進入數字化“深水區”后的數字化藍圖

安踏集團是一個在數字化上積極進取的企業，從2019年導入數字化戰略1.0，提出以消費者為中心，用數字化重構人貨場，再到2023年積極推進數字化戰略2.0。而2.0戰略中處處出現數字化“深水區”，也就是看到了明確的業務痛點，卻因許多客觀原因，難以在數字化上解決，與此同時，新的AI技術不斷出現，需要團隊積極學習新的技術與業務實現融合。

原有的業務痛點尚未完全解決，同時又必須探索如何用好新的AI技術去降本增效，這提高了構建數字化戰略藍圖的復雜度。基于安踏集團數字化實踐，我們探索在“深水區”需要打通哪些數據，引進哪些技術，改造哪些業務流程，可能在哪些業務場景下實現數字化融入業務場景（數業融合），嘗試構建出下一階段數字化建設的戰略藍圖。

我們發現深水區面臨的各種挑戰，與我們之前研究過的許多企業所面臨的，有著極其相似的共性。

數字化戰略規劃過程中，各個板塊的需求與數業融合期望，就像一個拼積木的過程，更像是從一棵棵樹逐漸看到整個林子，從一個個業務場景，到場景與場景之間、板塊與板塊之間相互銜接與交互，拼起來成為下階段數字化戰略的全盤圖景。

問了很多安踏的同行，都說安踏懂生意，會經營，有彈性，出效益。我們歸因亮麗成績的貢獻來源時，嘗試把機制設置（管理方式）上的貢獻，比如首單、追單、補單的設置邏輯，柔性快反，庫存降解體系，庫銷比等剝離出來，僅看數字化戰略與建設到底給集團的成績帶來多大的貢獻？未來的數字化戰略與建設又能為集團增添怎樣的亮麗成績呢？

本篇點評嘗試在調研安踏的基礎上，結合其他在數字化建設上表現優秀的企業，來探討數字化戰略藍圖規劃及建設上的行業共性問題，并設置了以下幾個關鍵議題。

● 大部分品牌及零售企業做數字化是為了什么目標？

● 通過數字化形成了什么競爭力？

● 通過數字化與業務的相互促進，形成了哪些商業模式上的變革？

● 數字化“深水區”有哪些難以解決的共性痛點？

● 通過數字化需要形成哪些數據產品的管理工具？

● 更進一步的數字化藍圖包含了什么？

大部分品牌及零售企業做數字化是為了什么目標？

面對市場（消費人群及需求結構）和競爭（競爭倒逼創新）變化，積極進取的品牌為了實現更好的發展，會制定戰略來引領進化，尤其是圍繞以消費者為中心，提升價值鏈上的價值經營能力。

當下戰略規劃中的重要一環，是構建數字化時代的競爭優勢。數字化戰略通過用好數字化工具及思維，去進化公司的經營方式（業務模式），或加強現代數字化能力對業務的支撐和驅動。

