店长小白的故事

海马生鲜做为一家发展多年的公司，在线下已经有多家主营生鲜商品的门店。小白作为门店的店长，每天上班最重要的事情之一就是订货。小白将门店订货需求在系统中输入以后，海马生鲜全国各地的供应商如农产品生产合作社、水产养殖基地等即根据各店长需求开始进行采摘、打捞、质检、包装等工作，然后从源产地经干线物流到分拨中心再经城市物流送达各个门店。有了这样一个高效的物流系统，今天订的货，在后天早上即可到达门店上架销售。

但是，这里还有一个非常关键问题，那就是到底订什么货？订多少？这是很考验店长能力的事情。小白订货时一般会考虑以下因素：

• 历史销量。订货时小白首先会参考近期、去年同期的销量情况，做为订货的基础；
• 天气。如果天气预报说后天大雨滂沱，那进店的人数会大大减少，整体订货量就都要减下来；而如果不是这种恶劣天气，仅仅是气温的变化，则预估订货量时就要针对单品，比如当气温低于20度时，西瓜是比较难卖的，那就要减少订货量；
• 商圈和节假日。如果小白的门店是开在景区周围，节假日的人流会大幅上升，那订货量也要进行相应提升；而如果小白的门店开在写字楼附近，因为节假日放假，则人流会断崖式下跌，订货量则要相应降低；
• 促销。比如，最近公司5周年庆，推出了全场5折的促销活动，预计人流会超多，订货量相较平时需要大幅增加；
• 不同产品保质期和新鲜度的要求。比如，鲜活水产品，在门店的存活期为2天左右；而冰鲜的水产品可保存7天；冷藏水产品可保存15天；干货水产品可保存30天。现在消费者都很重视生产日期和保质期，不要说是过期商品，即使是临期商品，都很难卖得出去；
• 货品广度和宽度。现在很多消费者喜欢去商超购物，就是因为其货品品类丰富（即广度较广，如苹果、香蕉、鱼、虾都属于不同的品类），同一个品类下有较多不同商品选择（即宽度较宽，如虾有基围虾、明虾、小龙虾、皮皮虾等），可实现一站式购物。所以为让消费者愿意进店消费，货品的广度和宽度也是要考虑的重要因素。但是，与此同时还需要综合考虑管理和运营的成本；

订货的好坏与门店的经营绩效有非常强的关系。订的好，库存该高的高，该低的低，则既能控制断货保证销售机会，又能控制报损降低成本。反之，则可能有的货品早早断货，有的堆积严重，迟迟卖不出去，只能报损。

海马生鲜也做了多种努力，以提升店长的订货水平，比如有经验店长对见习店长为期一年的传帮带计划，定期组织公司内部优秀店长分享经验等等。小白也是依靠较长时间的培训、学习以及个人在实践中摸索和积累才成为订货水平相对优秀的店长，订货时考虑的因素相对全面。

但是对小白来说，这些因素的影响到底有多大，仍然是很难的一个问题。比如，下雨会降低客流，但是小雨和暴雨分别会影响多少呢？再比如，促销会增加客流，那8折促销和5折促销区别有多大呢？更何况现在各个商家的促销政策都是花样繁多，折扣、满减、买赠可能会一同出现。这还只是单个因素，如果出现多个因素叠加和相互影响，问题会更加复杂。比如，小白的门店在西湖景区附近，恰逢十一假期，并且公司也打算推出全场8折，再叠加满500减50的优惠，但是，不巧的是，后天要下中雨，那该如何订货呢？面对这么多因素的考量和权衡，小白也只能凭着自身的经验和感觉去订货。

那么如何解决这个问题呢？智能时代的企业级数据产品就是问题的答案。

企业级数据产品的三个阶段

从广义上来说，企业内部和数据相关的系统都可称为数据产品，其大致分为以下三个发展阶段：

1. 事务处理系统

企业运营和管理过程中涉及多个流程，包括采购、生产、销售、付款、收款等。每个流程又涉及到多种事务，如采购流程中的采购订单下达、供应商送货、质量合格商品的入库、供应商发票的入账、给供应商的付款等等；

