专稿希疆访谈 | 高峻峻：数据智能驱动中国零售创新

希疆认为，《零售新科学》一书对目前中国零售企业而言相当“落地”，有非常直接的指导和借鉴意义。高峻峻教授也就本书的内容，结合中国零售数据智能创新实践，与希疆讨论了其对目前零售业发展的理解与建议。

希疆：高教授，沃顿商学院Fisher教授和哈佛商学院拉曼教授合著的这本《零售新科学》是相当地“落地”。请您谈谈这本书的前后缘由，为什么会想到翻译引入这本书？

高峻峻：本书的主要作者Marshall Fisher教授在美国乃至国际上都是一个非常著名的零售供应链教授和专家，他也曾经是美国工程院院士、管理科学学会（INFORMS）会长，他对如何从“数据”、“科学”的角度来提升零售运营和决策效率有着非常深刻的认识，也有着丰富的帮企业开展数据驱动决策的实战经验，他本人也是一家4R零售咨询公司的联合创始人，时尚品行业很多经典的供应链理念和方法都源自于他，他在《哈佛商业评论》上有多篇被企业界广为流传的文章，特别是当时那篇《零售新科学》的文章就特别有名。

我自硕博连读起就与Marshall Fisher教授的研究方向接近，后来工作中也是做这一领域的咨询和各类模型算法的应用研究，当了解到Marshall Fisher教授已经将他这么多年在该领域的成果深度总结和凝练到这本书中的时候，我就萌生了翻译此书的想法。一次会议上与Marshall Fisher教授进行了深度交流后，因为研究领域跟他接近，加上他对于中国零售行业的浓厚兴趣（当时他正在写1号店的案例），他就邀请我于2011年去沃顿商学院访学了。我发现在美国各类会议上认识的和私下拜访的企业家们都很熟知Marshall Fisher教授，我当时很惊叹于美国的产学研可以融合到这样的深度，就更加期待着把他深邃的零售供应链思想和务实的实践经验引入中国的零售界了，其实本书的翻译初稿早在2012年就完成了，但因为我也一直忙于企业项目、没有时间进行校对，就束之高阁了。我一直在期待着中国零售创新有一天能够走在全球前列，之所以在七年后强逼着自己利用一些零星时间完成了本书的最后翻译校对工作，也是希望在新零售蓬勃发展且争论最为激烈的时候，就“如何迎接零售行业这一转型升级的重要周期？”“如何对商品的生产、流通与销售诸多环节进行创新改造？”等问题给正在变革中的零售企业带来一些数字化决策领域的应用启发，期待中国的零售创新真正成为全球零售创新的领跑者。

希疆：《零售新科学》这本书的编排科学合理，请您谈谈这本书的大概脉络和主要内容是什么？

高峻峻：本书为大家提供了认知顾客需求和开展商品计划（品类规划）以及库存计划（首单、追单、仓补）的方法论，讲述了如何实现从直觉驱动向数据驱动的决策方式的转型，如同那些优秀零售商的零售智慧一样，这一方法来之不易且值得大家信赖。本书认为完成这种转型后，零售商们的库存会周转得更快，折扣商品会大大减少，会更科学地决定该卖什么商品以及应该如何定价、下单、补货。也就是说零售商会更赚钱。

本书也很明确的指出，零售企业的成功关键是在吸引顾客的无序过程和赚取利润的有序过程中达到平衡，本书指出的零售新科学方法适用于企业发展到一定阶段的时候，即步入赚取利润的有序阶段的时候。通俗地说，就是这些企业已经在一片商业混战中生存下来了，急需在下一步经营大力发展之前去考虑如何实现系统性的有序过程（真正的具备大商品的整体控盘能力），否则熬过了生存危机也会败在管理危机上。所以，数据驱动决策型零售的目标，是在不破坏吸引顾客的创造力的前提下，将数据分析付诸实践、使零售决策更加睿智。

希疆：非常认同，零售业的盈利关键就在于畅销品缺货与滞销品库存的问题。

高峻峻：本书总共分为9章，第1章从投资角度告诉企业家们，库存的智能管理与市值评估之间有着强相关的关系，你会看到美国零售企业在资本市场能否被认可很大程度取决于这些企业在数据驱动决策上做了多少切实的投入，而不是传统的自动化配送中心和智能工厂。第2章和第3章是本书中唯一稍微包含了一些技术性描述的章节，讲述了品类规划、降价管理和单店宽度和深度以及库存科学性的计算方法，并提供了丰富的案例，包括连锁便利店和连锁轮胎零售商实施本地化品类规划的（千店千面）案例，服装企业是如何基于生命周期计划开展首单、追单和仓补决策的案例。

