进入数字化“深水区”后的数字化蓝图

安踏集团是一个在数字化上积极进取的企业，从2019年导入数字化战略1.0，提出以消费者为中心，用数字化重构人货场，再到2023年积极推进数字化战略2.0。而2.0战略中处处出现数字化“深水区”，也就是看到了明确的业务痛点，却因许多客观原因，难以在数字化上解决，与此同时，新的AI技术不断出现，需要团队积极学习新的技术与业务实现融合。

原有的业务痛点尚未完全解决，同时又必须探索如何用好新的AI技术去降本增效，这提高了构建数字化战略蓝图的复杂度。基于安踏集团数字化实践，我们探索在“深水区”需要打通哪些数据，引进哪些技术，改造哪些业务流程，可能在哪些业务场景下实现数字化融入业务场景（数业融合），尝试构建出下一阶段数字化建设的战略蓝图。

我们发现深水区面临的各种挑战，与我们之前研究过的许多企业所面临的，有着极其相似的共性。

数字化战略规划过程中，各个板块的需求与数业融合期望，就像一个拼积木的过程，更像是从一棵棵树逐渐看到整个林子，从一个个业务场景，到场景与场景之间、板块与板块之间相互衔接与交互，拼起来成为下阶段数字化战略的全盘图景。

问了很多安踏的同行，都说安踏懂生意，会经营，有弹性，出效益。我们归因亮丽成绩的贡献来源时，尝试把机制设置（管理方式）上的贡献，比如首单、追单、补单的设置逻辑，柔性快反，库存降解体系，库销比等剥离出来，仅看数字化战略与建设到底给集团的成绩带来多大的贡献？未来的数字化战略与建设又能为集团增添怎样的亮丽成绩呢？

本篇点评尝试在调研安踏的基础上，结合其他在数字化建设上表现优秀的企业，来探讨数字化战略蓝图规划及建设上的行业共性问题，并设置了以下几个关键议题。

● 大部分品牌及零售企业做数字化是为了什么目标？

● 通过数字化形成了什么竞争力？

● 通过数字化与业务的相互促进，形成了哪些商业模式上的变革？

● 数字化“深水区”有哪些难以解决的共性痛点？

● 通过数字化需要形成哪些数据产品的管理工具？

● 更进一步的数字化蓝图包含了什么？

大部分品牌及零售企业做数字化是为了什么目标？

面对市场（消费人群及需求结构）和竞争（竞争倒逼创新）变化，积极进取的品牌为了实现更好的发展，会制定战略来引领进化，尤其是围绕以消费者为中心，提升价值链上的价值经营能力。

当下战略规划中的重要一环，是构建数字化时代的竞争优势。数字化战略通过用好数字化工具及思维，去进化公司的经营方式（业务模式），或加强现代数字化能力对业务的支撑和驱动。

