未来3-5年，数据化、智能化运营是核心

龙翔

近5-10年，企业信息化建设重点在于搭建各种基础IT系统，包括ERP系统、财务系统、生产管理系统、供应商系统、分销零售系统等。一些规划较早、重视布局，且有人持续推进的企业，关键业务都实现了IT化。

这个阶段的IT建设，更多的是基于管理控制的需求，实际对业务的决策赋能、业务提效支撑并不高，更谈不上对企业经营、业务变革产生驱动。

相反，还要业务部门做更多的工作，无论是企业决策层，还是业务层，都很难在显性层面感知到IT信息化建设的价值，更多把它当作一个属于基础建设的成本投入，在财务预算上也列作为资本性支出。

但这个阶段的业务IT化，为企业积累了大量的数据。叠加移动互联产生的外部大数据，在过去，受制于算法和算力的限制，企业对这些数据的利用度并不高，空有数据这座金山却苦于没有工具而无法挖掘到金矿。

现在，技术算力的快速发展（如云计算、5G网络、物联网、移动互联等），算法的完善（统计学模型、机器学习、神经网络、决策树、时间序列等），为数据的深度应用、数据资产的增值变现带来更多的可能性和想像空间。

纵观当下到今后3-5年，中国企业必将进入到一个对数据深度应用，数据和算法、场景深度融合的阶段。数据会成为驱动业务运营，内外部协同的重要抓手。

鞋服零售企业业务运营中最重要的三个维度是“人”、“货”、“场”，对应的就是顾客、商品、门店。

事实上，这三个模块属于不同部门管理，彼此的协同有时候会脱节，造成协同效率不能最大化。同时，三者的数据在很多企业都没有很好地串联起来，没有挖掘数据背后的规律和价值，最终造成“人”、“货”、“场”的错配，影响到企业经营的效率和效益。

那么，未来3-5年，鞋服零售行业的“人”、“货”、“场”如何基于数据实现精准匹配，构建闭环，实现运营效率、效益的最大化？

一、店货匹配

中国幅员辽淘，南北气温差异明显，城市之间、城乡之间存在较大的发展差异，形成较为明显的二元经济格局。

很多品牌在前些年生意好做的时候，大力拓展市场，门店从一、二线城市下沉到三、四线城市，数量动辄几百家、上千家，甚至上万家的都有。

品牌受市场拓展和经济发展的红利驱动，业绩获得了不错的增长，但这种增长更多的是一种外向型、粗放式的增长，产品没有细分，店铺没有细分，客群没有细分，更别说产品、店铺、客群匹配起来的精细化、数据化运营，基本上每家门店铺的货都是一样的。

货品应该出现在什么店铺，每家店铺应该放置多少的量，什么时候上架，什么时候下架，价格如何调整等，类似关键性的决策，大多依赖个人的经验、个人的能力，背后缺乏一套透明的、大家达成共识的、可复制可迭代的规则和标准。

货品和店铺的匹配度不高，没有及时出现在该出现的地方，大量工作靠手工，再加上人员变动，整个商品运营的效率、效益大幅下降，这也是很多企业普遍存在的问题。最终带来的问题是无效款太多，低动销、低售罄、低周转、低毛利、高库存。

事实上，货品应该出现在哪家店铺，需要多少的量不是由“人”来决定的，而是由背后的规则、标准来决定，尤其是多产品线、多SKU、多门店的品牌。

我们要将这种规则、标准以算法的形式沉淀在系统里，系统进行综合计算给出最优操作建议，在系统里完成闭环。

要实现店货匹配，有几个很重要的基础工作要做细致和扎实。

1、标签管理

为了实现更精准的店货匹配，货品和店铺都要进行标签管理。

（1）货品标签

一般来说，货品标签可从以下几个维度进行划分。

①货品的功能属性：如从品类角度划分，羽绒裤、套装裙、卫衣、针织衫、礼服、马甲、男鞋、女鞋、运动鞋、童鞋、雪地靴、马丁靴、小白鞋、沙滩鞋、拖鞋等;

