一、中国零售业面临的挑战和需求
随着后疫情时期社会经济的复苏，零售消费品市场逐渐回暖。在积极的市场环境下，中国零售业也面临着诸多挑战。进入“十四五”时期，发展数字经济已被列为国家战略，也将成为中国经济增长的重要源泉。数字经济的发展趋势必将进一步带动实体经济中垂直行业的不断创新和变革。
消费品零售行业是中国数字化转型起步较早的行业之一，“新零售”已经不是一个新名词。迅速崛起并持续高速发展的中国电子商务行业也成为全球行业标杆。
然而，零售消费品行业的数字化转型不仅仅是“渠道在线”。各大电商平台全渠道销售触点布局完成后，“新零售”未来将如何发展？人工智能、5G、物联网等前沿技术将如何应用于零售场景并真正产生商业价值？国家统计局最新数据显示，我国零售消费品线下和线上销售比例为2.5:1，线下仍有明显优势。所以，当我们着眼于零售消费品的数字化转型时，线下零售产业链的转型仍然应该是重中之重。
从近年来全球及中国主要零售消费品品牌的表现趋势来看，我们分析现阶段中国零售消费品行业的以下四个挑战和需求。
渠道管理:人力成本高，数据精准度有待提高。
零售品牌为了在庞大的线下终端中赢得消费者的选择权，重点在于竞争商品在零售终端中货架上的曝光位置和比例，知道哪些竞品一起曝光，如何通过货架展示和视觉呈现来吸引消费者。在门店走访、陈列监督、促销管控等场景中，传统的肉眼查看记录、拍照送审的方式耗费大量人力，工作效率低，容易出现错漏，上报数据失真。
对于实体零售渠道管理来说，审核数据的准确性和及时性非常重要。同时，人工检验的高成本和数据质量也给消费品企业的经营管理带来巨大挑战。
供应链管理:缺乏支持需求预测、智能补货和物流运营的数据。
零售商供应链管理的现状主要由消费者需求的两个趋势驱动。首先，消费者对便利性和时效性的需求逐渐增加，促使物流企业缩短供应链周期，优化仓储管理。第二个消费趋势是市场的分层和个性化。个性化已成为当前消费市场的主要特征，这也意味着零售品牌需要为制造商提供更高频率、更小产量的订单，以“小步快跑”的方式将开发的新产品快速投入市场，收集消费者数据，并不断优化和细化供应链的需求预测。除了需求预测，库存管理和智能补货也是实体零售产业链管理降本增效的重要努力之一。
门店管理:运营数据不足以支撑门店选址和“千店千策”
对于零售品牌来说，终端门店的智能化展示和门店运营效率的提升也是新消费产业格局下的主要创新和转型方向之一。由于销售价值链较长，下游分销商、经销商反馈给品牌商的零售店铺覆盖数据的真实性和准确性存疑，店铺统计不准确、店铺信息不一致给品牌商的销售点管理带来挑战。
产品创新:终端消费者洞察和消费行为信息不足，“以消费者为中心”的品类创新实施面临挑战。
从食品饮料、服装内衣到美容护理等消费领域，近年来直营消费品牌异军突起，尤其是很多本土消费品牌凭借深入的用户洞察推出了爆款产品。曾经，他们通过成倍地增加与消费者的距离和以用户为导向的思维，挑战传统的消费品牌。
因此，越来越多的传统品牌开始重视“直达消费者”的创新模式，从“自上而下”向“自下而上”的创新模式转变，以消费者的需求作为决策的出发点，从而准确、及时、灵活地满足消费者的需求。
在数据分析上，除了品类销售数据，还有搜索引擎、社交网络、电商平台评论关键词、客户群体画像、消费场景数据、消费习惯数据等。都是关键的产品创新数据元素。通过大数据分析，可以获得流行元素、功能指标和客户痛点，作为新产品研发的输入。如何高效、准确地获取这些数据，是零售品牌绘制增长地图、定位品类策略的重要成功因素。
二、零售数据智能的应用机会
智能是指通过人工智能对基于大数据的海量数据进行处理、分析和挖掘，提取出数据中蕴含的有价值的信息和知识，使数据“智能化”，并通过建立模型来寻求解决存在问题的方法和实现预测。智能在更高维度上连接行业和企业的业务，将人工智能的算法优势与业务相结合，逐步解构和重构行业的业务逻辑。
零售业的关键数据资产
