的分析模型。
1、商品分析
商品分析应该是零售行业最最关注的点，无论是领导或是业务人员，都会面对以下问题：
到底哪些商品能够获得消费者青睐，一路飘红？哪些商品应该淘汰？应该淘汰的商品销售额占比是多少？同一种商品的价格区间分布是怎样？……
当用BI工具整合了多个业务系统中的数据，进行数据加工、清洗后，进行下面二个分析
ABC分析：根据商品对店面销售的贡献度及顾客对商品的本身的需求，按照70%，20%，10%将商品分为A，B，C分类，并进行分类数据分析，包括 SKU数量，销售金额，库存金额。
商品价格带分析：商品价格带分析是零售商在做市场研究时经常使用的方法，通过分析同类商品不同价格带的销售额，销量，掌握此类商品用户的消费层次及数量，勾画出超市对该商品的基本需求。从而超市采购再根据店面定位来选择商品的采购层级及数量。
品牌效益分析：通过对各品牌对应的销售额，利润，客单价，销售成本率等指标的月度变化趋势，进而评估该品牌的效益。
第二步，确定了分析方法之后，梳理出这个场景下的业务模块、业务指标和分析维度，通过图表工具建立起指标体系，商品分析的指标体系如下图所示：
最后，通过图表来展示上面三个分析结果，如下图所示：
2、会员分析
对于零售行业来说，有效的客户细分是深度分析客户需求、应对客户需求变化的重要手段。通过合理、系统的客户分析，企业可以知道不同的客户有着什么样的需求，分析客户消费特征与商务效益的关系，使运营策略得到最优的规划；更为重要的是可以发现潜在客户，从而进一步扩大商业规模，使企业得到快速的发展。
而在以往，没有数据的支撑，想要了解以下问题往往是比较困难的：
消费者(会员)的特征分布是怎样的？不同特征的会员又有着怎样的消费偏好？怎样才能有的放矢，针对的提出营销手段？消费者(会员)的行为又是怎样的？喜欢在哪些时间消费？在不同的时间喜欢购买的品牌又是否一样？
为此，用图表工具的多源数据整合功能，将crm、erp等系统的数据打通，建立完善的用户画像与用户分类，然后针对不同类型的不同用户，结合过去历史数据形成的消费特征，进行差异化精细化的营销动作。
接着进行会员分析的指标体系建立，如下所示：
数据能力构建的核心价值与深远意义
今天，以数据智能推进品牌建设，精准运营用户，已经是全球众多品牌的“战略标配”。数据越精准，企业产品开发的风险便越小，生产成本和损耗也会变得更低。同时，企业对消费者的感知也会更精确，营销费用也比较低。而这些数据，靠传统渠道是无法获知的。
新零售体系下，要求传统品牌商/零售商以消费者运营为核心，以数据为能源，实现全链路、全媒体、全数据、全渠道的智能化运营。从上图的零售业数据应用金字塔模型中我们能看到，用户唯一ID（用户画像），数据拉通能力是企业进行业务运营（成本，效率），用户洞察与体验优化（体验）的基石。
应用场景数据化
无论是盒马鲜生、超级物种、连咖啡，还是小米之家等，这些“新物种”无一不是基于消费者的场景化需求而出现的。电子小票、专属导购客服、客户到店数据采集也是诸多应用场景的成功实践。
定位到正确的场景，就是成功了一半。品牌商/零售商之所以要做UNI-ID，要建设数据中台，要搭建智能应用，其目的都是为了实现应用场景的下沉。所以无论数据中台搭建得多么强大，UNI-ID体系建设得多么完善，没有应用场景的支撑，数据就只是存储着的0和1而已，没有任何商业价值。
同时，有了成功的应用场景，消费者才愿意与品牌商/零售商进行互动，有效的互动过程中，才能帮助企业拿到真实的用户数据，反哺和优化现有的“人-货-场”数据资产，让其发挥更高的价值。
应用场景的规划不是天马行空式的，需要符合企业的战略发展，满足未来落地的实际需求。品牌商/零售商在面对行业中不断涌现的“新玩法”，“新物种”时，总有一颗跃跃欲试的心，此时更要求决策者们冷静的思考，根据实际的需求，现状和数据能力判断投入和产出。
长期的实践让我们对于这样的规划形成了一套独有的探索-定义-验证-规划的方法。能够帮助品牌商/零售商从战略的角度出发，结合自身的业务现状进行理性的调研和分析，通过发散-收敛的循环往复，勾勒出应用场景的雏形。对数据的探索和关联成为了数据化应用场景的关键，这一过程中涉及诸如：内部数据的勘查，外部数据的调研，数据成熟度分析，数据的场景化匹配等内容。
下图展示了一个应用场景的规划所涉及的内容（参考）：
效益指数和紧迫性指数将决定着应用场景列表中有哪些场景是需要优先被测试模拟的。通过POC验证高优先级的应用场景，便于对数据需求进行调整和优化。通过创建-设计-定义-测试的闭环进行迭代后，最终形成了数据化后的应用场景。
企业数据化管理发展方向
《数据化管理》作者黄成明在“零售业务场景中的数据驱动”中谈到企业数据化管理的发展方向，在此用文字描述以飨读者。
数据化管理首先是对数据的管理。
完善数据结构，把数据做大 、提高数据质量，把数据做精、养成数据入库的意识和机制。不夯实数据基础，数据驱动就是空中楼阁。
同一个数据，同一个标准，同时企业一般需要两个关于数据运行的小组。
项目小组 1.规划公司数据需求和框架 2.梳理并确定所有指标及定义 3.审议和发布指标口径变化 4.评估各部门数据规范情况 5.学习借鉴其他公司管理经验。
专职助理 1.项目小组和各部门联系纽带 2.维护数据规范|培训数据员工 3.收集各部门数据和指标需求 4.监督各部门数据规范使用 5.管理和抽查数据入口质量
结语
零售业是一个数据密集的行业，商品、供应链以及用户挖掘等方面有极多的数据应用。除了上文提到的数据库、数据仓库、数据应用、和数据应用场景，品牌商和大型零售企业还需要关注数据治理，数据安全等多个新零售时代下的难题。关于数据治理与数据安全，接下来我们会深入探索。
简言之：在传统零售时代，从产品的规划设计到送达消费者使用的整个供应链中，我们依靠人力来做出联动和商业决策，自然会流失很多的商机。也无法整体发掘我们为消费者带来的价值。
在智慧零售时代，品牌商/零售商端到端的转型已迫在眉睫。在通过数字赋能优化决策和转型的过程中，数据令品牌能够快速反应，及时改进销售策略、调整产品。数据能力决定了谁能把握新零售的机会，谁又将被历史所淘汰。
大数据时代需要用数据赋能员工的商业洞察力。
