qvj2l q49k 0/871472 AC 59d 649 b 68 ea 0 c 16 a1 e 5859d 7 /
然而，电子商务平台的发展带来了商品的数字化，所以前十年是一个消费者数字化、营销数字化、产品数字化的时代。
现在大家都在讨论互联网下半场的概念。有一个词叫工业互联网，就是工业数字化。渠道数字化和供应链数字化领域的驱动因素都是因为消费互联网给企业的渠道端和供应链端带来了很大的压力。行业数字化在消费者数字化方面，我国移动设备数量已达11.5亿台；至于数字营销，全球有8000家企业是专门从事数字营销的服务公司。中国有超过800亿的数字营销服务市场，包括数字产品。因此，在前几年的消费互联网时代，企业的数字化营销需求已经基本解决。目前我们判断很多传统企业的主要问题是渠道数字化和供应数字化。
渠道数字化的一个关键领域是快手零售，不同的商品属性决定了渠道数字化的场景。
例如，产品是否高度回购？再采购的商品和非再采购的商品在运营场景上必然不同，商品是高价订单还是低价订单也使得渠道结构上的运营场景不同。此外，商品的线上电商率也影响运营场景。
目前，我国网上电商率为25%，消费品零售总额的25%是通过网上渠道销售的。化妆品类更高。比如去年欧莱雅在中国市场的电商销售额占比超过50%，企业的运营重点肯定是线上。
但是食物和饮料是不同的。这个行业的电商率肯定很低，青岛啤酒是3%到4%。如果是面向服务的品类，基本注定主要运营场景是线下渠道。以我之前做过的售后市场的轮胎为例，网上销量是8%到10%。
现在，工业互联网今天提到的新零售概念的本质是如何更好地将传统线下渠道数字化，所以传统分销渠道提到的BC整合，马云提到的新零售，都开始将传统渠道数字化。
赋能的背景下产生的。除了渠道数字化外近两年更重要的点是供应链数字化，观远做了大量的供应链数字化项目，其中包括搭建百威的供应链数据服务和联合利华供应链部门的需求预测。
1.3.以美妆日化为例看行业基础
以美妆行业为例来看数字化的行业基础，这两年从流量碎片化到用户的深度细分和渠道创新，都在倒逼美妆行业的供应链和生产端变革和创新。
回到对于一个企业为什么做数字化的问题上。我们认为两个点很重要：
第一点是商业模式如渠道，运营中心，业务模式等因素在很大程度上决定了公司的数据驱动在哪，是做新零售还是线上电商为主。观远过去几年服务了大量新锐客户，比如一个美妆客户从月销500万到几个亿的新锐品牌大部分都是从电商品牌来做，因此电商的数据运营的能力就非常重要。但是如果是像食品饮料的传统企业，大量走线下渠道，就应该寻求线下渠道的变革。业务模式基本上决定了数据运营产品的基础。
第二个点是信息化建设，因为中国企业在的信息化建设还是在进展当中。信息化和数字化叠加和衔接的过程中可以看到很多企业在过去几年的信息化建设的基础。我们服务大量中外客户，其中头部的企业做得比较好。信息化建设基础和业务数据化程度决定了现在的数据驱动，或者说数据化的基础。
当决定一个企业里面应该怎么去做数据化和数据驱动的时候，这两个问题一定是要去考虑的。
所以同样美妆为例，因为美妆日化是数据驱动进展比较快的一个行业。可以看到零售传统渠道的变更带来运营场景的极大丰富。比如说在过去几年渠道占比中，平台电商像天猫、京东的占比有30%；KA销售到家乐福、沃尔玛的渠道占比22%。但是不管哪个渠道都会看到大量的新兴销售模式的出现，比如说KA渠道的22%中，家乐福、沃尔玛等超市的主流销售的方式是送货到家，到店业务对于很多商超来说瓶颈越来越明显，到店的消费者越来越少，所以现在店餐一体化做的O2O的业务是成为热门话题。
围绕这个渠道如何赋能业务就成了数据运营的关键点。我们最近服务的大客户玛氏（音）就在探讨围绕像他们店里有货又有线上成交平台的企业在O2O的商业模式下该怎样建设数据运营体系。
对于不同的业务模式下面数据驱动怎么做有大量可探讨的空间。
2.“数据驱动”的能力进阶
回归数据驱动在干什么的问题。我们在过去几年中观察到企业数字化的几个阶段，很多企业处在不同的数字化阶段。
在第一阶段，通常一个企业50%工作都可以通过电子表格解决，的企业现在还有很多。
第二个阶段，有一些企业觉得电子表格太慢，财务数据、销售数据等报表出的实在太慢。要上一套固定报表式的BI产品，通过BI实现后端数据流程的智能化。