在零售业的数字化浪潮中，人、货、市场的“数字化转型”也在不断深化，数字化转型也在不断优化消费者、零售商品、线上线下门店的管理。未来零售企业的数字化智能，不仅仅是专注于某一个维度的数据，还会尽可能地整合人、货、市场的数据，实现真正意义上的新零售生态。从人、货、市场收集的海量数据是实现数据驱动决策的前提。这些数据元素不仅可以指导营销策略，还可以成为渠道铺设、门店管理、供应链管理、产品研发等方面优化升级的重要推力。
数据支持的实体零售战略升级
1.非凡产品的研发
智能数据可以通过洞察数据的四个维度，解决实体零售产品创新的痛点，倾听并洞察消费者的兴趣和趋势，实现现象级DTC产品的研发。
-线下消费者行为洞察:通过打通对接零售终端销售数据、商品铺货数据、门店消费者行为数据，获取线下消费者行为洞察，分析热门商品品类。
-线上消费者行为洞察:社区团购已经成为实体零售增长的重要渠道。通过掩埋社区团购平台的用户行为数据，可以获得实体零售店的线上消费者行为洞察。
-洞察营销平台的消费者交互行为:通过掩埋网络营销平台的消费者交互行为，洞察消费者对网络营销内容和形式的反馈，进而分析消费者兴趣热点。
-洞察公共领域社交媒体趋势:通过爬虫，对接公共领域社交媒体数据，洞察最新趋势。
2.敏捷供应链管理
智能数据通过对接零售终端多维度的商品数据，可以解决当前零售品牌供应链管理的多重挑战。当品牌能够实时获取零售终端销售数据、社区团购销售数据、库存数据、出库商品“一物一码”数据时，将能够实现精准的需求预测、智能补货、高效的物流运作。
3.高效的渠道管理
数据智能通过整合零售终端的产品分销数据和销售数据，可以降低渠道管理的人力成本。通过AI图像识别、算法分析等工具，品牌可以实时获取零售终端布局，提高零售验货效率。
4.精确的商店运营
智能数据通过打通零售终端的产品配送数据、销售数据、第三方LBS数据、人口信息数据、会员数据，实现精准的门店定位和“千店千策”的门店运营。
零售数据智能的战略框架
数字化转型的重点之一是从根本上加强数据的可用性。如何将“人货场”的海量零售终端数据实时、准确地反馈给品牌商，从而赋能品牌商进行数据驱动的战略决策？在零售数据智能的整个战略框架中，释放数据要素的生产力可以分为四个步骤:可收集——可识别——可分析——可操作。
1.可以收集数据。
数据采集分为两部分:数据采集与整合和数据存储。在数据收集和整合中，有两类数据源:感知数据和系统对接数据。
感知数据可以分为“硬感知”和“软感知”。软测量数据可以包括埋藏数据、爬虫数据和系统日志。“硬感知”数据包括图像识别、语音识别、视频识别、二维码识别、RFID识别、传感器数据、工业设备数据等。在实体零售场景中，“软感知”数据可以包括社区团购平台的用户行为埋藏数据，“硬感知”数据可以包括货架铺设的图像识别数据、消费者行为的视频识别数据、“一物一码”二维码的识别数据、商品溯源的RFID数据等。
除了感知数据，另一个重要的数据来源是系统对接数据。包括内外系统对接，如渠道管理系统、销售点信息系统、门店POS系统、CRM系统、ERP系统等。
通过收集感知数据和系统对接数据，将零售数据元素实时、精准地对接给品牌商，然后根据品牌商的运营需求，将收集和对接的原始数据围绕“人货场”和相应的细分品类进行分类。
2.数据可以被识别
存储的海量零售终端数据可能是结构化的，也可能是半结构化的，这样的数据在使用之前需要进行清理和汇总。经过清洗的数据被标记后，就成为了一个可以直接用于商业，产生商业价值的数据载体。
在实体零售场景中，存储的原始数据通常由基于业务类型的标签库算法来识别。常见的标签库分为四类:消费者标签库、商品标签库、销售点标签库和营销标签库。在消费者标签库中，包含了人口统计信息、交易行为、营销行为、社交行为等子标签。在商品标签库中，包含了产品属性、设计属性、功能属性、流通属性等。在销售点标签库中，包含店铺特征、店铺业绩、店铺客户、店铺布局等维度的子标签；在营销标签库中，子标签包括营销活动类型、优惠政策、活动场景行为、活动投放渠道等。