最初企业都是通过手工的方式对这些事务进行记录，如：

• 海马生鲜10月1日向供应商阳澄湖管理有限公司采购了1000只大闸蟹，要求到货时间为10月3日；
• 因为货源抢手，2018年10月3日阳澄湖管理有限公司仅送来了900只；
• 在清点时发现，运输途中有10只不幸死去，入库的数量为890只；
• 截至10月底，海马生鲜共向阳澄湖管理有限公司采购了25,000只大闸蟹，收到供应商开票金额共498,000；
• 海马生鲜给供应商的账期为60天，12月底因公司资金周转原因，上述款项仅付款400,000，剩余款项将在下个月初进行支付；

单个商品手工记录的方式看起来不是那么复杂，但是当企业发展到一定规模，如商品数量有数千种，供应商有几百家的时候，复杂度会急剧上升，依靠手工的方式很难记录清楚。所以，事务处理型数据系统就出现了，如企业常用的ERP(企业资源计划系统)、CRM(客户关系管理系统)、SRM(供应商关系管理系统)、WMS(仓储管理系统)、TMS(运输管理系统)、MES(制造执行系统)、POS(销售终端管理系统)、OA(办公自动化系统)、QA(质量管理系统)皆属于此类。这类系统着重于企业内部业务流转过程中事务数据的记录，再辅之以各类报表对相关事务数据进行分析和监控，如采购明细报表、应付账龄表、库存收发存报表等。从数据分析的角度看，这个是数据产品的初级形态。

2. 决策支持系统

随着企业内部事务处理系统的增多，数据烟囱、信息孤岛和碎片化现象越来越严重，企业管理人员（尤其是高层）需要关注的数据散落在各个系统中，比如门店的销量、销售额、客单价等销售统计和分析数据要在POS系统中看，采购供应商送货及时率、价格波动等采购统计和分析数据又得在SRM系统中查看，颇为不便。

更重要的是，很多数据需要结合起来多维度分析，才能形成洞见。比如从SRM系统分析看某供应商送货及时率和价格处于前20%，但是从QA系统中看到该供应商质量合格率处于后20%，那可能就需要将此供应商降级甚至排除出合格供应商名单。

所以，数据整合就成为迫切的需求。很多企业为此也做了很多努力，如通过数据接口，把多个系统的数据都同步至ERP系统，在ERP做数据的清洗、整合、分析和展现。但是因为这类系统尤其是底层数据库设计之初是面向事务处理的（即OLTP，Online Transaction Processing），主要着重点在数据的快速写入，因此采用的是行存储的方式。但是，做数据分析时，主要着重点在数据的快速读取和查询，尤其当积累和整合的数据量越来越大时，行存储的数据库显得越来越力不从心。比如中大型的连锁零售企业，一年可能产生数亿条交易记录；更不用说京东、阿里这种大型电商，产生的数据量更是天文数字；所以，很多面向分析的技术就出现了（即OLAP，Online Analytical Processing），如列存储数据库、分布式数据库等。

原有的事务处理系统，除了数据查询性能的短板以外，在数据展示上也存在不足，事务处理系统主要通过表格对数据进行展示，但是这种方式很不直观，在发现趋势、寻找相关性、分析相似性等方面尤其是如此。所以，后面又出现了可视化的技术，将数据通过图形直观展示出来，以发现其中的规律。所以，才有「一图胜千言」的说法。

将列存储数据库、可视化等多种技术综合应用即成为当今企业非常流行的BI（Business Intelligence，商务智能）系统，其将企业中现有的数据进行有效的整合，为企业管理者决策提供快速、准确、全面的数据支持，是一种最典型的决策支持系统。

