数据驱动的供应链模型如何应用于智慧零售？解题思路请拿好！

从数据到决策

在信息技术时代，管理者在企业运营中每天都面对着海量的数据，如果没有正确的思维与方法，要在数据膨胀的时代筛选出有用的信息无异于大海捞针。

这一时代背景下，浙江大学推出商务大数据应用专业方向（Track），立足中国国情，顺应时代发展趋势，依托浙江大学管理学院“商学+”的学科交叉平台与雄厚的教学资源，针对新兴业态让大家形成完备的知识体系，培养具有国际视野与创新创业精神的商业健康力量。

4月18号晚，杭州览众数据科技有限公司联合创始人、首席运营官、浙江大学经济学博士吴聃先生与浙江大学管理学院副教授金庆伟老师为我们分享他们对大数据应用的看法。

一切都从数据思维开始

浙江大学管理学院副教授金庆伟老师的分享从数据思维展开。金庆伟表示，数据思维是系统性收集、处理、分析和利用数据进行决策的思维，而不是纯粹依赖直觉、拍脑袋做决策的过程。数据思维分为三个层面：

1）数据思维的第一个层面：有据可依

对组织整合要求和决策者个人要求的高低不同，可以将数据支持决策大体分为几种类型：

• 数据辅助决策（图、报表、指数、管理驾驶舱）
• 数据支撑决策（仿真系统、计划系统、可视化分析）
• 数据驱动决策（自动定价系统、调度系统）

金庆伟认为，“有据可依”让个人做出的决策不能简单依赖个人的直觉和经验，而是要靠后天对业务的理解和数据的积累。对于组织而言也是一样，需要通过部门间的协调整合和方法工具的正确使用来达成目的。 

2）数据思维的第二个层面：去伪存真

接下来，金庆伟详细解释数据思维的“去伪存真”层面。他认为要认识数据背后的含义，科学了解方法的适用场景和局限性，金庆伟强调，错误的使用数据还不如不用。金老师以“用统计方法预测下次骰子是几点”的例子入手，来说明人类的直觉与数据驱动的决策之间仍有很大差距。随后金庆伟又以美国军方二战期间分析飞机上弹孔分布的案例，详细解释了统计学家运用数据思维，在有限的信息基础上如何解决问题。

3）数据思维的第三个层面：随心所欲

金庆伟强调要明确数据能力在企业核心业务中的战略定位，注重培养员工数据思维意识，在必要时候引进外部服务商辅助，大胆推进组织变革、业务变革，才能使数据思维决策运用的收放自如。

数据、模型助力企业管理

在接下来的讲座中，金庆伟详细介绍了三种具体数据分析方法及相关案例：

1.描述性分析，以均值、方差、分位数、pareto图的方式来描绘数据的基本情情况。

2.预测性分析，用回归分析、分类器等工具预测未来的情况。如Abraham Wald与美国军方的关于飞机哪个部位需要加强防御的合作研究就是预测性分析的典型案例；

3.决策性分析，决策性分析需要通过数据对业务开展提出具体方案，供决策者参考。如BauMax为数以万计的产品设计决策支持系统和动态定价促销系统，立竿见影地提高销售成绩则是决策性分析的经典案例；

金庆伟强调，在使用数据分析过程中，商业经验的融入非常重要。以星巴克为13万咖啡师的排班案例入手，说明了数据和系统如果只考虑效率，不考虑人和其他的复杂因素，则无法满足现实世界的管理要求。

金庆伟表示，管理智慧与数据分析密切相关，前者通过行业背景知识，人的心理、行为来给数据分析提供分析依据，后者从繁杂的业务场景中提炼出关键部分帮助管理者获得新的商业洞见。

最后，金庆伟希望大家通过浙江大学MBA商务大数据应用方向的学习，掌握基本的数据分析能力，进而熟悉综合、归纳、抽象、逻辑以及业务场景，最终提高管理、决策的智慧。

数据驱动的供应链模型如何应用于智慧零售

智慧零售，从企业普遍面对的供应链难题开始说起

杭州览众数据科技有限公司联合创始人、首席运营官、浙江大学经济学博士吴聃先生认为从宏观层面来看供应链就是围绕核心企业通过对商流、信息流、物流、资金流的控制形成的网链结构。他认为，供应链的根本问题在于供给与需求之间矛盾。如果这个矛盾处理得当，就能体现出供应链的价值所在，反之，则会引发非常多的问题产生。吴聃强调供应链管理的目的始终应该以最小的成本，最大限度的满足客户。