而我们看到，大部分的数字化战略围绕在以下几个目标。总体而言，短期重在提升效率，长期重在提升经营壁垒。

-用户（人）：

● 从源头开始，在不同周期与场景下，动态识别需求趋势。

● 洞察、预测并掌握不同人群包的差异化需求。

● 针对每种人群包，做精准触达与互动，并通过互动反馈推动商品升级。

● 实现从用户转为会员（依据业务属性定义轻会员/重会员），推动会员的长期LTV（终身价值）运营。

-产品（货）：

● 现有的品类，通过研发或内容增值、IP赋能，实现微创新增长。

● 开发爆品级的新品类，并做好数字化开发、试销、内容推广。

● 抓取全网用户互动数据，实现数据拉通及回流，精准计算新品市场导入各阶段的ROI。

-渠道（场）：

● 交互场：从线上大打广告、线下铺货，到做好OMO融合的种草及拔草。

● 转化场：新渠道不断出现（例如到家即时零售场景/海外购），掌握新渠道带来的机会，同时治理与平衡价格体系，维护市场秩序。

● 转化场：从传统的线下批发与大电商结合模式，向全渠道DTC迈进。

● 转化场：实现导购服务升级，以及公私域的立体联动。

-供应链（端到端）：

● 探究最适化的供应链模式，形成模式性牵引。

● 优化库存与物流，升级销售到快速履约效能。

-总部（大脑）：

● 从最早切入也最熟悉的营销与供应链数字化，推进到整体业务结构（包含结构内各组成部分间的交互）的数字化。

● 实现资金周转周期/产品周转率的优化。

● 从数字化到数智化。

数字化形成了什么竞争力？

在本案例中，从用户洞察、商品研发、生产供应，精准触达到会员营销、全域零售、总部的智能化管理的整条业务价值链上，安踏的整体数字化发展处于行业领先。

在商品研发上，通过PLM建设，做到商品企划、设计开发的在线化和协同，大大缩短了整个研发周期。在触达用户上，斐乐已经开始采用算法模型，通过灵活的AB测试和数据回流，使营销转化率大幅提升。而且，还开发了“安诊无忧”移动端工具，赋能1万多家线下门店，对单店、单个销售人员、单SKU的异常情况，做到定位问题、推送待办、事项办理的闭环。在智能化管理上。总部也启用了生意预测模型，准确率已经超过了过去人工经验测算。

通过数字化形成了哪些商业模式上的变革？

在过去的研究中，我们不断看到，因数字化技术融入企业业务场景而产生量变后，逐步融入多个业务场景，最终产生整体商业模式（经营方式）的质变。数字化成为了商业模式变革的助推器。例如，东鹏饮料通过五码合一，一头沉淀终端消费者，另一头沉淀零售终端小店店主，在不改变原有传统渠道交易结构的情况下，创造出了DTC的直接连接、推广及用户运营模式。

安踏进行DTC模式变革，通过加强直营业务、补齐线上渠道、缩短交易链条，加强与消费者之间的直接连接和互动，降低渠道成本，同时增强用户黏性。我们可以看到，安踏的DTC与数字化是相互促进、相辅相成的过程，一方面，因为数字化技术让DTC模式得以实现，另一方面，DTC带来的效益促使应用更多的数字化技术来进一步提升DTC效率。

此外，在消费逐渐朝向线上复购的趋势中，另一种逐渐出现的商业模式是销售在网（官网及线上私域），体验在店。零售企业就要加强数字化技术，让这种新的模式得以丝滑运营，并且不断提升效益。

数字化“深水区”有哪些难以解决的共性痛点？

-用户（人）：

● 大部分企业第一个共性痛点，就是源头的消费者（用户）数字化画像难以达成，因为难以收集内容与电商平台的用户数据，更谈不上数据打通与归一。标签与画像要清晰，除了要有基础的消费者信息，更重要的是要拿到每个平台上消费者喜欢什么、搜什么、看什么的行为数据。

● 在有了用户画像的基础上，才可能进行精准分类与分层，再进一步区分会员、付费会员与社群运营，并且形成算法沉淀。

● 触达不精准造成成本高，也一直难以解决。要对种草、拔草形成算法追踪。

● 针对每种人群包，要制作精准、有情绪价值的互动内容。

● 给人推品（内容），给品推人，要形成一套算法机制。

● 全域会员体系尚未打通。对于是谁、在哪、如何触达与激活，要做到线下实体店及线上各种平台横向打通，才有经营复购率和LTV的基础。

● 会员运营（DTC+CRM用户标签+算法沉淀）做到数字化进化，包含每家店的用户与社群分类、会员分层与福利设置等，制定动态目标，并落实到店员的运营层面。

● 会员运营转变为基于“活动内容”形成线上强（高频）连接，线下强活动，才能沉淀数据，如参加篮球班或网球班。

● 用数字化方式看竞品人群，看哪些客群被哪些竞品抢走。

-产品（货）：

● 在商品数字化（商品数据库弱）基础上，还难以做到人货标签打通，以及人货匹配。

● 在商品企划上，导入商品（消费流行趋势）数字化预测看板，由追随趋势转变为超前掌握流行关键词，提高踩中爆款的概率。

● 在销售企划上，建立数据产品（算法与建模），掌握单品销售生命周期。

● 在销售运营上，建立“组货模型”的数据产品，通过店群标签（店铺级别的货架容量、店效、城市级别、气候带、库容等标签）与商品标签打通，实现每种店铺与货品的精准组货匹配。同时，针对补单搭建预测模型。

