数据决策时代，越来越多企业着手将数据资产累计转化为企业最重要的资产，渴望用数据驱动商业决策，提升商品运营能力。
然而，企业意识到数据资产的重要性，但在实际操作过程中，真正能把企业数据资产利用好的却寥寥无几。数据提升商品运营价值到底在哪里？
「数智·泛零售」06课开始正式进入应用实操系列，由泛零售行业「人、货、场」 展开。南弈老师从「货」出发，分享「数据中台提升智能商品运营能力」。
数据时代重新定义商品运营
在泛零售领域，商品运营到底存在哪些痛点？
人货场关系发生转变：新零售背景下，人、货、场三要素关系已发生转变，需要重构人货场。
同质化严重：品牌设计和定位同质化，设计师对流行趋势预测普遍依靠经验，设计理念不能满足消费者和市场需求。
产能过剩、库存积压：对市场的需求信息和预测不符，造成生产端产能过剩、库存积压严重。
经营模式粗放：普遍采用传统订货模式，订货的数量依靠订货商对于市场的经验来判断。
终端门店管理粗放：缺乏对门店数据精确采集和智能分析能力，店铺管理相对粗放。
新零售时代重构「人、货、场」
「人」：商品最终都由「人」来购买，「人」即顾客，也就是客源。如果把商品比作舟，那么顾客就是水，水能载舟，亦能覆舟。
实践证明，门店之间竞争的本质是客源的争夺，门店的生存和发展，主要取决于可持续进店消费的优质客源，精准捕捉客群，在对的时间找到对的人。
「货」：营销最根本的目标就是为顾客提供合适的商品，「人」和「场」都是为实现这一目标服务的。俗话说：巧妇难为无米之炊。门店没有优质的商品，无异于无源之水，无本之木。
「场」：顾名思义就是场地，即门店卖场。创造门店业绩的永远是人，其中很关键的一点是优质客源，而要保证门店的客源，就必须想方设法创造良好的门店环境，以吸引更多的顾客进店和购买。这同时直接关系门店的形象。包括装修设计和布置陈列。
数据中台如何提升商品运营
搭建数据中台的第一步是客户要有自己的数据，称为「一方数据」。数据维度越多，分析获得的结果越有价值。因此，除了一方数据之外，还需要三方数据，如：渠道投放数据、外部营销数据、运营回流数据等等。
数据从成本向资产进行转变。
数据成为资产后，要用企业一方数据中台对数据进行存储、管理、治理，面向商品，所有数据分析的底层无外乎「指标」和「标签」两个维度， 基于商品运营做一些指标，进行标签加工，可以为上层的商品运营提供数据支撑。
「商品洞察分析」可以做定位分析、生命周期分析、新品上市分析、销售实时分析、经营洞察分析、商品复盘分析等。「商品运营分析」领域则可以基于营销动作进行销量预测分析、店货匹配建议、商品首铺建议、商品调货建议、商品补货建议、商品整合建议等。基于分析和运营成果进行运营策略，运营管理人员有相应运营决策支撑。帮助客户创建数据服务能力，沉淀一方数据中台后有自身的数据资产，也可跟公域流量做资源置换。「一方数据」：企业自由数据；「二方数据」：广告投放及回流数据；「三方数据」：公开的天气、地图等互联网数据。
将一方数据、二方数据、三方数据汇集到数据中台；垂直数据中心只是把数据同步过来，公共数据中心内建维表、事实表、业务过程、分析维度等；萃取数据中心面向不同体系做汇集。对外提供数据服务时，提供一整套数据开发逻辑，同时提供数据资产管理链路，满足底层对数据开发、数据治理的需求，围绕新零售领域的三要素「人、货、场」构建数据智能应用。以「货」为核心，商品洞察分析核心的业务价值是提升洞察能力、问题分析能力；商品运营分析的核心业务价值则是产销协同、供应链洞察、渠道管理分析支撑，优化企业资源配置，实现精细化管理、降本增效。那么，如何通过数据驱动商品运营？
从销售不同阶段，通过数据帮助不同的场景解决相应问题。
「售前」阶段，做商品定位分析、商品数量规划、流行趋势分析、价格分析、销量预测等；
「售中」阶段，做商品上架、商品销售、价格带分析、商品陈列/排序、商品连带分析；
「售后」阶段，做销售分析、商品复盘分析、决策支持等。实时的销售分析，快速的策略调整，支撑决策制定。
中台架构下商品运营场景设计
举一个运营场景设计案例——商品定位分析：离不开市场分析，市场定位是指对目标消费者市场 的选择，可以是由地域、性别、年龄等方面综合选择的用户群。基于市场定位找到目标人群，下一步我们对应什么样的商品来满足目标消费市场的需求。如何基于数据中台做商品定位分析？
底层的数据层主要是一方数据，在此基础上还需三方数据，数据统一到数据中台后，做数据加工，基于数据建模方法论，做指标（商品属性、价格带分布等）和维度（时间、天气、商品属性）分析，有了这些维度可对商品畅销特征进行分析，进行辅助决策。
商品运营案例解析
智能选品案例
目前爆火的直播带货也属选品范畴， 主播也会遇到选的商品没有带货成功的情况，是因为对粉丝没有很好的认知。在合适的门店，要基于消费群体选对合适的商品。
在线下，选品要店货匹配，门店画像（包括门店的基础属性、营销数据、会员数据、商圈客流数据、周边环境数据）。同理，商品画像（商品标签、电商平台数据、历史销售数据）。通过混合推荐算法，把合适的商品推送到合适的门店，数据标签越丰富、越精细，店货匹配计算越精准。分享一个实际服务客户的案例：我们为其在pad端做智能选品，利用算法根据门店和商品标签计算两者匹配程度，同时兼顾周日均销量、库存、价格带分布等因素，为每家门店独立进行商品推荐；在自动推荐商品的同时，也支持店长自行选款，还可以修改款下的颜色和尺码的数量；选择完毕后提交，即生成订单实现店长自主选品。
智能补货案例
智能补货规则，一般要对历史数据（补货记录、销售数据、库存数据、天气数据、运输成本、门店数据、商品数据）进行分析，通过数据中台，结合数据智能算法生成智能数据模型， 销售预测要足够精准，降低断货率、成本提优。基于智能数据模型生成自动补货计划表，补货专员仅需做审核工作，帮助客户实现智能补货。
我们服务的一家服装企业，该男装品牌在全国有400多家门店，每个门店单品的sku并不多，需每天进行补货，原来每人每天需要花2小时调整20张excel表，手动改sku等，对爆款的认知欠缺。通过智能补货模型，数据中台沉淀人工的补货经验，通过算法形成补货的逻辑，结合业务规则（库存、物流等）与订单业务系统无缝衔接。
奇点云为某男装品牌公司打造智能补货系统，实现了：
·补货计划实时一键自动生成；
·上线后补货工作比原来节省95%的人力时间成本；
·补货工作考核指标（断码率和补货售罄率）达成率平均提升20%以上。并大幅避免了人工经验水平差异和工作意外导致的调补货效果波动，降低物流成本；
·通过数据跟踪和AI智能分析持续优化算法模型，补货规则更加精细化，利润上升20万/店/年。
数据决策的时代，数据即资产。企业想要充分发挥数据资产，更应该重视数据、善用数据，沉淀自身一方数据能力，构建全面数字化运营能力。