3. 智能决策系统

有了决策支持系统，小白就可以很快速地知道商品不同时间的销量以及断货、报损等关键指标，但是为什么会导致这样子的销量、断货和报损呢？要靠人理清其与天气、促销、节假日等因素的关系，仍然是一件很困难的事情。所以，就出现了数据挖掘（data mining）的技术。「挖掘」这个词很很形象，这种技术就是要在一堆数据中找出有用的信息、规律和模式。数据挖掘用到了多种学科的知识，包括统计学、机器学习、运筹学等。当然，相关行业的专业知识必不可少。Garter将商业数据分析分为四个层次，分别为描述性分析、诊断性分析、预测性分析和处方式分析。决策支持系统一般做到的主要是描述性分析，即发生了什么、现状是什么。而智能决策系统还要做到诊断性分析、预测性分析和处方式分析，即告诉用户为什么发生、预计未来会发生什么以及该采取何种行动进行应对。而后三个分析层次用到的也是数据挖掘的技术。

智能决策系统最关键的因素有三点：数据、算法和算力，而这三个方面现在都取得了长足进步：

• 首先，是数据方面。20年前，ERP在国内刚开始兴起时，知名企业家柳传志说过一句流传甚广的话：不上ERP是等死，上了ERP是找死。而现在如果再有企业家说这种话，就是贻笑大方了。当前很多小企业（年营收大于100万）都部署了ERP系统，更不用说中大型企业，现在中大型企业已经在部署更专业的事务处理系统，如CRM、SRM、WMS、MES等。而且，随着物联网技术的快速进步和发展，企业也在逐步应用此技术，相信全面应用后企业能获得的数据会爆炸性增长。这些都将为智能决策系统的使用打下坚实基础。
• 其次，是算法方面。AlphaGo之所以能打遍天下无敌手，就是因为了其研发团队在算法上做出了巨大改进。曾经在1997年击败人类国际象棋冠军的「深蓝」主要靠的穷举这种笨办法，而AlphaGo靠的是让机器真正能够去「学习」，其使用了深度学习、强化学习等算法，不仅仅是能够从人类的经验去学习，更能够在自我对弈中去学习，所以它能下出超越人类智慧和理解的好棋来。
• 最后，是算力方面。世界上第一台通用计算机“ENIAC”诞生于1946年，其每秒可进行5000次运算，当前苹果手机最新的A12处理器已经可以达到每秒5万亿次的运算速度，而谷歌专为机器学习而定制的芯片最新版TPU3.0已经可以达到每秒1000万亿次计算。

当前在贷款审核、汽车自动驾驶、医学影像分析等多个领域和场景已经在使用机器学习的技术，这些都预示着人类已经进入智能时代。但是，在商业领域仍然仅仅处于刚开始的阶段。比如，在企业实际库存管理中，为了应对需求波动，一般需要备一部分安全库存，而安全库存的合理性与库存管理的绩效有非常大的关系。大部分ERP系统也会有此参数。但是，如何设置这个参数却要用户自己去想办法。所以，在B端，智能决策类的数据产品大有可为，凡是涉及到决策的地方，其都可以发挥作用。

如何设计优秀的智能决策系统

本文的主题为设计数据产品，这样表述大家更容易理解，但是更准确的说应该是如何设计一款优秀的智能决策系统。

其实市面上有一款很典型的面向企业的数据分析BI工具，满足数据整合、面向分析的数据分析、数据挖掘等智能决策——FineBI。

业务端，可以连接CRM、SRM、WMS、TMS、MES、POS、OA等系统的数据。将数据按分析流整合到数据仓库或抽取到大数据平台。

然后在BI前端连接数据源，自由抽取数据，进行自助式的表数据处理。包括表数据的过滤、排序、分组汇总分析，建立表关联，自动触发更新数据，各种粒度权限下的数据权限管理。

数据由数据管理员准备好之后。分配到权限下的各业务部门人员，自己拖拽数据分析，制作dashboard。或者有指标体系的，可对指标数据进行监控，后台实时抽取数据。

《用户体验要素》这本书提出了一个很好的产品设计框架，称为5S，包括：战略层（Strategy）、范围层（Scope）、结构层（Structure）、框架层（Skeleton）和表现层（Surface）。本内容是系列文章，之后的文章将从这5个层次探讨如何设计一款优秀的智能决策系统。