第三个阶段则一定会有敏捷BI，敏捷BI代表的所有的数据业务的场景越来越运营化的以后，对数据的敏捷的要求会提升。在对报表的某一个数据分析时可以对IT提出需求，让他们帮固定数据。当需要去更加深入地理解数据背后的原因，从更多角度去看数据的时候，就需要对报表的速度和分析的效率提出要求，这些方面有时需要业务部门去做。
以电商为例，一些电商和互联网的同事觉得看固定报表是一个很可笑的事情。对于电商原生数字型的企业，数据运营已经变成了企业基因，他们对工具的敏捷性要求会常高，这个阶段就是我们在做的敏捷BI。
第四个阶段是通过BI系统获得了效率提升，但是数据会反哺回来让思考业务模式是不是有问题？还有信息化基础是不是薄弱？所以在这一阶段很多客户随着数字运营做得越来越深后发觉优化业务流程需要更好的信息化系统和业务系统的建设。同时随着系统越来越多，对后端的基建要求也会提高。这就是第四阶段，BI和数据开发平台相结合。
第五个阶段通常是数据基础和后端建设较好的企业寻求业务场景的数据智能化的一些场景，我们会提供的AI+BI+数据开发平台的解决方案。
以上就是我们认为过去几年很多企业在数字化过程中经历的五个阶段，相信中国的各种传统企业在未来一定会发展到第四、第五个阶段。
2.1.数据服务的层级：数据基建、数据场景和数据组织
基于这种数字化理解，我们在过去几年提供的服务，其一是数据基建，其二是数据场景、其三是数据组织。数据基建需要好的数据底座，为数据场景和组织提供工具。数据开发平台则提供数差和数据服务等功能。数字化的工具不是目的，而是手段，目的在于解决数据业务场景的问题，这需要我们和很多客户一起去共创数据生态。
今天我看到有朋友在聊中台问题，阿里提了中台，但是今天所有的企业都值得上中台吗？这需要打一个问号。所有的企业都像阿里有这么多需要实时推进的电商运营场景吗？如果连实时推进的场景都没有的话，这么强大的中台用来做什么呢？所以要再回来想一想业务是什么？围绕场景该怎么做？这是非常重要的事情。
当数据场景得到满足以后，所有企业最后的经营一定会变成组织问题。企业员工有没有能力用好数据这成为了最根本的问题，这就是对数字化人才的需求。
随着数据应用建设的深入，人才体系的培养成为很多企业的重要问题。大量客户都提到数据化的深层次问题是难以招到既懂业务又懂技术的人。
2.2.观远数据基于AI+BI技术，构建一体化企业数字化运营体系
这是我们的服务框架，围绕这个框架进行数据基建。我们认为在目前的数据应用环境里一站式的产品服务最为契合市场，一站式就是BI+AI+数据开发平台，基本上覆盖了从数据采集到后端数据智能化运营的数据价值链中的每一个环节。
一站式的数据服务平台对于国内很多企业是非常有必要的。Talking
Data提到用数据建模算法的方式驱动业务去增长。因为数字化营销是中国数字化进展最快的一个领域，所以能够用技术驱动业务。但是在很多没有互联网基因的传统企业中，AI应用落地的挑战是非常大，把AI应用的场景持续的工程化落地对技术和产品要求都比较高。
所以我们花了很大的时间精力去提供一站式的解决能力，我们不只是提供BI产品，也不只是提供开发平台。而是围绕着未来的数字化建设需求，提供一个可以持续迭代的一站式的产品服务。
就工具层面而言，市面上有大量的BI产品，他们的差别在哪里？我们从用户的角度设计产品，解决两个核心问题，其一数据驱动，敏捷BI的背后是让业务人员把数据用起来，而不是让所有的IT人员围绕业务做大量开发。这样的节奏是需要做出调整的，至少要开放一部分数据权限给业务同事，让他们能够自己去跑一些数，所以平台提供低代码的应用工具，助力业务部门在不需要学习语言的情况下实现轻量化开发，同时快速上手数据产品。
其二是多端的应用也非常重要，我们花了很大的精力去提升移动端的体验。因为现在所有的管理层和销售部门很少会通过PC端查看数据，手机端的应用场景更多，移动端的UI优化体验非常重要。因此我们也做了轻应用的产品设计，让管理层和销售部门更好地应用产品，通过产品带动数据应用的组织能力建设。
2.3.让“数据驱动”成为组织基因
通常来说，数据驱动最重要的：
第一点是管理决策数据，管理决策数据最重要的点是让老板做决策，所以老板让理解业务非常重要。不管是财务管控还是人员管理，都是老板以管理者的角度去解决数据应用问题。