3.数据可以被分析
通过建模和分析，与业务系统相连并被标注的数据可以直接为各个业务部门提供可视化的数据报表，从而为准确的业务决策提供可视化、实时、准确的数据元素。商业数据分析通常分为四个层次:描述性分析、诊断性分析、预测性分析和指导性分析。
零售商会根据具体的业务需求和原始数据的质量，构建合适的数据分析框架，以可视化的方式反馈和赋能各部门的业务管理。
4.数据是可操作的。
数据可分析后，通过AI和机器学习先进算法，零售品牌可以实现智能数据驱动决策，从而实现现象级的产品研发、敏捷的供应链管理、高效的渠道管理和精准的门店运营，实现实体零售的端到端战略升级。
随着5G和物联网的发展，数据呈现爆发式增长。对于零售品牌来说，数据作为资产的重要性越来越突出，不同类型数据资产的整合、访问和管理成为影响数据资产价值的关键因素。
零售数据智能的关键成功因素
对于零售品牌来说，智能化往往意味着长期、大规模的资源投入。安永认为，零售品牌可以通过在以下五个方面的投入来加速数据智能化的部署，从而实现整体的品牌增长战略。
1.明确品牌数据智能的战略愿景。
数据智能的部署和实施需要品牌联动企业内部各部门、价值链上下游合作伙伴等。，所以我们通常会遇到对数据智能的不同需求。为了更好地部署数据智能，品牌应协调所有内部和外部各方，梳理品牌的整体数据智能战略愿景和阶段性战略目标。
2.链接数据智能生态伙伴
目前，国内面向零售行业的数据智能初创企业已经初具规模，很多初创企业已经具备了成熟的解决方案和服务能力。品牌可以根据自身需求，寻找能够提供精准解决方案的生态伙伴，全方位帮助品牌构建从数据系统到智能分析的完整能力。
3.构建智能数据分析系统。
来自CRM、MA/SCRM、CDP、DMP等。在客户数据方面，WMS、POS等。在商品运营端，对垂直领域的智能分析引擎，品牌要根据自身经营状况和增长需求，逐步部署智能数据分析系统，并根据需求迭代升级。在这个阶段，品牌需要回答三个关键问题:
-部署什么系统来解决什么环节的数据需求？
-系统部署后，数据结构是如何构建的？如何管理？
-哪个部门操作和管理系统并产生分析见解？
回答好这三个关键问题是品牌数据智能化的关键基础，而回答好这三个问题需要建立在对品牌成长战略、行业最佳实践、消费者心智和行为趋势以及品牌数字化现状的综合分析基础上。
4.分阶段实现全价值链的数据渗透。
释放数据智能对零售品牌的商业价值，需要逐步实现消费者全生命周期和商品全生命周期的数据渗透。数据穿透工作有的是基于现有系统的数据对接，有的是外部数据的采集。外部数据渗透成本高，品牌需要根据战略需求，优先部署服务于消费者需求和品牌成长的高价值数据采集。比如化妆品行业，目前面临行业法规的监管和消费者对产品安全的诉求，可以优先考虑商品的全链路溯源数据采集；食品行业面临着市场执行和管理成本的挑战，因此应重点投资和部署零售终端，以展示商品，促进销售和收集销售数据。新零售消费品首先要解决公私消费者运营数据的实时性和准确性，要重点投资消费者运营的数据采集。品牌需要制定策略，分阶段实现消费者全生命周期和商品全生命周期的数据渗透，为实现基于数据闭环的智能决策建立技术基础。
5.提升人才机构的数据智能运营能力。
对于零售品牌来说，数据能力的长期运营也是成功的关键。因此，需要提升品牌内部人才组织的数据管理和数据分析能力，从而根据业务需求的升级转型，不断更新跨部门数据协同的数据结构和工作流程。
数据生产要素时代和5G、IoT等新兴技术的快速发展，给零售企业带来新的增长机会。同时，《数据安全保护法》等法律法规的出台，也给零售业带来合规挑战。安永有战略和交易方面的经验。我们可以为客户提供顶层战略设计、企业投融资、并购等战略咨询服务，并与各咨询业务线合作，提供全生命周期的咨询服务。
本文旨在提供一般信息，并不旨在成为可靠的会计、税务、法律或其他专业意见。请向您的顾问咨询具体意见。