第4-6章其实是强调了数据驱动决策的三个关键前提，供应链、协同水平和店铺执行，我个人理解，抛开这三点的现实约束就直接谈数据能带来的效益其实是“大忽悠”，这三点也不是做到极致就是最好的，而是找到适合自己企业定位的供应链、协同机制和店铺执行能力。指出零售商必须界定清楚企业的顾客最看重的到底是什么。如果顾客想要的是类似塔吉特（Target）卖的平价产品，而你货架上的是诺德斯特龙（Nordstrom）百货店的高价商品，那么多高的现货率都不会帮你赢得顾客。

希疆：模糊的正确比精准的错误更重要。“营销靠无序，赚钱靠有序”，我对书中这句话印象深刻。

高峻峻：第7-8章是对企业的CIO和企业家们说的，内部组织落地数据驱动决策时应该考虑的因素，我个人理解就是：国外企业在推动这项变革时各种失败和各种阻力也一定很多，那么作者就详细的阐述了怎么看待这件事情，如何推动这件事情。

第7章介绍了有些新技术其实就是会有从一个“量变”的过程，不要指望这项技术马上带来什么效果，书中举例的是RFID，我个人觉得当前国内的“智慧门店“也是属于这种情况，企业家往往会把”大数据“和”智慧门店“所带来的价值放大化，包括”AI人工智能“也是如此，就会以为会很快走向”人货场“匹配，忽视了这些都非常需要企业的数据基础和流程基础，但也不能因为这些技术见效慢就不去尝试，因为一个组织吸收一项技术都是有学习成本的，该踩的坑并不会少多少、组织和人员所需要的学习时间、协同时间也不会短多少；所以，第8章展开去说数据驱动决策型零售所需的不仅仅是数学公式，正确的组织架构和强有力的执行计划也是实现数据驱动决策型零售的基础。不能孤注一掷地认为，新的软件包以及一些数据科学家就可以拯救你的公司。你必须先明确自己究竟想要什么以及应该如何实现你所要的，最终才有可能真正实现你的目标。

通过上述介绍大家可以看到，目前国内在零售领域，这种具有体系性和落地指导性的书籍其实并不是很常见的。本书的另一个主要内容和特色是不仅仅从企业管理人员而且也从实际操作人员的视角出发如何让数据来帮助自己日常的工作决策，不仅仅有零售企业的数据发展战略，同时还有关于数据的业务操作，并且最为难能可贵的是本书虽然从科学的角度阐述零售企业的大数据应用和决策模式，但并不拘泥于企业决策模式的改变仅仅归功于技术之上，而是从企业的现实出发，对于人员、文化、思维方式、组织架构、运营流程在零售企业朝着科学决策模式发展过程中所起到的重要作用以及所面临的风险、障碍、困难都做了详细的描述。

希疆：第一章谈到库存水平会直接影响到现金流，进而影响公司价值和股价。但是关于库存周转率与很多因素有关，比如服务水平、行业特点，作者提出了一个新的指标“修正的库存周转率”，将资本密度、加价倍率、销售意外纳入考量，请问这样一个新的指标是不是更加合理？国内企业似乎对此还不重视。

高峻峻：第一章聚焦在如何前瞻性地评判上市公司的市值和股价这一问题上。正如我前面介绍的，国内之前更加强调偏“硬性“的指标去看待一家上市公司，例如公司的营收增长率、在供应链上的投入、在物流上的投入等等，现在虽然开始强调一些偏”软性“的指标，例如库存周转、供应链管理模式和供应链管理等，但基本也都是通过行业研究和企业实地访谈去开展的，会受到企业自身提炼总结是否足够系统和科学的影响，本书指出国外投资者已经开始建立自己的专业体系来对零售企业进行更专业更有系统性评估了，例如书中所说的”修正的库存周转率“，通过这个指标来预测库存表现，进而预测企业的营收、现金流乃至每股收益的变化。

其实现实中零售企业的业绩目标编制基础也是销售计划和商品计划，当然也会考虑行业走势和所定位人群趋势偏好，然后通过库存规划和供应链资源规划来支撑业绩目标的实现，最终形成商品财务计划和现金流预测，甚至会设立专门的供应链财务人员来对供应链成本和销售成本进行预算和核算。但由于企业一般对投资者不会开放太多实际信息，年报季报的财务信息又是滞后的，聪明的投资者就会通过关注库存增长率、企业营收增长率、同店增长率以及库存报废等信息，来预判企业的营收增长是来自于库存增长还是开店增长，亦或是提价，还是真正的良性长期增长。

由于年报会披露库存周转率这一指标，而且不同行业不同企业的库存周转又不具备可比性，所以本书作者提出了“修正库存周转率“的概念以比较同一行业的不同企业，加价率也可以理解为毛利率，低毛利零售商的库存周转高一些是正常的；资本密度其实就是我们前面提到的在IT上和数据驱动决策上的投入，特别是在商品运营和商品决策上的投入，投入越高意味着这家公司的商品控盘能力越强，支撑经营的商品管理水平越高，出现财务风险的几率就会越小。最后的销售意外指数是指企业财务预测的精准度，或者说业绩达标的历史表现怎么样，是总不达标，还是总超额完成，亦或是小幅超额或小幅不达标，这个指数与管理层决策偏好、企业销售运营模式和整体管理水平都有关系。