②商品定位标签：如引流款、形象款、风格款、活动款、主推款等;

③商品生命周期管理标签：如试销期、导入期、成熟期、衰退期、清仓期等;

④商品运营标签：如爆款、旺销款、平销款、滞销款等;

⑤顾客需求标签：如价格标签：高价格、中高价格、中端价格、中低价格、低价格等;风格标签：时尚、经典、街头、休闲、流行、文艺、精致、都市、生活、国潮等;

⑥内容标签：如三八女神节主题故事包，61亲子主题故事包，户外度假旅游系列故事包，婚庆系列主题故事包等。

（2）门店标签

①门店分级标签（如A级、B级、C级、D级等）

②门店所处商场类型（如百貨店、购物中心店、社区店、街铺店、机场店、奥菜店、线上店等）

③门店运营标签（如新品依赖型、折扣型、高价消费型等）

④门店面积与陈列量（根据自身情况进行细化分级）

2、商品管理场景的梳理

商品运营总体是围绕货品的配、补、调，货品流转、价格调整、清仓退货几大场景来进行，细分来看的话可以有N个场景。

①新品首单到货应该铺到哪些店铺？

②新品首单不足以满足订单需求时如何铺货？

③店铺活动应该备什么货品？

④货品售罄超出计划，每家门店应该补什么货品，补多少？

⑤货品售罄没有达到目标如何促销？货品促销折扣是多少？

3、匹配不同场景的规则制定

规则制定需要将熟悉业务的人导入进来，针对具体的业务场景设定具体的规则。

比如，新品供应货品不足时，首铺货品优先按照店铺A级别进行铺货;

主推款正式上市1个星期内，售罄率低于30%定义为滞销款。定义滞销款后，价格下调20%。持续一周后，售罄目标仍旧是滞销款，且在生命周期内的款式，价格再下调20%。

以此类推，设定规则。

这里面有很多细化工作要做，需要统一梳理和逐步迭代，先简单再复杂，先人工干预后系统自动运行，不可能一蹴而就。这个时候，商品人员的主要工作就是设定规则，并跟踪规则调整后的效果，再予以评估，构建以商品为主轴的PDCA（计划-执行-检查-处理）工作机制。

4、系统算法的实现

规则出来了，就在系统里写算法做承接，在系统里构建闭环自动运行。算法主要包括统计学、机器学习、神经网络等相关专业，这里就不再展开来讲解。

二、供需匹配

店货匹配解决的是已经生产出来的货品和门店的匹配，目的是让合适的货品及时出现在合适的店铺，提高货品周转，但还没有和后端的供应链关联起来。在这里面可以设定不同场景，让数据智能化运营在系统跑起来。

比如，新品上市后，系统自动寻找过往具有类似产品标签的商品在生命周期内的销量，过往和今后天气走势、产品生命标签、已经上市的产品销售数据，甚至后续的活动规划、顾客容量，将各种与需求相关的因素进行量化。

通过构建需求预测算法，将各种因素全部丟到预测模型里，基于部署在云端的极致算力，实时推算出某个款在接下来的产品生命周期内的市场需求量。

这个需求数据能及时推到相关负责人处，和内部ERP系统、财务系统打通，和整个产业链上的各种资源打通（如供应商、生产资源等），构建起一张产业价值协同网络和在线数据系统。

所有沟通都可以在这张网络里进行，订单经过人工审核后，预测需求订单可以直接推送到面辅料供应商、成品生产商处，甚至系统能对接到供应商的库存和生产资源，自动算出货品到达供应日期，再模拟上市后可以产生的销售和带来的利润。

对这个需求预测订单进行经营沙盘模拟，也许一开始预测出来的数据不一定准确，但随着数据积累越多，模型通过机器自学习，预测的性能和稳定性也会越来越高。即使不能100%作为参考，但可以作为我们人工判断和决策的参考依据，从而最大程度地降低人工决策的风险。

