决战 1% 的商业差距,全家 x IBM 将数据价值推进到下一哩路
作者: 时间:2020-06-19
决战 1% 的商业差距,全家 x IBM 将数据价值推进到下一哩路

「如果看得比别人更远,是因为我站在巨人的肩膀上」,几百年前的科学研究如此,拉回现代化的商场经营,同样也能适用此句话所带出的境界,但稍微不同的是,巨人不只是那些高瞻远瞩的历代经营者,还包括了机器的辅助、系统的整合与软体的应用,才能让决策者以可靠的分析结果,不断拉开与竞争者的差距,而那差距或许只在于 1% 的输赢。

「若经验决策能达到 50%,数据决策或许只能增加 1% 或 2%。」对智慧分析应用在流通零售业的前景,全家资讯本部协理简维国坦言看法较为保守,这样务实的态度或许与他在将近三十年的工作生涯、曾任职全家不同单位有关。简维国从最初的人事部、商品部、E-Retail 事业部,直到现在的资讯部,一路走来的历练,让他拥有不同于一般 IT 人的思维,对于人性的矛盾、社会科学的不确定有深刻的体悟。

「虽然只有 1% 的差别,只要做一千次一万次,赢得机率就多。」话锋一转,简维国谈起了统计分析中的大数法则,他不认为数据决策一定会让人成功,但确信决策一定要「引经据典」。因此在带兵打仗时,简维国不像一般主管以自己的经验为主,而是要求有凭有据。「以现代化的经营来看,引用数据就算让营收提升 1%,也是有价值的。」

商品卖不好就要下架吗?

全家很早期就注重数据化的经营管理,并建置有「情报系统」,每天为几万笔的资料做运算交叉分析。「那时候程式系统都是自己写,也因此全家便利商店的 IT 人员数量高达 200 人,很难想像为什幺便利超商要那幺多 IT 工程师吧!」简维国笑着说。

但以现在的技术来看情报系统,还是相对阳春了点。例如情报系统中有 A、B、C 三个类别,A 级商品销售表现最好、B 级商品次之、C 级商品表现不好,若以简单的销售报表去评估,C 级商品就需要下架。

「卖不好就需要下架,是很直觉的判断」,简维国说。

决战 1% 的商业差距,全家 x IBM 将数据价值推进到下一哩路

但如果仅以此方式判断,就会忽略「併买效应」的影响,也就是这个商品虽然卖得不好,但它会带动其他商品的销售量,因此对一件商品的下架分析,就显得更複杂与困难。过去併买效应只能以经验来判断,但若加上商业分析软体,就能帮助决定是否剔除或新增这类型的商品。

举电灯泡为例:根据传统经验,电灯泡虽然迴转率很低,但因为有家庭需求而不能随便下架,否则会影响来客数。简维国在 15 年前当商品部经理时,曾经因为电灯泡卖得不好,在几次考量之后以经验法则决定将电灯泡下架。这个没有数据支持的决定,其实困扰他一段时间。他认为,当时如果有更科学的分析运算,可以发现某商品的关联性购买不足以替换另一件商品,下架与否的决策信心指数就能提高许多。

「分析要能到非常细微,才能够有如此的判断。」

过去的传统商品情报只能表现出算术平均数,也就是以谁大谁小来做一些经营上的判断,但如果要做到详细的解析,仍必须倚赖工具,「所以採用 SPSS 解决方案,也是这样的因素之一」,简维国缓缓道来与 IBM 合作的机缘,指出他们选定的合作厂商除了要能配合行业的运作模式,还要能快速解决数据问题。

便利超商开店关店学问大

除了商品上下架的问题,便利商店经营的另一大学问便是开关店的决策,「全家目前拥有 3000 多家店面,每年还需要开 300 家店,营运不好的店面则评估淘汰,替换率约 10%,因此若分析的变数抓不準,影响将非常巨大。」

过往常以马錶测量人流来分析商圈的竞争性,再辅以经验做判断,也透过日本全家的经验输出,找到开关店的变数建立模型,虽然如此台湾全家仍旧看到地域性的差异与分析工具上的不足,需要更多複杂的资料分析,例如统计上的集群分析(cluster)。也就是为一群庞杂的原始资料去芜存菁、分门别类,让同性质的资料聚在一起成为一个集群,群体之间的差距又要够大,达到分类、分群的目标。

决战 1% 的商业差距,全家 x IBM 将数据价值推进到下一哩路

一开始全家先用直觉的想法分类,把商圈分成商业区、住宅区、办公区、学区,之后再分次商圈。但后来发现台湾不像日本,要确实区分这些区域很困难,以混合区最多,最后改以人流来分区,哪些是早餐区,也就是上班买早餐最多的;哪些是下班区,大部分人下班会走的路线,才比较看出显着的差异。

全家曾在正对台北荣总的石牌路上开超商,因为当地很人去看病、人流很多。当时认为应该是会赚钱的地点,但想不到开店后却门可罗雀,后来分析才发现人潮以荣民伯伯为主,但老荣民并不是超商的主要客群。

「这就是社会科学,它的变因太多了!」

在社会科学领域中,上帝是掷骰子的

对此,简维国特别有感触。因此决策团队必须是跨部门的组织,要有一群很了解便利商店行业知识的人、处理数据的专家、企划背景的专家,另外也需要统计学专家与外部的顾问,才能把这套系统完整建立。全家从 2016 年导入 IBM SPSS 分析软体,目前模型已建立并开始运作,统整各领域的数据和改善资料的品质。

在资料加值的过程中,全家藉由分析工具的各种功能,从商业智慧的视觉化分析、资料探勘、机器学习到协助决策分析的资源最佳化平台,将过往被视为「历史性存档资料」妥善转换为「商业化可用资讯」,甚至与商业逻辑结合,成为有见解、能辅助公司做商业决策的「有价数据」,并爲营运需求开发出创新的服务,例如订购的革新。

超商店长在报废品的负担,其实比一般人想像的还要大,因为要準确的订购商品不是那幺容易,考虑的因素很多,像是天气问题就包含是否下雨、高温几度、会维持多久等。如果店长订购太多商品,需要自行承担损失。爲此,全家也运用过去的历史资料,加上分析工具的辅助,帮助店长不仅能提前先预估订购的数量,还能掌握商圈特徵,打造具有魅力和商品陈列丰富的卖场。「其实这就是预测未来,也是 AI 应用的一种。」

商场竞争已推进到「认知分析成熟度」

对于许多人看好机器学习、类神经网路做预测,简维国认为在商业上的应用还有很长的路要走。「统计过去的资料都很困难,何况是预测未来的资料」,因此在人的行为预测上,他相信上帝是掷骰子的。虽然如此,简维国仍强调要不断做数据研究与尝试。

IBM 在 2016 年底曾针对全球六千多家企业做调查分析,发现多达 74% 的企业开始在组织内部使用各类型的处方式分析(Prescriptive Analysis),这也意味着商场上的竞争将往前推进到下一阶段,也就是认知分析(Cognitive Analysis)的成熟度,或是 AI 级分析。这项调查也发现,全球市场仅有 4% 的企业可以算是所谓的「认知探险家」(cognitive explorer),这些市场的领导者会针对特定专案,透过与人类自然互动的技术,帮助解释数据、从每个互动学习搭配概率推理,来进行下一代分析工作,提出新的可能性并创建新类型的价值。

即将迈入 30 年历史的全家便利商店,在资料分析成熟度令人印象深刻,藉由不断尝试与整合,以多元的软体与平台,爲组织建构出最适合使用的决策工具,借力使力,帮助他们在竞争激烈的商业环境中,继续站稳领先地位。