本书新提出的“修正库存周转率“与三个指标之间的关系的科学性是经过投资者数据验证的，这三个指标从投资者视角是可以比较好的解释企业接下来一段时间的库存周转率的表现的。我所了解的部分国内投资人现在也在规划对所投资企业进行全面赋能，其中的重点就在数据驱动决策这个领域，投资人现在也日益清楚的认识到：不帮助自己投资的企业提升这方面的能力，自己的投资回报就岌岌可危了。而如前所述，国外二级市场的领先投资公司甚至开始了每月派出大量的员工，抽样走访近50家店铺，并在每一家门店，评估同类产品的库存水平和折扣水平了。

希疆：企业增长很重要，但是稳定性更重要，比如存货周转，应收账款周转等指标。在第二章商品规划里，作者提出“千店千面”正被零售店越来越多采纳，其中主要的原则是：给予门店进行部分授权，总部对主推商品进行集中化规划，门店进行部分品类的本地化决策。请问这种方法在实践中效果怎么样？有什么难点？

高峻峻：是的，“千店千面”是这本书的一个重要提法，其本质还是零售的起点就是满足不同的消费者在不同的场景中的不同需求，聚焦在“需求”上面，而不是传统的千篇一律的商品、层次不穷的促销手段、大量的渠道门店等等。当然”千店千面”具体实施起来肯定不容易，特别像在中国这样的幅员辽阔、差异巨大的国家，温度带、店铺等级、消费水平和偏好的差异等都会给这一做法带来巨大挑战，但这也是零售行业朝着精细化管理方向努力的一个必然方向，我们也看到中国的一些零售企业在朝着这个方向发展，最终达到的目的还是合适的商品在合适的时间进入到合适的店铺以合适的价格和促销方式销售给合适的消费者。“千店千面”想要成功需要下面几个前提，其实也是实施的难点：

• 总部对于商品、门店的掌控力要强：即企业的大脑，“总参谋部”具体到服装企业就是“大商品管理”的体系和要健全，其实就是整体的资源计划、调配和优化的意识要建立；

• 总部大脑强大的意识有了后，其对数据的掌控、分析和应用的能力、工具、流程也有相应的建立起来，这样总部强大才能有坚实的基础；

• 门店的授权要清晰：总部的计划和决策能力强大后，门店作为执行端，要对计划实行的实际情况进行反馈和沟通，及时让总部知道一些最新的动态和误差，真正的形成数据闭环。

这些要实施好，其实能力、工具、流程的建立是一方面，更重要的是人的意识、习惯以及各块利益的打破，例如分公司/经销商和总部对于“货权”的利益矛盾问题，当然总部强大的最终目的其实还是要赋能给各个职能部门、经销商和分公司。

希疆：非常同意，总部要有强大的计划，组织能力，授权和赋能要结合起来。简单放权适得其反，书里面对店群聚类也很有指导意义，简单按照城市级别和渠道差异划分远远不够，科学的方法是根据历史销售数据，按照商品组合销售差异来分类，可能会有十个以上都分类，比现在按照百货、购物中心、街边店划分更准确。

在品类规划中，“与识别有潜力的SKU且增加其库存相比，大部分零售商更擅长识别和剔除滞销的SKU”，为什么正确选择潜力商品这么难？

高峻峻：识别和剔除滞销的SKU毕竟是基于已经发生的事情，会有很多数据和事实的支持，但我想强调的是毕竟中国市场巨大，在某个门店或者区域滞销的SKU可能在其他门店或者区域中是畅销款，也有可能今天滞销但明天由于某种事件就可能变成畅销，还有的零售商会人为的制定一些促销策略，甚至通过流量引导的方法让滞销商品再次变成畅销，总之对于滞销品不能一概而论，需要排除未上架因素、上架位置不佳因素和生命周期还未到旺销期等因素，其实也是需要一个体系性的思维（包括地域、时间、事件、活动、定价等因素）来综合考虑的。

正确选择潜力商品的难点主要是消费人群定位不清晰，导致行业趋势、品类趋势的一些大数据很难为企业真正所用，而小数据（企业内部ERP和CRM数据）分析时单纯看是否好卖，也有可能排名第五的SKU其实是真正的畅销款，要观察畅销品“畅销的背后“到底动因是什么？是因为库存多导购拼命推、铺货率高、毛利高使得市场推广力度大、促销活动参与力度大、还是上市周数到了这个品类旺销点，否则很容易造成品类结构不合理，或追单追回来却不热卖了，有时候是短期销售目标保住了，但未来销售增长乏力，有时候是追回一堆库存，所以，企业很需要建立大商品的概念，将研发的商品定位、商品企划、商品计划整合起来形成流程闭环和数据闭环，不断去校准消费人群定位，评估面向消费人群的正确的潜力商品。

