刘湛 黑蚁资本刘湛：运营进化的最终阶段是智能化

2020年注定会载入史册。在逆境中，新一代的消费心理和营销模式正在发生巨大的变化，零售企业的“人货场”格局也随之重塑，数字化转型再次被推到促进增长的拐点。不确定性已经成为常态，精细操作、快速反应、智能决策将成为未来十年的必然。

10月23日，2020冠源数据智能决策峰会暨产品发布会在上海召开。本次峰会由中国零售智能分析领域的领先企业冠源数据主办。峰会汇聚了连锁零售、快消品、购物中心、新经济消费等各个领域的500多名代表，发布前沿观点，解读疫情后企业的数字化转型方式，共同探索数据智能化的新途径。

黑蚂蚁资本运营总监刘展发表了题为《资本前景:贯穿商品生命周期的数字化运营》的主旨演讲。他说，我们需要数据和系统来沉淀所有的运营规则，通过快速的试错来缩短反馈周期，并在原有运营的基础上不断探索和尝试实现复合增长。他认为操作进化分为四个阶段，最后阶段应该是智能阶段，通过机器学习寻求最优解。

以下是刘湛讲话的总结:

黑蚂蚁资本是一种以消费为主的新资本。我们注重投资后的赋权，希望与企业共同成长。好久没加入黑蚂蚁了。之前在零售企业工作过很长时间，在数字化转型方面做了很多探索和尝试。今天主要分享这些内容。

分享的内容分为三部分:一、运营的演进路线:我们的运营最终如何升级；二、如何围绕商品做全链数字化运营；第三，分享一些数字化转型案例。

运营演变的四个阶段

我们需要用数据和系统来沉淀操作规则，通过快速试错来缩短反馈周期，在原有操作的基础上不断探索尝试，实现复合增长。

在我看来，运营的演进可以分为四个阶段:第一阶段是整合，主要是消除孤立的信息孤岛，将碎片化的信息串联起来进行整合分析，实现整个流程和场景的开放。这个地方有两层意思:一方面我们要干掉Excel，而不是用Excel来存储、更新、传输数据；另一方面，我们的文档存储的是非结构化数据，所以我不希望看到企业继续用word记录我们的产品文档和业务文档，并通过微信传播这些文档。因为这种文档和数据管理方式缺乏协调和版本管理，会增加我们的沟通成本。

有了这个基础，我们需要将所有的数据汇总到数据仓库中，从而实现更高效的可视化分析。我们可以通过看板从各个维度分析数据，看到一些现象，猜测现象背后可能的原因，做出一些假设，思考如何解决这些问题。在这个过程中，我们的运营水平可以提高到一个更高的水平，所以我们可以开始进行一些差异化的运营尝试，把差异化的现象变成一个个性化运营的机会，尝试细化运营。

精细化操作后，想要更进一步，精细化的程度需要上一段楼梯。但是在这个过程中，数据的爆炸会让我们的操作和勘探工作变得更加复杂，所以我们必须走自动化的道路。只有将人工经验沉淀到固化的操作规则中，才能维持高度复杂的复杂操作。

但把所有人工经验沉淀到系统中并不是操作的最后阶段，最后阶段应该是智能阶段，通过机器学习寻求最优解。

全链数字化运营

很多企业刚开始的时候没有庞大的IT团队，所以这个时候做系统不容易，只能靠第三方公司。这时候数据比较轻，不需要很多人通过数据分析快速得出一些结论和方向性的指示。

数据有三个层次:第一是知道什么，第二是知道为什么，第三是知道如何。

首先要建立数据字典，了解公司有哪些核心运营指标，使指标能够可视化、监控化；第二，找一些差异，比如销售不稳定。为什么销售不稳定？依靠对数据的分析，可以得到一些思路和答案，通过时间、空和类别这三个非常重要的维度来拆解。找到原因后，我们的最终目标是什么？有必要做出改变，这就达到了这种技术水平。根据猜想做一些验证和小规模测试。一旦验证成功，就想办法把它沉淀成规则和系统，把算法、模型、规则和流程放进系统。下次可以在原有的基础上做分析、拆解、验证、沉淀，形成快速反馈链。

回店里也是一样的思维逻辑。有两个前提需要注意:第一，如果是比较新的企业，有历史数据吗？如果没有历史数据，很难快速做到这一点；第二，有历史数据，但要注意数据是否有分析价值，是否稳定。如果开店速度极快，数据不稳定，那么参考值相对较低。如果是经营了3到4年的企业，每年开店的速度都比较健康和恒定，那么数据的参考价值就比较高，可以做。

这是我们之前店铺分析总结出来的经验和流程。首先我们会分析店铺的历史数据，然后通过逛店铺来分析展示的现状。在逛店过程中，你需要从各个维度看店铺数据，比如单品数据、商品库存、过去7天的销售额、过去14天的销售额等。另外还可以看看其他店铺的情况，商品的销售排名等。