这种基于订单来调配相关资源，且调配不是人工驱动，而是基于数据驱动的模式，如果有备料，生产资源有保障，市场的需求能得到迅速地满足，内外部的资源能得到最大的协同。

这样的场景，我相信在今后一定会逐步成为现实，成为真正的市场需求驱动后端供应的高效率模式。社会资源会得到最大程度的效率提升，整个产业链也都能串联和协同起来。

三、人货匹配

过往，我们系统里更多的是商品销售的数据、进销存数据，至于商品卖给谁了我们并不知道。

随着数据化运营的进一步深入，顾客数据采集和积累，顾客数据的丰富化（消费数据、社交数据、电商数据、互动数据、体型数据，甚至视频等），走到最后，必定是“人”、“店”、“货”的打通，实现在更高维度上的打通和协同。

可以设想下面的场景，在今后随着数据化、智能化的进一步发展，必将会成为一种日常运营的常态。

场景1

每次新货上市/活动开始前，系统能根据货品标签、顾客标签，自动输出最有可能购买该波货品的顾客名单，帮助缩小目标顾客的范围，识别最有潜力的顾客，进而在与顾客互动中获取最大的收益和转化。

过往，新品上市不加细分地全部发送短信，给到顾客很不好的体验;今后，基于顾客大数据，可以做更针对性地精准顾客运营。

场景2

新顾客管理，当一位新顾客第一次消费时，能预测出他在未来一年内可能会消费多少次、花费多少金额，并可被列为最关键的VIP用户;也能基于过往类似新顾客消费，得出该新顾客下次购买的时间点、流失的可能性，下次消费最有可能消费什么？

场景3

顾客一到店，系统根据人脸识别、WIFI热点链接自动识别等方法，在导购手机端或者PC端，能自动输出顾客过往历史消费记录和规律、相关销售话术、最适合的穿着搭配推荐（这里有主动设定的推荐搭配，也有根据顾客消费记录规律生成的推荐搭配，或者根据类似顾客群实际消费搭配推荐）。

如有配合体型数据，能自动输出该顾客的推荐搭配照片，提前发给顾客做确认，比纯粹发图片给顾客的体验和转化会更好。

未来，随着内容和渠道闭环进一步打通，顾客看到模拟的搭配图片，直接点击图片上的链接码就可以进入门店端小程序进行销售转化。

通过量身打造不同的短信/微信内容、优惠条件、定价、服务和产品，满足顾客的多重需求，真正实现个性化的服务和运营，为每位顾客精彩地展现他们的“消费旅程”。

场景4

产品上市后，根据以往消费的顧客特征，系统能自动在整个大的系统顾客池子里寻找具有类似特征，但还没有来消费的顾客做人群放大，并且能生成相关话术和海报，在人工审核下能自动触达。除此以外，系统还可以自动对接外部流量资源（比如微信朋友圈、头条系等）投放引流广告。

场景5

在店货匹配环节，也可以加入每家店铺的顾客标签，一起融入进系统算法，让店货匹配更加精准。比如，某家店铺主要以商务写字楼顾客为主，则货品匹配时，类似风格的产品匹配权重会更大，加大该类风格产品对这家店铺的配货。

要实现上述场景，同样需要我们要完善顾客的标签和资料，但这些标签更多的是基于顾客的消费行为、产品消费来输出，且动态调整，能及时响应顾客的消费变化，让顾客的数据完全在线，而不是简单地呈现顾客过往的消费数据。

未来3-5年，随着“人”、“货”、“场”数据的在线和串联，数据价值的深度分析和挖掘，越来越多的业务数据算法导入，数据必将越来越成为企业最重要的资产。

谁对数据资产应用得最多，谁就拥有越强的核心竞争能力。

我相信这种数据化、智能化运营的场景一定会出现，同时在这个领域内也一定会诞生一些独角兽的企业和应用标杆企业出来。