希疆：非常棒，如果不仔细分析，深入了解，错杀的商品会很多。在第三章产品生命周期管理中谈到了最优订货策略问题。对于买手而言，最痛苦的就是如何提升订货的精准度，每个SKU应该订多少。本书给出了四种方式的比较，其中提出了一种基于咖马需求的风险对冲模型。这是不是目前最好的订货模型？

高峻峻：这个问题其实是个模型评估问题。首先需要对于模型的理解达成共识，模型其实是数据和算法在业务场景中经过运用找到的有效可泛化推广的规律和方法，有些数据公司将模型偷换概念为机器学习算法不仅仅是误导，更可怕的是弱化了数据和商品标签、店铺标签在模型形成过程中的重要作用，就像人脸识别中所用到的神经网络算法几十年前就有了，但为什么近些年突飞猛进的在各个行业应用，就是因为有一批科学家不厌其烦的花了五六年时间不断积累打了人脸标记的数据库，最终才形成了人脸识别模型，才有比较好的商用效果。

对模型的定义理解一致的情况下才是模型评估，好的模型的第一个评估条件一定是规避结构性风险，就是模型不能今天在华东区用了2个月还不错，放到华南区就不行了，也不能这2个月还可以，到了第3个月突然失灵了，这对于企业是很可怕的风险。第二个评估条件一般是与现状或某种最简单规则的比较，两者比较而言谁的效果好一些，单纯把模型吹上天的做法我也见过很多，说自己的模型有多好我个人观点意义不大，模型是需要紧密结合业务场景的，只要对业务有帮助就可以越迭代越好。

现实中还有一种很常见的情况是企业希望知道模型的应用效果，这个在本书后面章节也显示了，如何量化模型的价值，这是推动模型运用的一种好方法。所以，问题中提出的四种订货策略是不是最后一种最优，其实根据刚刚所言，第一种策略是将买手对产品的预测进行平均、第二种策略是将买手预测平均后再上调10%，这两种策略就是我们模型评估时的第二个条件，只要第三种策略中的简单模型和第四种策略中的概率模型都比这两种现状好，就说明模型可以应用。

希疆：数据的标准化、规范化是基础。

高峻峻：没错，只不过一开始运用模型的时候不建议马上进行复杂的模型优化，先把简单模型用起来，让所有用户都理解模型背后的逻辑更为重要，信任才敢使用，黑箱子尤其在国内并不适用，也不利于推广。当简单模型使用了一段时间之后，业务人员信任模型了，企业效益也看到了比原来好，这时候可以开始逐步往稍微复杂一点的模型切换了，所有复杂模型对数据和流程的要求都很高，一开始就用复杂模型尽管运算精度高，但失败风险也很高。

希疆：非常同意，先把简单的模型应用好。了解透测背后的商业逻辑，再进一步即可。一二三四策略其实还是“术”层面的进阶。关于补货策略，书中介绍了缺货的损失非常大，缺货1%造成的销售损失是大于1%的。但是零售商常常混淆“库存现货率”和“销售满足率”，请问这两个指标有何不同？

高峻峻：的确，缺货是零售业的一个“杀手”，由于缺货所带来的销售损失有可能高达20%以上。但有库存并不意味着你一定有销售，因为你的库存有可能不是消费者想要的，这时候你的库存现货率虽然高但卖不动，其实对于销售没有任何的好处。而真正卖得好的商品，库存往往又不足，到时销售满足率很低。所以库存和销售要在一起看，不能孤立的来计算。

希疆：准确的是每个SKU的销售满足率，特别是服装这样毛利率高的行业，缺货损失更大。在季末，零售商通常会通过降价进行清仓，请问合理的产品退市策略应该是怎么样的？

高峻峻：季末清库存其实是个无奈之举，季末积压大量库存的话其实就意味中季前的计划准备和季中的计划执行没有做到位，因此季末的清库存既要降到最低，又要有序做好这一不可避免的常规工作，特别是不能影响下一季的新品销售。

建议在季前就针对不同品类明确销售季不同阶段的售罄率目标，在季中严格监控目标达成情况，及时对于未达成品类中的滞销品进行销售实验（如调整陈列、限时特价）、或提早参加活动、或转移到奥莱店和工厂店以及电商上进行售卖，严格达成各个阶段的售罄率目标，这样最后季末清库存这一段时间的压力就会减轻很多，可以将最后季末这一段清库存压力传递给单店去解决，相当于清库存之前的各个阶段总部商品已经进行了全面梳理和解决，同时对于商品下架时间有明确的要求，只有经过企划同意的款式才能进行延续到下一季继续售卖。目前企业要么之前管控不力，要么新老品并存，老品清仓严重影响新品陈列和售卖，甚至恶性循环到新品不打折也不怎么卖的地步。