● 新产品打爆率低，通过内容监测，用户互动与反馈，与用户共创出新产品。

-渠道（场）：

● 探索数字化驱动重塑渠道，找到更短、更有效率的渠道，如线上私域下单，商场小库出货，本地生活送到家。

● 探索VR+线上虚拟导购+线下实体导购，形成新的立体购物业态。

● 智能导购系统升级：辅助单店、单SKU、导购，追踪待办事项，确保效率提升。

● 实现导购的数智化服务（导入关系与情绪价值管理），制定赋能导购内容运营的管理机制，运营与吸引用户回流，并做到交叉推流，如成人店铺给儿童店铺推流，通过数字化方式给导购实时激励。

● 从靠人的洞察，到靠RPA（机器人流程自动化）加上数据产品，找出未来趋势机会，开设新的子品牌（和门店），并在这些新品牌中做到更好的货场匹配，也就是从经营大众品牌到通过DTC经营精众品牌。

-供应链（端到端）：

● 难以通过精准的前端需求预测去优化库存。

● 线上线下一盘货，库存与货权整合管理，实现零售运营效率精细化。

● 商品供应波段化、更敏捷，降低渠道库存。

● 门店精准配货。

-总部（大脑）：

● 数字化融入业务场景，实现数业融合。

● 避免你（数字化团队）要他（业务）用他不用，他（业务）要你做你（数字化团队）做不到。

● 在数字化投入上，要倾斜于“营”（提升消费者导向），包括会员洞察、数字化精准内容生产、管理活动推广、明星及KOC的系统（留存合作痕迹与效率评估）。要在消费者导向与财务干预之间实现平衡。

● 为经营成长，建设数智化趋势预测的数据产品，监测新人群、新品牌、新店态，以及这些新店态的店货匹配。

● 在组织上，让业务团队和技术团队形成共生型组织，探索更有效率的组织形式。

● 从人群包到商品企划、商品开发与管理（线上与线下的价格管控）、销售运营（上市节奏/轮转/售罄/调转配/折扣/换新）、店效管理（门店标签与预期效率）、订单审核、生产供应链及物流，缺乏结构化的数据打通，在大多数环节上缺乏数据产品去总结、解读、交互、决策、自动业务操作，并返回结果，形成闭环。

● 总部的数据工具（智能大脑）建设，协助经营团队做决策，辅助部门做决策。

通过数字化需要形成哪些数据产品的管理工具？

细数进入数字化“深水区”后那些难以解决的共性痛点时，我们发现大部分企业不仅缺乏结构化的数据打通，在大多数关键业务环节上也缺乏数据产品，甚至缺乏对数据产品的基础认识。此外，在数字化团队中，更缺少理解并能够建设数据产品的“数据产品人才”与“业务专家”（精通业务逻辑与管理逻辑），这两类人携手并进才能建设好数据产品。

所谓数据产品，是指基于企业已形成的结构化数据资产，并围绕业务场景去定制化开发的系统，具有强应用属性。数据产品就像是大脑，内置策略及模型（公式及算法，会随着运营数据的输入，实现总结、解读、交互、决策、业务操作，并返回结果。

更进一步的数字化蓝图包含了什么？

在横向对比了许多正在规划下一阶段数字化战略蓝图的企业后，我们相信在数字化“深水区”，企业更需要一个“操作层面”的数字化战略蓝图，去引领下一步聚焦做什么。我把大部分企业的共性痛点与想采取的行动做了整理后，画出了以下框架供参考。

这是一个并行建设而非串行建设的“数智化”系统工程，图的下方是人货场及供应链的数智化子系统工程，上方是总部大脑的数智化系统工程。这是个一体化打造的系统工程，及实时结构升级的过程。值得一提的是以下四个操作层面的子目标。

● 持续夯实数据打通，形成“人-货“精准匹配、“人-场”精准匹配，以及“货-场”精准匹配。

● 围绕人货场，各自列出优先排序的数智化“深水区”子目标。

● 围绕人货场，分别建设数据产品。

● 总部大脑围绕数业融合，建设组织与人才，促进数智化融入业务场景，并积极推动价值链各环节建设数据产品，形成总结、解读、交互、决策、业务操作并返回结果的闭环。

以鞋服品牌最想升级的数据产品——配货（铺货与补货）系统为例

通过数据产品不断优化修正，甚至借助AI自我学习，最终在每家门店做到80%自动配货，20%人工配货，一直是鞋服企业希望实现的场景。许多企业虽然建设了标准化和数字化的配货系统（数据产品），却仍未达到智能化水平。