而我們看到，大部分的數字化戰略圍繞在以下幾個目標。總體而言，短期重在提升效率，長期重在提升經營壁壘。

-用戶（人）：

● 從源頭開始，在不同周期與場景下，動態識別需求趨勢。

● 洞察、預測并掌握不同人群包的差異化需求。

● 針對每種人群包，做精準觸達與互動，并通過互動反饋推動商品升級。

● 實現從用戶轉為會員（依據業務屬性定義輕會員/重會員），推動會員的長期LTV（終身價值）運營。

-產品（貨）：

● 現有的品類，通過研發或內容增值、IP賦能，實現微創新增長。

● 開發爆品級的新品類，并做好數字化開發、試銷、內容推廣。

● 抓取全網用戶互動數據，實現數據拉通及回流，精準計算新品市場導入各階段的ROI。

-渠道（場）：

● 交互場：從線上大打廣告、線下鋪貨，到做好OMO融合的種草及拔草。

● 轉化場：新渠道不斷出現（例如到家即時零售場景/海外購），掌握新渠道帶來的機會，同時治理與平衡價格體系，維護市場秩序。

● 轉化場：從傳統的線下批發與大電商結合模式，向全渠道DTC邁進。

● 轉化場：實現導購服務升級，以及公私域的立體聯動。

-供應鏈（端到端）：

● 探究最適化的供應鏈模式，形成模式性牽引。

● 優化庫存與物流，升級銷售到快速履約效能。

-總部（大腦）：

● 從最早切入也最熟悉的營銷與供應鏈數字化，推進到整體業務結構（包含結構內各組成部分間的交互）的數字化。

● 實現資金周轉周期/產品周轉率的優化。

● 從數字化到數智化。

數字化形成了什么競爭力？

在本案例中，從用戶洞察、商品研發、生產供應，精準觸達到會員營銷、全域零售、總部的智能化管理的整條業務價值鏈上，安踏的整體數字化發展處于行業領先。

在商品研發上，通過PLM建設，做到商品企劃、設計開發的在線化和協同，大大縮短了整個研發周期。在觸達用戶上，斐樂已經開始采用算法模型，通過靈活的AB測試和數據回流，使營銷轉化率大幅提升。而且，還開發了“安診無憂”移動端工具，賦能1萬多家線下門店，對單店、單個銷售人員、單SKU的異常情況，做到定位問題、推送待辦、事項辦理的閉環。在智能化管理上。總部也啟用了生意預測模型，準確率已經超過了過去人工經驗測算。

通過數字化形成了哪些商業模式上的變革？

在過去的研究中，我們不斷看到，因數字化技術融入企業業務場景而產生量變后，逐步融入多個業務場景，最終產生整體商業模式（經營方式）的質變。數字化成為了商業模式變革的助推器。例如，東鵬飲料通過五碼合一，一頭沉淀終端消費者，另一頭沉淀零售終端小店店主，在不改變原有傳統渠道交易結構的情況下，創造出了DTC的直接連接、推廣及用戶運營模式。

安踏進行DTC模式變革，通過加強直營業務、補齊線上渠道、縮短交易鏈條，加強與消費者之間的直接連接和互動，降低渠道成本，同時增強用戶黏性。我們可以看到，安踏的DTC與數字化是相互促進、相輔相成的過程，一方面，因為數字化技術讓DTC模式得以實現，另一方面，DTC帶來的效益促使應用更多的數字化技術來進一步提升DTC效率。

此外，在消費逐漸朝向線上復購的趨勢中，另一種逐漸出現的商業模式是銷售在網（官網及線上私域），體驗在店。零售企業就要加強數字化技術，讓這種新的模式得以絲滑運營，并且不斷提升效益。

數字化“深水區”有哪些難以解決的共性痛點？

-用戶（人）：

● 大部分企業第一個共性痛點，就是源頭的消費者（用戶）數字化畫像難以達成，因為難以收集內容與電商平臺的用戶數據，更談不上數據打通與歸一。標簽與畫像要清晰，除了要有基礎的消費者信息，更重要的是要拿到每個平臺上消費者喜歡什么、搜什么、看什么的行為數據。

● 在有了用戶畫像的基礎上，才可能進行精準分類與分層，再進一步區分會員、付費會員與社群運營，并且形成算法沉淀。

● 觸達不精準造成成本高，也一直難以解決。要對種草、拔草形成算法追蹤。

● 針對每種人群包，要制作精準、有情緒價值的互動內容。

● 給人推品（內容），給品推人，要形成一套算法機制。

● 全域會員體系尚未打通。對于是誰、在哪、如何觸達與激活，要做到線下實體店及線上各種平臺橫向打通，才有經營復購率和LTV的基礎。

● 會員運營（DTC+CRM用戶標簽+算法沉淀）做到數字化進化，包含每家店的用戶與社群分類、會員分層與福利設置等，制定動態目標，并落實到店員的運營層面。

● 會員運營轉變為基于“活動內容”形成線上強（高頻）連接，線下強活動，才能沉淀數據，如參加籃球班或網球班。

● 用數字化方式看競品人群，看哪些客群被哪些競品搶走。

-產品（貨）：

● 在商品數字化（商品數據庫弱）基礎上，還難以做到人貨標簽打通，以及人貨匹配。

● 在商品企劃上，導入商品（消費流行趨勢）數字化預測看板，由追隨趨勢轉變為超前掌握流行關鍵詞，提高踩中爆款的概率。

● 在銷售企劃上，建立數據產品（算法與建模），掌握單品銷售生命周期。

● 在銷售運營上，建立“組貨模型”的數據產品，通過店群標簽（店鋪級別的貨架容量、店效、城市級別、氣候帶、庫容等標簽）與商品標簽打通，實現每種店鋪與貨品的精準組貨匹配。同時，針對補單搭建預測模型。