当然上述流程中为了达成各阶段售罄目标也离不开畅平滞判定和对滞销品的定价模型的不断优化，需要不断计算出各个阶段的最优折扣，确定某个阶段降价带来的销售增长，使剩余库存的收益或利润最大化，找到合适的降价时间点和降价幅度（书中的收益最大化价格决策模型），而不是都等到季末清仓，那时候滞销品一旦与追单回来的畅销品竞争，一样是卖不出去的。

希疆：嗯嗯，一般情况季中30%的折扣效果比季末50%折扣效果要好，说到底还是商品企划的问题，要对进行商品全生命周期的计划和管理执行。在第四章柔性供应链策略中，作者举了很多案例，包括松下运动自行车、日本World时尚集团和Zara的案例，您认为零售商打造柔性供应链的关键点是什么？

高峻峻：我个人观点是不论什么模式的供应链，其实本质就是需求和供应的精准匹配，这就要求：需求要把握的准，供应要反应的快，而且这个快是“准确”的快，这样才能把需求和供应真正的协同和匹配起来。我们群内之前也对于快反供应链争论很激烈，事实上从需求视角看，很可能快反供应链和精益供应链企业都是需要的，而且企业需要同时具备管理这两条供应链的综合能力，并能将供应链与前端的企划和商品计划有效衔接和协同起来。

我们也看到在实践中只重视一个环节，例如一味的强调供应链反应快，但这种快并不准，并不是以消费者需求为出发点，而且快到一定极致，还能再快吗？如同减肥，无限制的减下去就不健康了。所以柔性供应链的的关键点其实有几个，第一还是要重视需求管理，通过需求来引导供应链，供应链不能再独自闭门造车，第二要重视需求和供应的协同，这也是本章推崇的CPFR的原因，即前端和后端在数据、流程、工具上及时的协同和共享，并且形成一套机制，第三每家公司的产品都不尽相同，供应链的模式也未必完全一致，ZARA有基于基础款的供应链体系，也有基于时尚款的供应链体系，适合自己的才是最好的，第四柔性供应链的推拉结合点，每家公司、产品都会有自己不同的结合点，这需要具体情况具体分析。

希疆：我完全同意。供应链其实是“供需链”一定要与需求链精准匹配起来。没有计划的快反就是混水摸鱼，成本太高效果也不好。关于第五章“目标协同”，对我的启发最大。我认为对零售企业是最重要的，也是最简单实用的就是-如何通过激励促进协同运营，包括企业内部各部门之间，以及产业链上下游之间的紧密协同。关于这方面，您有什么感受？

高峻峻：第五章其实是供应链管理这个领域之所以出现的两大根源之一（协同）：一个根源是企业需要一个统一的“大脑“也就是“计划体系”，所以，我们看到外企的供应链部门包含了主数据管理、订单管理、需求计划和供应计划，而目前时尚品行业对供应链的理解还局限在供应商和外包工厂的管理。另一个根源就是协同这个事情到底谁来做，于是乎S&OP（产销协同）、IBP（商业集成计划）和CPFR（协同计划、预测和补给）都成为了供应链领域一直落地到操作手册Level的应用体系，在国外分别由一家咨询公司和一个行业协会到处进行企业级的广泛推广，操作手册里有全套的现状评估、流程设计和岗位责任要求。

问题中提到的如何通过激励促进协同运营，包括企业内部各部门之间，以及产业链上下游之间的紧密协同对于零售企业非常重要。我感受比较深刻的是激励机制的设计，例如之前TOC推广至经销商时出现的各类数据造假和季末大量退货问题其实就是激励机制设计问题，不深刻理解运营、不了解各方的目标是很难设计出好的激励机制来的。

举个其他行业例子大家就理解了，例如S&OP（产销协同）流程很多企业都有甚至于老大也很重视也有系统支持，但就是做的不好，而霍尼韦尔为什么做得好，因为他将S&OP（产销协同）与人才晋升机制、培训机制挂钩，新收购的企业老总和销售副总都需要S&OP（产销协同）考试合格，而且组建了一个审计小组到各个分公司去检查S&OP（产销协同）落地情况，参加各个分公司的S&OP（产销协同）决策会议，抽查大家需求计划和供应计划数字做出来的过程和考虑的因素、假设条件并进行打分，以鼓励大家不断创新并切实落地，每个月分数进行全球排名。而书中举的零售例子我们可以看到，往往就是总部一个战略，但门店有自己的目标，物流有自己的目标，供应链有自己的目标，设计了协同机制但没有激励好大家进行目标协同。