要做的第一步是建设结构化的数据资产。首先，进行商场定位，做到顶特高（顶级渠道、特级渠道和高级渠道）的描述标准化和分布化。接着是门店定位（如ABCD店类/每种店类下再分级），每种店设置标签结构，这些标签标准化、具象化，考量维度（因素）可以包括城市级别、商圈、商场体量、店效、渠道匹配度、客群匹配度等。门店定位之外，还有商品企划，包含品牌线、相应的产品结构定位（系列与子系列、基础版型等），最后把商品从粗颗粒到细颗粒（一级类目到三级类目的各方面维度）都打上标签。

有了这些结构化的基础数据资产，就可以建设配货系统的数据产品，它具有建模、计算和自动配货的逻辑。从业务逻辑来看，门店配货分为两条线进行配置。

第一条是铺新货逻辑。每家店铺根据自己的生意体量与需求，有自己的标准模板（内含一组基础参数）。比如，按照产品子系列分配店内板墙，相当于将产品与空间按照子系列进行匹配。同时，每个门店根据数据积累得出尺码宽度（最大尺码数Max与最低尺码），铺货系统会根据店效确定配置几个码，每个码配置几件货品，不再需要人工操作。此外，铺新货是浅铺快补逻辑，不是一次性把一季货品都配到门店，而是先卖再补，新配货比例可能较少，在20%到30%之间，然后根据销售状况随时补货。

第二条是补货逻辑。一般有3个关键参数，一是频率（一周补几次），二是标准库存量（分布的曲线），三是物流周期，即从大仓配送到每个门店的时间。补货系统若知道大仓剩余500件货品，就会以商品效率最大化的原则，找到让货品流动最合理的逻辑，依据逻辑优先配给谁，底层逻辑是建立一套依据店的销售效率得出的算法公式。

结合着数字化融入这个业务场景，以一周单补为例，通常周一会有一次补货，而且基本上是一部分新货一部分补货。以一周两补为例，周一和周四到货。如果物流周期是2天，前一个周六就要开始给店配货，那么前一个周五晚上门店日结完毕后，提交数据给配货系统，系统会根据门店现有的仓库存量以及大仓里剩余的货量，根据各个尺码和件数匹配门店的情况，自动生成这家门店的新货和补货单。例如，门店卖了3件A货品，大仓也有门店所需的缺货，物流周期是2天，系统判断没有比这家门店销售A货品更优秀的店铺，就会优先把A货品补到这家门店。最后，新货和补货单生成后，大仓工人开始拣货出仓，周一到门店。

数据产品可以计算出全盘生意线上线下的店数与需求、规划的商品结构及起始件数，需要花费的资金，以及依靠百分比对应可采购的货物数量。并且时刻从生意结构上分析，若某件卫衣需要完成5万件，这5万件的新品依据门店参数铺到哪些店，铺货率是20%、30%还是50%，从规划源头与销售节奏预测，剩余库存按照补货的算法逻辑进行，机器自动配货始终有序运转。

此外，配货智能化系统在补货的背后，会自动寻找供应商下单，计算下单周期和补货时间。如果生产周期无法及时跟上，系统会在大仓里配备其他货品让门店撑一段时间。

这就意味着整个滚动过程非常有效率，在全盘生意结构上形成了固定的标准和清晰的结构性算法逻辑。目前，大部分品牌还依靠人为判断，对个人经验和能力的要求非常高。如果人员流动频繁，或者新人效率低，就会出现错误。

接下来深化数据产品，就要进行大仓以及云仓的重规划，如果仍旧用传统经营方式，一个大区一盘货一个实体仓，全国有N个大区，就要有一个大仓N个实体仓（有的还为电商设置专门实体仓），每个大区有几个配货员，如果运气好，配货员经验丰富就能赚钱，如果配货员水平不够，就会亏钱。重新规划仓储体系，把数字化配货数据产品融合到仓储业务场景中，就能在现有效率上起到更大的提升。

在当前大数据AI智能的环境下，数据产品若再加上AI智能，不断打磨，大脑算法就有可能自学习，自迭代，提升的想象空间大。