经过这些分析，我们可以开始制定一些调整计划，让店长配合店员实施。在这个过程中，我发现店长和店员很难推送数据，所以要更精细的处理数据，最好直接给出简单易用的动作建议。如果不知道有多好，店长和店员可能不了解数据，不利于调整。

展览艺术与库存平衡

再来说说展示的艺术。我经常从经济学原理中得到一些启发。一切都是相通的，数学和经济学的原理给了我很多启发。

陈列中有个概念叫最小陈列量，就是一件商品最少要放多少。那么这个最小显示量是怎么计算出来的呢？我想到经济学中的一个生产函数，有三个核心指标:总产量、平均产量、边际产量。如果超过最小展示量，然后产品叠加，每个产品的平均产量会越来越低，但是当没有达到最小展示标准时，平均产量远远低于正常水平，那么合理的最小展示量在哪里呢？这就需要我们对数据做统计分析。

我们利用远观可视化工具做了一个非常直观的分析。具体方法是:我们把数据的分析粒度放的很细，把每家店每天每件商品的库存数量和销售数量赶出来，然后汇总。聚合后我们可以在右边生成两个这样的图，可以看到两次边际产量和平均产量的交叉。

这一页是关于库存平衡的艺术。其实零售业就是要找到一个数学上的最优解。库存平衡的最优解是什么？库存平衡的挑战在于供需不稳定。

关于库存平衡，我觉得首先要看我们是什么样的企业，卖什么样的产品，因为不同的企业会有不同的输入参数。一个是安全系数，是服务水平标准正态分布的倒数。需要先设定商品满意率或缺货率的目标，明确缺货率能容忍多少，是10%还是20%。如果是10%，对应的因子是1.28%，也就是90%的概率没有断货。我们应该衡量当我多卖一件商品时我的边际利润是多少，当我多库存一件商品时我的边际损失是多少。那么就要结合两者来衡量这个水平，然后推回安全系数，带入公式中完成计算。

我们可以做得更仔细。一般来说，缺货率不是全球缺货率，只要头货没有缺货。在28岁效应下，头货为我们的销售提供了重大贡献，如果我们保留了头货，基本销售就有了保障。头部可以细分。比如头部的Top100和Top300可以区别对待，设置不同的缺货率可以计算出不同的结果。

匹配算法相当于足球场上的护腰，起着前端销售和后端购物的衔接作用。如果给店铺的品类组合预留一些灵活的空区间，可以通过匹配算法反馈店铺品类比例的变化，然后反馈到规划层，拉动整体品类组合变化，加强购物计划和反馈调整的频率。

销售预测和智能定位

我还做了一个购物篮分析，通过统计概率的概念，用FP-Growth算法实现。在用户行为的预测中，我们使用机器自动学习，可以预测用户在未来3天内购买的概率，以及他在3天后使用优惠券的概率。我们可以看到，发现的关键因素在不同的场景下是不同的。

销售预测，很多人会问:用这个算法能实现多少销售预测？这里有一个前提。首先，你为什么做这个销售预测？第二，销售预测的粒度是什么，达到什么粒度。这可以回到我们刚才讲的时间，空和类别三个维度，回到应该做什么销售预测的问题。然后，做整体市场预测？还是对一个品类或者一个单项做预测？做品类的时候，要看是季节性的还是非季节性的。比如服装销量不高，生命周期短但交货时间长，所以服装的销售预测很有挑战性。

我们预测的目的是什么？我认为销售预测的最大目的是帮助品牌计划。如果销售预测准确，规划就容易多了。当你确切知道未来6个月准备什么商品时，可以添加各种规则和约束，避免过多的人为错误导致与目标偏离太远。

预测和刚才说的安全库存一样。预测并不是说预测所有商品，也只是预测头部的商品。之前我们开发了一个智能选择的小工具。我们常说产品规划是理性决策，商品规划是感性决策，那么如何给感性决策一些理性支持呢？

以热水瓶为例，我们拾取全网数据，买家输入关键词，然后拾取全网一些销量高的产品，还原成一个直方图，让买家看到畅销热水瓶的价格分布。同时，我们提取全网最畅销产品的所有属性数据，汇总形成饼状图，可以看到2019年热水瓶的灌装应该是水做的，而不是化学材料，可以给我们在为买家挑选产品时提供支持。

最后，关于智能选址，我们还做了一个工具。我们根据自己收集的宏观周边数据，和手工填充的微观数据放在一起，大概有四五十个维度，通过机器学习可以达到70%以上。我们还把200多家店的历史数据作为训练集，还有一个升级空房间——这些数据都是基于我们自己家200多家店训练的数据，也可以找一些标杆品牌，分析一下他们的数据。

目前，一些品牌正在以一些巧妙的方式进行选址，即遵循策略。肯德基的选址很有名。很多餐饮选址都是看肯德基怎么开店的。我们也可以通过评论的密度来猜测区域餐饮热度，进而决定是否应该在那个区域开业。