● 新產品打爆率低，通過內容監測，用戶互動與反饋，與用戶共創出新產品。

-渠道（場）：

● 探索數字化驅動重塑渠道，找到更短、更有效率的渠道，如線上私域下單，商場小庫出貨，本地生活送到家。

● 探索VR+線上虛擬導購+線下實體導購，形成新的立體購物業態。

● 智能導購系統升級：輔助單店、單SKU、導購，追蹤待辦事項，確保效率提升。

● 實現導購的數智化服務（導入關系與情緒價值管理），制定賦能導購內容運營的管理機制，運營與吸引用戶回流，并做到交叉推流，如成人店鋪給兒童店鋪推流，通過數字化方式給導購實時激勵。

● 從靠人的洞察，到靠RPA（機器人流程自動化）加上數據產品，找出未來趨勢機會，開設新的子品牌（和門店），并在這些新品牌中做到更好的貨場匹配，也就是從經營大眾品牌到通過DTC經營精眾品牌。

-供應鏈（端到端）：

● 難以通過精準的前端需求預測去優化庫存。

● 線上線下一盤貨，庫存與貨權整合管理，實現零售運營效率精細化。

● 商品供應波段化、更敏捷，降低渠道庫存。

● 門店精準配貨。

-總部（大腦）：

● 數字化融入業務場景，實現數業融合。

● 避免你（數字化團隊）要他（業務）用他不用，他（業務）要你做你（數字化團隊）做不到。

● 在數字化投入上，要傾斜于“營”（提升消費者導向），包括會員洞察、數字化精準內容生產、管理活動推廣、明星及KOC的系統（留存合作痕跡與效率評估）。要在消費者導向與財務干預之間實現平衡。

● 為經營成長，建設數智化趨勢預測的數據產品，監測新人群、新品牌、新店態，以及這些新店態的店貨匹配。

● 在組織上，讓業務團隊和技術團隊形成共生型組織，探索更有效率的組織形式。

● 從人群包到商品企劃、商品開發與管理（線上與線下的價格管控）、銷售運營（上市節奏/輪轉/售罄/調轉配/折扣/換新）、店效管理（門店標簽與預期效率）、訂單審核、生產供應鏈及物流，缺乏結構化的數據打通，在大多數環節上缺乏數據產品去總結、解讀、交互、決策、自動業務操作，并返回結果，形成閉環。

● 總部的數據工具（智能大腦）建設，協助經營團隊做決策，輔助部門做決策。

通過數字化需要形成哪些數據產品的管理工具？

細數進入數字化“深水區”后那些難以解決的共性痛點時，我們發現大部分企業不僅缺乏結構化的數據打通，在大多數關鍵業務環節上也缺乏數據產品，甚至缺乏對數據產品的基礎認識。此外，在數字化團隊中，更缺少理解并能夠建設數據產品的“數據產品人才”與“業務專家”（精通業務邏輯與管理邏輯），這兩類人攜手并進才能建設好數據產品。

所謂數據產品，是指基于企業已形成的結構化數據資產，并圍繞業務場景去定制化開發的系統，具有強應用屬性。數據產品就像是大腦，內置策略及模型（公式及算法，會隨著運營數據的輸入，實現總結、解讀、交互、決策、業務操作，并返回結果。

更進一步的數字化藍圖包含了什么？

在橫向對比了許多正在規劃下一階段數字化戰略藍圖的企業后，我們相信在數字化“深水區”，企業更需要一個“操作層面”的數字化戰略藍圖，去引領下一步聚焦做什么。我把大部分企業的共性痛點與想采取的行動做了整理后，畫出了以下框架供參考。

這是一個并行建設而非串行建設的“數智化”系統工程，圖的下方是人貨場及供應鏈的數智化子系統工程，上方是總部大腦的數智化系統工程。這是個一體化打造的系統工程，及實時結構升級的過程。值得一提的是以下四個操作層面的子目標。

● 持續夯實數據打通，形成“人-貨“精準匹配、“人-場”精準匹配，以及“貨-場”精準匹配。

● 圍繞人貨場，各自列出優先排序的數智化“深水區”子目標。

● 圍繞人貨場，分別建設數據產品。

● 總部大腦圍繞數業融合，建設組織與人才，促進數智化融入業務場景，并積極推動價值鏈各環節建設數據產品，形成總結、解讀、交互、決策、業務操作并返回結果的閉環。

以鞋服品牌最想升級的數據產品——配貨（鋪貨與補貨）系統為例

通過數據產品不斷優化修正，甚至借助AI自我學習，最終在每家門店做到80%自動配貨，20%人工配貨，一直是鞋服企業希望實現的場景。許多企業雖然建設了標準化和數字化的配貨系統（數據產品），卻仍未達到智能化水平。