第二点是看到数据驱动运营已经成为趋势，算法进入到了运营节奏迭代数据上。因此需要工具层面越来越敏捷。也就是刚才TalkingData提到媒介的数据驱动能力，，除了媒介数据营销之外，渠道管理和供应链管理也越来越需要数据驱动，从业务角度来讲就是的运营优化提升效率也是非常重要的业务应用场景。
第三点就是让数据用起来，一定数据组织的建设，数据有时候跟业务的同事去聊的时候很辛苦，因为数据背后是背后运营的背后逻辑。
很多老板讲降本增效就是减了多少成本、多赚了多少钱，这些背后都是由数据驱使的，而有时数据的见效较慢，不像投一波广告带来一批流量，可以直接见效。这就需要让老板们信服我们数据能力提升能够带来运营效率的提升，同时要结合企业数据应用的组织架构的形态来提供服务，不同的部门有不同的数据赋能运用方法论。
3.观远数据的行业实践
以上就是我们关于数字化服务的一些认知和理解。也感恩我们的客户，我们过去几年在核心消费品、零售、时尚鞋服等行业积累了大量的客户。
我们的客户基本分为三类客户，第一类是头部的客户，如联合利华、百威等五百强，头部的客户数量不是很多，但是对我们很重要，他们的业务场景非常深。第二类是国内大型公司的客户，如家化、珀莱雅、丸美之类。第三类客户是新锐品牌，如元气森林等。不同类型客户的特点和应用场景都不同，我们也累积了大量的相关经验。
举例来说，第三类新锐品牌客户在早期对于营销侧和市场侧的数据体系非常在意，其中包括多渠道的投放和电商运营。随着新锐客户的成长，企业变得越来越大，开始更多注重后端的沉淀，比如说供应链怎么去做供应。现在我们会帮他们去做一些更后端的运营，建设数据服务体系，数据业务逐渐深化。
越往后端走，就会上越多的系统，有更多的数据源接入的，构建全场景的分析体系，到了这一阶段，我们会为客户加上BI和数据开发平台。
这是某一个食材行业的新锐品牌，连锁门店今年年底近万家，我们在他们门店只有几百家的时候开始做数据服务。早期是非常前端的市场运营类内容，后期做了非常深入的智能化运营的项目合作。到今天为止已经做了大量的AI项目，比如说门店的配补货和食材供应链的管理，围绕门店的配补去做供应链提升。
现在特别大的企业有一个特点，就是全员数据。其中以零售业居多，比如我们服务了最大的汉堡类的企业，全员数据赋能使每个店长都参与到数据运营的体系构建中，全员数据的另一个典型的案例是元气森林。他的每一个员工入职都会开两个账号，一个OA账号，一个是我们的账号。所有的员工入职第一天管理自己权限范围内的数据，在运营体系里面天然带着数据的眼光就可以解决很多的现实业务问题。很多的创业团队都有互联网基因，所以对互联网数据得心应手，这些企业的老板把数据业务做得特别深。
除了数据端基建和BI外，我们也做数据运营的工作，我们帮助头部的企业在三四线做私域，私域最大的价值在于可以把数据一线消费者的数据用最快的形式放在自己手里，由此可以搞清楚产品方向和运营方。所以在私域、电商或者DDC的项目中天然数据运营特别重要。我们本身不做活动运营，所以甲方自己找一些CI或者活动运营的公司，我们配合他们做数据运营的建设，自己做数据分析。
不管是从品牌视角做需求预测还是门店零售配比货，或者零供协同。在零供协同方面，如联合利华、沃尔玛都是我们的客户。
我们做电商的需求预测最重要的是对产品的要求，因为除了算法平台和数据平台外，沉淀数据的方式也非常重要。以联合利华为例，它供应链部门的所有需求预测基本上都是是我们在做。联合利华80%的SKU需求预测都用我们的算法来做。一开始是做经销渠道来做，因为经销商进货相对比较慢一点。现在在做DDC，也就是电商需求。
电商的需求难度非常高，因为在电商活动多、运营节奏快的情况下沉淀数据，通过算法赋能前后端产销协同的难度还是非常大的。
那再往后端走就是帮助客户做AI营业，AI的人都很贵，我们的AI团队从企业成立之初有六七十个人，还是蛮大的。我们跟联合利华共创供应链一个很重要的工作就是帮他们培养人才，尤其是算法人才。因为他们的供应链对个人的数据能力要求非常高。
最后说一点，我们提供一站式的解决方案，所以很多客户跟我们合作多年，一步一步去做数据运营体系建设。我们的最佳实践帮助很多相应领域有需求的客户一起来共建应用场景。
