大數據文摘出品
本文為清華數據科學研究院聯合大數據文摘發起的年度白皮書《頂級數據團隊建設全景報告》系列專訪的第一篇內容。《報告》囊括專家訪談、問卷、網絡數據分析，力求為行業內數據團隊的組建和高校數據人才的培養提供指導性意見。前往文末參與填寫問卷，將獲得《報告》完整版~
傳統行業的數據化轉型一直是個熱門但棘手的課題。
媒體、行業報告中曝光的例子往往讓人心動：處於發展早期、體量相對小的公司，通過幾個月的部署，迅速引入大數據領域人才、上馬一套完整的數據庫，並建立較完整的數據蒐集分析流程，產生立竿見影的價值。
而行業巨頭的改革的真實道路其實比想象中艱難：由於體量大、固有規則多、人才缺乏，改革往往需要更長久的陣痛期。
比如，對雀巢這樣一家有著百年曆史的全球食品行業中的領先企業來說，想要進行數字化轉型，
即使是在供應鏈這一個數據相對齊整的領域，也是個難以想象的龐大工程。近日，在北京舉行的2018年SAS中國用戶大會暨商業分析領袖峰會上，我們和雀巢（Nestlé）需求規劃與分析全球負責人Davis Wu聊了聊，在他的講述中，我們看到了快消行業轉型中，數據分析應用、價值落地的真實情況。
雀巢（Nestlé）需求規劃與分析全球負責人Davis Wu在2018年SAS 中國用戶大會暨商業分析領袖峰會上，做了主題為“如何平衡分析部署的廣度與深度”的分享。
雀巢的數據驅動最早從美國開始。
早在二十世紀八九十年代，美國的一些地區就開始做統計分析，隨後逐漸在全美國開展。而在全球鋪開則是在2013年和SAS建立夥伴關係之後。
雀巢總部進行了全球化的數據標準化，建立了一套標準體系，並向每個國家推廣。現在已經推廣到48個國家，年底會推廣到50個。
Wu表示，“這步推廣以廣度為主，以後還要加強深度。”
利用數據進行市場分析的效果很明顯，三四年間，雀巢對於全球市場預測的誤差降低了50個百分點，庫存減少了1.2天。這對於雀巢這樣每年900億美元的銷售額的快消品牌來說，意義重大。
Davis Wu在演講中表示，數據分析也給雀巢帶來了銷售預測的優化、品牌甄別能力的提高。
而在供應鏈的數據化轉型嘗試中，雀巢也面臨著自己的挑戰。
供應鏈數據秒級更新之前，日更數據和滯後數據的價值
中國人眼中的快消行業和全球其他地方儼然兩幅不同的景象：對於一件常見快消品，國人只需要打開淘寶或京東下單，就可以最快在十幾個小時之內拿到這件產品。
廣泛的應用領域、海量用戶數據的積累，也讓供應鏈因此成為了國內最普遍和成熟的數據落地場景之一。
客戶的購買數據被系統自動保存下來並收集到系統中，成千上萬的數據被收集整理，在電商平臺和門店分銷商的數據網絡中實時更新，以便供應商做出最優的決策。
這是全球供應鏈的“奇蹟”，對於全球零售廠商來說，這都是一筆巨大的可待探索的財富。
“中國電商的發展程度在全世界都居於領先地位，而且，相比於美國亞馬遜對於數據的過分保護，國內電商廠家對於數據的開放態度也讓雀巢可以從中收穫更多。”
Wu介紹說，雀巢和國內電商的合作已開展了兩年，這些合作不僅包括數據和平臺，還包括物流、產品信息、消費者群體等方面。
目前，雀巢從電商和門店、零銷商中獲得銷售數據放到自己的系統中，來做不同產品、不同地區的銷售預測。
但目前的合作還處在早期階段：“數據怎麼用，我們也還在摸索。”
在數據更新方面，一般的供應鏈數據都由這兩個部分組成：電商數據和門店數據。
顯然電商數據會更新地更快，門店則滯後較多。但是，即使是電商，秒級更新也並不現實。
Wu告訴我們，在中國，電商數據的獲取最快可以做到在一兩天內更新，而門店則需要一週甚至更長的時間。
對於雀巢自身而言，他們給自己的要求是，多數數據每週至少更新一次，從而下週進行預測並重新調整。當然，一些產品由於產品特性，可能需要每天更新，例如酸奶等保質期較短的產品。
而在全球很多地方，門店數據很有可能無法及時提供。但雀巢每天的發貨數據都是確定的，依然可以依靠發貨數據建立模型。
“快消品牌擁有的是長期的產品，模板建的好，你就不需要每天更新，每週更新就足夠了，我們就可以知道大致的走向。”Wu說。
這並不是說門店數據沒有用處。門店數據經常都是門店自己採集之後賣給第三方，再由第三方賣給供應商。這樣的數據經過了清理、整合，質量比較有保障，而且也可以看到競爭對手的數據，即使略有滯後，也依然有價值。
眾所周知，雀巢的產品主要通過各級分銷商和電商來進行銷售，但雀巢Nespresso咖啡豆的業務也可以跨過分銷商和電商直接面向消費者。儘管這個部分只佔雀巢10%左右的業務量，但對於雀巢的數據採集和分析也有很大的幫助。