要做的第一步是建設結構化的數據資產。首先，進行商場定位，做到頂特高（頂級渠道、特級渠道和高級渠道）的描述標準化和分布化。接著是門店定位（如ABCD店類/每種店類下再分級），每種店設置標簽結構，這些標簽標準化、具象化，考量維度（因素）可以包括城市級別、商圈、商場體量、店效、渠道匹配度、客群匹配度等。門店定位之外，還有商品企劃，包含品牌線、相應的產品結構定位（系列與子系列、基礎版型等），最后把商品從粗顆粒到細顆粒（一級類目到三級類目的各方面維度）都打上標簽。

有了這些結構化的基礎數據資產，就可以建設配貨系統的數據產品，它具有建模、計算和自動配貨的邏輯。從業務邏輯來看，門店配貨分為兩條線進行配置。

第一條是鋪新貨邏輯。每家店鋪根據自己的生意體量與需求，有自己的標準模板（內含一組基礎參數）。比如，按照產品子系列分配店內板墻，相當于將產品與空間按照子系列進行匹配。同時，每個門店根據數據積累得出尺碼寬度（最大尺碼數Max與最低尺碼），鋪貨系統會根據店效確定配置幾個碼，每個碼配置幾件貨品，不再需要人工操作。此外，鋪新貨是淺鋪快補邏輯，不是一次性把一季貨品都配到門店，而是先賣再補，新配貨比例可能較少，在20%到30%之間，然后根據銷售狀況隨時補貨。

第二條是補貨邏輯。一般有3個關鍵參數，一是頻率（一周補幾次），二是標準庫存量（分布的曲線），三是物流周期，即從大倉配送到每個門店的時間。補貨系統若知道大倉剩余500件貨品，就會以商品效率最大化的原則，找到讓貨品流動最合理的邏輯，依據邏輯優先配給誰，底層邏輯是建立一套依據店的銷售效率得出的算法公式。

結合著數字化融入這個業務場景，以一周單補為例，通常周一會有一次補貨，而且基本上是一部分新貨一部分補貨。以一周兩補為例，周一和周四到貨。如果物流周期是2天，前一個周六就要開始給店配貨，那么前一個周五晚上門店日結完畢后，提交數據給配貨系統，系統會根據門店現有的倉庫存量以及大倉里剩余的貨量，根據各個尺碼和件數匹配門店的情況，自動生成這家門店的新貨和補貨單。例如，門店賣了3件A貨品，大倉也有門店所需的缺貨，物流周期是2天，系統判斷沒有比這家門店銷售A貨品更優秀的店鋪，就會優先把A貨品補到這家門店。最后，新貨和補貨單生成后，大倉工人開始揀貨出倉，周一到門店。

數據產品可以計算出全盤生意線上線下的店數與需求、規劃的商品結構及起始件數，需要花費的資金，以及依靠百分比對應可采購的貨物數量。并且時刻從生意結構上分析，若某件衛衣需要完成5萬件，這5萬件的新品依據門店參數鋪到哪些店，鋪貨率是20%、30%還是50%，從規劃源頭與銷售節奏預測，剩余庫存按照補貨的算法邏輯進行，機器自動配貨始終有序運轉。

此外，配貨智能化系統在補貨的背后，會自動尋找供應商下單，計算下單周期和補貨時間。如果生產周期無法及時跟上，系統會在大倉里配備其他貨品讓門店撐一段時間。

這就意味著整個滾動過程非常有效率，在全盤生意結構上形成了固定的標準和清晰的結構性算法邏輯。目前，大部分品牌還依靠人為判斷，對個人經驗和能力的要求非常高。如果人員流動頻繁，或者新人效率低，就會出現錯誤。

接下來深化數據產品，就要進行大倉以及云倉的重規劃，如果仍舊用傳統經營方式，一個大區一盤貨一個實體倉，全國有N個大區，就要有一個大倉N個實體倉（有的還為電商設置專門實體倉），每個大區有幾個配貨員，如果運氣好，配貨員經驗豐富就能賺錢，如果配貨員水平不夠，就會虧錢。重新規劃倉儲體系，把數字化配貨數據產品融合到倉儲業務場景中，就能在現有效率上起到更大的提升。

在當前大數據AI智能的環境下，數據產品若再加上AI智能，不斷打磨，大腦算法就有可能自學習，自迭代，提升的想象空間大。