希疆：S&OP是需要高层支持参与的，国内企业确实不够重视协同机制的落地问题，这个流程其实也是数据驱动决策转型的基础工作，协同的目的还是为了促进整体观，系统观，激励机制的合理设计从这一点出发。

关于第六章“门店执行”的研究结果也非常有意思，作者发现影响门店绩效的TOP3要素是员工工资、学历和现货率。这样的情况在中国也是类似吗？是不是一家导购工资高学历高的门店，销售额真的会超过同行？

高峻峻：当然具体情况要具体分析，盲目的去学习日本或者美国的零售业肯定是不行的，因为国情、阶层、地域、受教育程度等都有很大的不同。例如日本零售店的员工的在一个企业工作的年限远高于其他国家，而美国零售业的从业员工的受教育程度则远高于其他国家，而且书中举的例子因为是家电和3C数码零售行业，对服装业也未必完全适用。

在中国零售业，给店员高工资只是促进员工卖力的一个手段，而真正充分发挥员工潜力则是依赖一整套体系，如永辉门店的合伙人制度、海底捞的分成制度，这样才能够真正激发员工的潜能，特别是像在中国人员流动性巨大的一个国家。但在中国的优衣库、ZARA的门店海归、硕士文凭的的店长也很普遍，虽然他们店大，数量不多，但这也说明了一个趋势。至于现货率，不论在哪，缺货率永远是个“杀手”，门店永远不会希望缺货，但同时库存问题也有一部分是他们造成的。

希疆：如何激发基层员工的自主性，创造性，而不仅仅是执行总部的要求。特别现在90后都非常有个性。关于第七章“技术风险”，主要讨论了IT实施与业务融合的问题，和国内企业面临的情况类似。那么对于国内零售企业，面对新技术，应该采取什么样的态度或策略是比较科学合理的？

高峻峻：我个人感觉中国企业其实对于新技术和新思想的拥抱程度还是比较高的，都想来尝试一下，但毕竟受制于经验、知识等也走了不少弯路，浪费了不少资源，下面也是我的一些建议：

• 要有个整体的新零售IT技术发展的整体规划和架构，不能只做局部改善，避免头疼医头脚先把企业内部“小数据”利用起来，其实就是改善现有数据质量，开始以智能决策为目标“养数据”

• 特别注意新技术和业务的结合，即技术为业务所服务，那些脱离业务场景的新技术不管说的多么好，能给企业带来的收益是不显著的

• 大部分企业其实很难有自己独立的数据部门或者自己独立开发软件，要善于借助外部的力量，像7-11和优衣库那样善于与外部公司建立长期战略合作关系，共同推进企业的数字化转型。

希疆：最后一章“全公司实施”，作者讨论了实施策略问题，非常贴近实际。那么您认为，国内要成为数据驱动型的零售企业，需要做哪些准备工作？如何做到?

高峻峻：

1. 一把手领导的意识转变：领导要认识到数据驱动决策的价值和方向，并且要做好持续投入的准备，这块的投入在国外也都是比ERP、CRM和WMS这类执行层面的系统更为昂贵的；设定好系统的阶段实施目标，例如阿迪达斯在中国和全球推广计划类系统的时候，第一年甚至目标就是非常明确的:“正确录入计划所需数据“并数据共享，也就是哪些部门哪些人该录入什么数据，成为第一年超级清晰的目标，这也就是告诉全体员工，这个事情是要不计代价的切实落地的，不是试试看，也不是马上就要见效益。

2. 组织变革要先行、至少同步：目前这一波新零售的趋势很明显，组织不变革，内部各职能如果还是有厚厚的部门墙和本位主义，这件事情做不好，这也是优衣库为什么从大的组织功能上来讲就两条线，一条是计划线，一条是执行线（所有营运、店铺、供应链执行都在执行线里），此外，IT角色也要发生很大变化，既要与业务完全交融，又要有顶层IT规划； 

3. 员工的数据驱动决策的正确意识要树立：组织只有变革，员工才会意识到企业高层的决心，与此同时，还需要多开展一些培训，让员工从自己单一工作内容和工作范围中跳出来进行系统性思考。员工因为业务出身，脑子中的业务场景很多，但对于数据分析的技术和工具知之甚少，因此很难同时也没有动力把自己对于业务精深的理解和数据分析做紧密的结合，转化为数据分析和决策所需要的种种要求，而技术团队和数据决策团队如果也刚好是不熟悉业务场景的纯算法人员，就会陷入很孤立且无法深入理解业务的状态，只能自己独立的学习、研究和探索，最终不能高效、快速的把自己所擅长的数据分析技术和业务结合并产生出对业务带来价值。