“銷售部門、市場部利用所有的數據進行精準促銷，供應鏈也在努力用這些數據做預測，我們都在探索更多的可能。”
外部數據的確重要，但天氣數據是個例外
和所有數據分析團隊一樣，雀巢也十分強調外部數據的重要性。宏觀經濟走向、人口走向、市場佔有率，以及南區、北區、西區、東區等各區域間的消費者畫像都為雀巢供應鏈的調整提供了重要的幫助。
“但是天氣數據是個例外。”
對於在眾多大數據教科書中頻頻強調的天氣數據，Wu有不同的看法。
“事實上，天氣數據和銷售走向是非常契合的，比如夏天冰淇淋賣得多，巧克力冬天賣得多一點。但是，在建模過程中必須用到的歷史數據實際上已經包含了季節的變化，天氣數據也就因此顯得沒什麼實際意義。”
另外，對於快消行業的供應鏈來說，天氣有一個致命的弱點：可預測時間太短。
“我最多隻能知道未來15天的天氣情況，但對於快消行業來說，15天太短了，我們最少需要6個月的數據。天氣數據的最大作用是，幫助我們瞭解歷史數據是不是因為天氣而發生了這麼大的變化。”
數據團隊人才轉型：行業專家借力自動化數據分析工具
作為快消行業，雀巢的供應鏈團隊非常清楚自己的優勢在產品而非技術。因此，Wu表示，成立專業的數據團隊並不是一個最優化的選項，目前也不在雀巢的考慮範圍內。
”我不可能把所有人都換掉重新招人，只能慢慢更新調整。所以我要挑選一個簡單好用的數據分析系統，這個系統的界面和分析很容易讓我理解。專家能夠懂它的數據分析原理，但是大部分普通用戶也可以使用。”
所以，即使SAS這一數據分析工具並不便宜，但相對開源軟件，其穩定的架構和易用性依舊獲得了雀巢這樣處於轉型中的傳統巨頭的青睞。
畢竟，不僅僅高級分析人才需要使用數據分析軟件，行業專家也很需要。正如Wu所說，“我們在培訓自己的人，也希望軟件更加智能。”
而根據需求的不同，現階段，雀巢各部門選擇了不同的方式來分析數據：供應鏈部門選擇SAS來做數據分析，其他部門可能就要選擇其他更合適的工具。
“現在組成了不同的人馬來使用不同的軟件分析數據，但這不是最優化的選擇，大家共享數據共享分析共享技能是最理想的，”Wu說，“但是雀巢這麼大，還需要時間。”
現階段，雀巢擁有統一的中央數據庫和分散的數據庫。中央數據庫以報表為主，用來計算KPI。每個地區每個市場也會根據各自的情況建立數據庫，而這些數據庫的形式也不盡相同，有些地方甚至只是用Excel來記錄。
但是，無論電商還是門店，所有被提供的數據在格式、質量、細化程度等方面都會有很大差異，甚至連同一個產品的名稱代碼都不相同。毫無疑問，數據整合和清洗的工作量非常之巨大，而這也是雀巢目前在數據利用方面的一大難題。
“各個地區都在逐步探索，總公司也會進行指導，比如通過SAS中DI(Data Integration)、EG(Enterprise Guide)等工具整合、安排時間點，使之自動化。我們每週會開展電話會議，不同國家或地區輪流互相介紹如人員培訓、數據、分析、流程等經驗，互相學習提高。”
在這個過程中，雀巢積累了一套數據化轉型的經驗。
Davis Wu與現場聽眾分享雀巢全球的成功經驗
對於數據分析，雀巢的理念是
“Analytics Everywhere”“Analytics for Everybody”。
在“Analytics For Everybody”方面，雀巢的經驗是拓展分析用戶群，深入事業部門。“我不是隻把分析給到最專業、最高級的專家手裡，而是給到每個人手裡，讓他們自己用。給你一個電鑽、電刨，讓你把工作做的更好更快。我要把分析給到每個人手上。”
雀巢調查了47個事業部的國家和地區的工作效率和協同情況。越是偏綠色說明效率越高，反饋積極。銷售人員、市場人員、財務人員的協同也有了改進。
再比如長效強化機制，Wu將雀巢的數據分析和IT行業進行了對比。在IT行業，一個公司可能做一套系統，做一個基礎架構，然後把這個放到事業部，就完成了這個項目。但在分析領域，這卻是萬萬不能的。為什麼？因為分析要求的人員素質不一樣，知識層面不一樣，而且每個不同案例都需要不同的算法來實現。所以必須要有不斷地跟進。
而在雀巢內部，講的最多的就是Adoption rate，採納率。把系統放到市場，有沒有采納，採納的百分比是多少，採納率都是非常重要的指標，也是一個首要目標。“分析項目的首要目標就是Adoption，保證你在用，才會保證你有好的結果。”Wu說。
“數據分析的推廣是一個永遠要堅持走下去的過程，數據永遠要更新。”
閱讀更多 大數據文摘 的文章