 

不确定性是供应链决策中最为显著的难题，吴聃以人们熟知的牛鞭效应说明，任何环节中的不确定性和偏差都会被逐级放大，因此任何决策的制定都需要考虑上游、下游的情况，使得全局的利益可以实现最大化。吴聃最后强调说，任何企业精细化运营的层面取决于供应链能力的竞争。

智慧零售的解决思路

吴聃表示，目前世界已经进入到用数据驱动决策的时代。在数据积累的大背景下，面对快速变化，信息技术时代的供应链应对之道是——承认不确定，让机器学习。把不确定性转化成确定的问题，是解决供应链管理优化问题的最好方法。吴聃指出，传统的MRP逻辑无法应对整个供应链、价值链上各个环节上存在的极大不确定性，因此，优化供应链管理的本质就要解决需求端对供应端弹性的需求。

 

吴聃提出供应链决策面临着决策需要的信息不完整、影响决策的因素太多、内外部环境变化太快等众多挑战。吴聃借此强调，优化供应链的解决方式一定不是把所有的不确定性消除掉，而是要承认不确定性，并将决策需要的信息不完整性的缺失用大数据技术来进行弥补和处理。

案例分享

服装行业案例分享

吴聃博士分享的第一个案例来自拥有直营门店500+，加盟商900+的男装品牌。服装变化快，且季节性强，生命周期短是服装的行业特点。该案例中的男装品牌存在众多问题：多年来人力管理商品已达瓶颈，无法突破；人工管理精力有限，只能处理爆款，没法关注所有款式；爆款不够卖，平销款以及滞销款库存积压；不能及时识别爆款，造成追单不及时，损失潜在利润。吴聃强调商品运营循环是典型的多环节供需匹配问题。首先需要分析每一个决策背后的支撑逻辑，从服装单品销售的生命周期中挖掘供应链核心问题，以此来定义数据驱动的智能决策场景。

他为同学们介绍了几种常见的算法：

1）补货调拨决策算法——通过标准化补调逻辑，以销售驱动补调，同时提高补货挑拨的有效性和效率。

2）畅平滞识别算法——去供应条件后的特征可以有效消除噪音，并通过机器学习的方式，使爆款识别的时间降低到3天，在10天内识别出80%本季内会出现的爆款。

3）线下渠道扩展铺货算法——为潜在爆款适配最有可能卖出高销量的门店，该算法分析每个门店背后客群的特点，寻找适合扩展铺货的门店，为铺货计划与决策提供依据。

4）销售预测算法——追单算法，根据大量的信息，包括线上线下受欢迎度，曝光度，节假日，销售趋势所在生命周期综合判断，提高预测准确性。

5）追单逻辑——根据模拟的销售预测来支持管理者做出恰当的追单决策。

通过这一整套的解决方案，案例中的团队最终帮助客户实现了断码率，销量，库存周转，工作效率实现全方位的提升。

鲜食零售业案例分享

吴聃博士的第二个案例分享来自烘焙行业。某烘焙连锁品牌，饱受人员频繁流动困扰，门店要货水平难以保证，部分员工缺少责任心，新员工经验欠缺，门店要货量不准确。预包装食品门店供货量不准确，导致断货率高。门店现烤产品烤出来卖不掉，导致报损率高。吴聃认为，在这种高频低价消费场景下，预测模型是解决门店要货问题的关键。

首先，针对不同商品品类不同影响因素进行分析，并找到主要影响因素。比如工作日和休息日、晴天或雨天对商品的影响。第二，围绕成本函数找到缺货损失与过量库存报损的平衡，通过项目收益指标分析-报废率、销售额来描述综合收益，凭借智能要货系统有效提升整体利润。“报废率高并不意味着综合收益低，合理的数学模型能帮助我们找到最优方案。“吴聃解释说。

在讲座的最后，吴聃博士引用查理.芒格的“宏观是我们必须接受的，微观才是我们可以有所作为的”名言来祝愿广大MBA同学们以智慧数据为工具，来突破行业的天花板。

撰稿/2019级周末二班 朱鸿飞