4. 全公司的实施策略要有至少2年的规划，外企一般都会做三年规划：国内之前比较强调速效，其实任何项目想快速取胜，树立信心和威望从大原则上来看没有错，但到底是做迭代演进还是做单点突破就是完全不同的实施策略了，我个人比较赞同迭代演进，毕竟99%以上企业的数字化决策都处在从0到1的阶段（从Excel表到系统），相当于从数据基础、决策逻辑和决策流程上都是要同步推进的，如果单点做，一方面整个体系还没有从公司层面由上至下的贯通过一次，另一方面就是效益短期内也不会很显著，很可能等完整系统上线后，单点的情况已经发生了非常多的变化，之前单点上的很多投入都需要重新修正，费时费力。

5. 建立基于该项目实施的人才选拔机制：这类项目其实指向着企业未来人才储备的重要方向，企业非常需要能同时理解业务、理解IT、理解逻辑，并具备由此进行商业判断的人才，而不再需要之前那种擅长执行、擅长表格数据处理的人才了，而且会逐步需要这些人才在依据对系统了解的基础上，不断深入销售一线，学会查看各类分析报告，反过来还能对系统逻辑改善提出需求，这类数据驱动决策项目正是企业选拔人才的好机会。

希疆：最后，我想和高教授讨论一下，目前国内零售业在数据驱动方面的现状是什么？存在哪些问题？您有什么建议？

高峻峻：我可以对应着上述五点总结一下现状和我的建议：

部分企业家因为对新技术特别是数据驱动决策类技术不熟悉，在制定战略时可能重点不够集中和突出这一块，导致中层开展这块工作时也始终不聚焦，或者中层干脆就做一个单点，反正少做少错，之前零售企业极速扩张对于数据的“内功”的投入不足，这无可厚非，但目前如果企业家还处在将信将疑的话非常不利于企业真正意义的数字化转型，毕竟不在数据上投入就永远不会看到价值，将掌控和挖掘数据的能力发展为企业自身的核心竞争力的时代已经来临，错过这一波趋势，像书中提到的，企业对技术细节的理解时间、对技术和业务的整合时间，这些时间都是省不下来的，我赞同迭代但不赞同步伐过小；另外，有时候一把手虽然重视这个项目，但投入资源的力度很小，不想对组织架构有改变，也没有考虑可能的人才引进重点，导致企业方的项目组人员构成相对决策等级不高，很难完全领会高层的意思，也无法真正推进项目落地和管理变革，或进展缓慢，方向不断走偏、不断调整。我因为个人一直在做这个领域的研发工作，很清楚这个系统背后的投入，这类系统开发所需的人才智力水平更高也意味着薪资更高，一个ERP实施顾问和一个决策类系统的顾问薪资差别肯定要差很多，开发人员则更要兼具传统执行系统的经验和互联网公司大数据架构的开发经验，人才薪资都是与互联网公司比肩的，如果过于便宜反而要警觉背后可能存在的问题，如服务团队的人才配置、业务经验水准、系统架构能力、财务风险，甚至于企业自身的数据风险；

IT角色和组织变革方面，准备好的企业很少，大商品也就是企划、商品计划和商品运营、一直到供应链之间的协同流程准备的并不充分，在这样的现状下，非常需要一把手需要直接推动各部门的协同，当然也已经有企业很前瞻的成立了商品供应链部门，类似优衣库这样直接把整个计划线全面整合到一个大部门里了。同时，IT部门其实需要多个人分别去跟多个决策模块的上线，同时IT部门还要依据决策要求迅速组织对传统IT系统的改造，当前中台说法很流行，但归根结底还是一句话，该执行系统做的事情要有序做到位，该计划系统做的也要循序渐进的做起来，两者之间只不过需要数据获取、处理、计算、传递的中间层来快速校验数据、计算数据、分发数据，从而提高决策层系统的运算性能，这中间除了技术问题，更多是管理问题，业务层面到底是如何使用现有执行层系统的，中间哪些必要数据未记录，哪些数据不及时，哪些数据不准确甚至有造假；我们现在碰到的比较多的问题是执行层系统不想改，一些数据想要计划层系统这边去修改，最后计划和执行系统的数据又会对不上了；企业的中台提供商的顾问对于决策层要做的事情并不理解，反过来也很难理解为什么要对数据做这样那样的处理，也很少对执行层系统提出真正有利于商品决策的统一数据源、统一标签的建议，其实看看最早SAP的HANA系统实施的具体情况就明白了。

目前存在高层、中层和基层员工的认知不统一的问题，中层和基层虽然会意识到企业高层的决心，但因为也是第一次做，会比较理想主义和完美主义，在开展工作时“迭代思维不足“，非常希望一步到位，与此同时，的确目前一些数据类公司的各类宣传已经误导了很多企业中层领导和基层员工，例如人工智能技术的运用，说得好像分分钟就能智能化决策，各种复杂算法和逻辑一旦用上企业的商品运营就马上能上一个台阶了，这使得中层和员工本身都因此而忽视了该推动的决策流程改变，一心只想让系统按照自己的工作习惯去改，去适应自己的现状，这会使得高层管理者下很大决心投入在做的系统投资打了水漂，因为按照这样出来的系统最终能实现的也就是小范围的工作效率提高（例如店店调拨），与高层设想的这类系统从根本上和体系上改造商品体系，增强企业的营收和利润相去甚远，小范围的工作效率提高是不可能在营收和利润带来显著性的质的飞跃的。

前面提到了做这件事情的前提最好是公司自身有2年左右的实施计划，否则很容易出现短期目标未实现、或目标设定过高而导致的项目搁浅，例如最近的某多品牌女装的大商品智能管理项目就搁浅了，最初过于理想，现在又过于现实，一直在理想和现实中摇摆，这个也是前面提到的到底是做迭代演进还是做单点突破的问题，我个人比较赞同迭代演进，毕竟99%以上企业的数字化决策都处在从0到1的阶段（从Excel表到系统），相当于从数据基础、决策逻辑和决策流程上都是要同步推进的，如果单点做，一方面整个体系还没有从公司层面由上至下的贯通过一次，另一方面就是效益短期内也不会很显著，只会有刚刚所说的某个部门的部分员工的工作效率提升，而未来推广时该做的贯通、该改的流程、运算的逻辑、所需的数据基础还是一样不少的要推动一遍，而时间其实已经白白流失了，时间投入永远比一个项目投入要值钱的。迭代演进的意思就是哪怕是台桑塔纳（电动车也行啊）先跑起来，哪怕逻辑不复杂，哪怕业务场景不够最全面，但最起码高层充分重视了且达成共识了，内部组织和流程进行改造了，IT架构按照未来运算性能要求搭建起来了，各个执行系统该修正的部分已经开始修正了，员工也养成了运用这类系统的工作习惯，那么数据基础越来越好、流程越跑越顺的时候，系统也不断迭代升级（三年后一台奔驰就形成了），这是从根本上省时间。单点做的事情就算做得好，但很可能等完整系统上线后，单点的情况已经发生了非常多的变化，之前单点上的很多投入都需要重新修正，费财费时费力。

数据决策型人才的匮乏也是制约零售企业挖掘数据价值的主要障碍之一。这一块甲方乙方其实都缺乏足够的人才，之前的ERP顾问、BI顾问能转型过来的比例以我的经验是低于20%的，业务出身和咨询顾问出身的又欠缺数据经验和IT落地经验，在这种情况下，只能甲乙双方通力合作，基于一定程度的谅解和信任，共同通过项目来培养人才和选拔人才。该类人才是具有把数据转化为零售企业决策所用信息的专业人士，他们是“跨界”的，不仅要有数学、统计学、人工智能领域的专业技能，更需要在零售商业领域如销售、市场、企划、商控、供应链等领域的专业知识，这样才能够把不同的学科给整合在一起。而零售企业现有的人才往往都是来自于单一背景，对于企业的业务很熟悉，但对于数据则意识不强；而单纯数学背景的人才又对企业的业务熟悉程度不足，而且对于不少零售企业组建庞大的数据分析团队、雇佣大量数据分析人才则又负担重重，因此在初期使用外部第三方的专业力量也是比较现实的选择。所以，我们看到7-11敢于不断对其系统进行迭代，迄今为止系统已经进行了六次非常彻底的升级换代，都是因为有其人才储备在那里，也有长期合作的外包公司在那里，优衣库常年找一大堆的软件服务商按照自己的要求不断提供服务，甚至也能提炼出优衣库的目标人群判断规则给到大数据提供方，请他们按照优衣库的要求进行大数据支持也是这个原因。国内企业一样也要寻找合适的乙方进行长期合作，国内除了阿里京东，很少有企业具备自己搭建这类产品研发团队的可能。

最后还是想再次强调，零售企业虽然积攒的大量的原始数据，但是数据的质量还有待考证，也即是很多数据没有按照数据分析的要求而设定搜集，数据在产生的过程中会有各种各样的错误、纰漏、作假等现象，而数据的价值很大程度上取决模型所用数据的质量，即所谓的“垃圾进，垃圾出”。所以，数据的预处理也即是数据的合并、清理、转换、简化等步骤必不可少，而同时“养数据”的意识要树立。针对数据有著名的两个循环理论：一个循环是在怎么用数据，一个循环是怎样养数据，怎么改善数据，两个循环不断的走动，不断的进步，所以数据是养出来、练出来、整理出来的。这块虽然这本书里提及的很少，但却是国内企业最大的痛点。

希疆：是的，尝试起来，先迭代再演化。我在思考，如此复杂的变革，每个企业都需要认真思考自己的现状，从一个“杠杆点”去撬动。