聯(lián)商網(wǎng)消息：2020年注定是載入史冊的一年。逆境之下，新一代消費心理和營銷模式正發(fā)生巨變，零售企業(yè)的“人貨場”格局自此面臨重塑，數(shù)字化轉(zhuǎn)型再次被推上促增長的拐點。不確定性已經(jīng)成為常態(tài)，精細運營、快速反應，讓決策更智能，將成為未來十年的確定性。

10月23日，2020觀遠數(shù)據(jù)智能決策峰會暨產(chǎn)品發(fā)布會在上海舉行，本次峰會由國內(nèi)零售智能分析領(lǐng)域的領(lǐng)先企業(yè)觀遠數(shù)據(jù)主辦。此次峰會匯集了500+來自連鎖零售、快消品牌、購物中心、新經(jīng)濟消費等各個領(lǐng)域中有代表性的企業(yè)高層，釋放前沿觀點，解讀疫后企業(yè)數(shù)字化轉(zhuǎn)型方法，共同探索通往數(shù)據(jù)智能的新路徑。

聯(lián)合利華中國業(yè)務集團供應鏈高級總監(jiān)楊紀寶帶來了《AI賦能供應鏈數(shù)字化轉(zhuǎn)型》的主題演講，他表示，聯(lián)合利華堅持打造、建設(shè)數(shù)字化能力，根本原因在于企業(yè)在快消行業(yè)里面碰到的很多傳統(tǒng)積累下來的業(yè)務痛點，必須要通過數(shù)字化的新技術(shù)來突破解決，更好的服務消費者。

如今，消費者購買的行為習慣、消費習慣變得比以前更加的隨機難以預測。所有的東西都變得無比碎片化、隨機化，作為品牌商幾乎在所有的消費場景下都被這種新的消費形態(tài)沖擊。他認為，在這種情況下，借助AI能力實現(xiàn)人機友好結(jié)合互動共同學習，完成全面的數(shù)字化轉(zhuǎn)型顯得尤為重要。

以下為楊紀寶演講摘要：

談人工智能的話題，對我來說是一個挑戰(zhàn)，我在思考到底站在什么樣的角度跟大家分享。想來想去，只能真切地跟大家分享一下過去3年，我們切身在做的數(shù)字化轉(zhuǎn)型歷程。

前段時間在北京參會時聽到過一句話：在數(shù)字化轉(zhuǎn)型里，撇開專業(yè)能力，最為重要的能力之一是填坑能力。這正是我們與觀遠在過去一段時間內(nèi)重點打造的核心能力之一。

三年前，剛開始“數(shù)字化”旅程時，我們對未來的暢想非常美好。我們認為，隨著新技術(shù)的延伸跟發(fā)展，隨著新技術(shù)的高端化、工業(yè)化，所有的行業(yè)都會發(fā)生突變，也包括了我們所在的快消行業(yè)。懷著這樣的憧憬，我們開始推進數(shù)字化轉(zhuǎn)型——利用人工智能技術(shù)，解決過去過分仰仗于人做預測的核心痛點。然而，真正開始的時候，我們發(fā)現(xiàn)現(xiàn)實跟理想差距不是城市到郊區(qū)的差距，而是兩個星球之間的差距，在這個過程中，我們遭遇了很多的挑戰(zhàn)，幾乎是屬于逢山開路、遇水疊橋。

快消行業(yè)中的新消費形態(tài)

為什么要這樣堅定的走這樣一段路？根本原因在于，當下快消行業(yè)存的很多業(yè)務痛點已經(jīng)沒辦法依靠傳統(tǒng)的方式解決。

在快消行業(yè)中，相比以前，消費者購買的行為習慣、消費習慣變得更加的隨機、不可琢磨。在傳統(tǒng)的消費場景時，你可以知道某一個社區(qū)某一個消費者，會在什么時間到哪個場景去購買聯(lián)合利華的哪件產(chǎn)品。但是，因為如今有太多的消費形態(tài)、動機，有更多的便利渠道供消費者選擇，這些東西變得無比碎片化、隨機化。作為品牌商，我們幾乎在所有的消費場景下，都遭到新消費形態(tài)沖擊。

隨著新興渠道崛起，粉絲經(jīng)濟的影響仍然巨大，與此同時，消費者對虛擬品牌印象、跨界品牌聯(lián)合，有很強的新訴求。直播更是時下的大熱門：剛開始做直播時，我們一天的直播銷量，相當于傳統(tǒng)線下經(jīng)銷商一至兩周的銷售額；如今，一場直播帶來的銷量，甚至可能達到一個經(jīng)銷商一年的銷售量。

在業(yè)務層面，我們曾面臨的一大挑戰(zhàn)是什么？ 在傳統(tǒng)業(yè)務流程里面，我們過多的仰仗“手工化”的處理流程，但整體數(shù)據(jù)量非常大，過多的仰仗于人工的處理方式，會導致處理的顆粒度非常的粗獷，無法做到對消費者訴求的精準履約服務。

在中國，聯(lián)合利華運作了接近80個不同的品牌，有接近3000多個不同的單品，涵蓋日化、家化、食品、冰淇淋等不同品類。我們要直接面對全國接近8000家配送網(wǎng)絡(luò)，以及配送需求。有大的超市客戶，也有到四線五線甚至六線小的分銷商。在不同場景中，消費者群體的特征有很大的差異。對我們而言，每一次跟消費者的觸達，都會轉(zhuǎn)化為需求的信號。大家可以想象一下，這對傳統(tǒng)的需求預測來講，是一個多么大的挑戰(zhàn)。如果仰仗于人腦處理這些需求的話，帶來的將是全員崩潰的結(jié)果。

現(xiàn)在，絕大多數(shù)企業(yè)都上了ERP的系統(tǒng)，傳統(tǒng)的ERP能夠解決的是非�；A(chǔ)且宏觀的業(yè)務流程，如果真正涉足到細致的，例如以每天每個消費者每個單品為單位的履約流程，就需要開發(fā)定制化的工具。

尤其是在每一次大促期間，一方面我們發(fā)現(xiàn)產(chǎn)能非常緊張，你那一按照消費者對直播、大促、品牌日等的需求習慣進行及時供貨；另一方面，匆忙生產(chǎn)出來的貨不一定會賣的好，這涉及市場的變化。因此，在新型電商行業(yè)中，我們反應速度一定要快。

想要解決這些業(yè)務痛點，如果只是依靠加人的方式，不僅很難形成真正的突破，甚至當人加到一定程度的時候，你所解決的只是企業(yè)內(nèi)部人與人之間的問題，而不是企業(yè)與消費者之間的問題。

聯(lián)合利華數(shù)字化轉(zhuǎn)型之路

當我們看到在各個不同的領(lǐng)域中，AI帶來這么多令人振奮消息的時候，我就在想這是我們的一個機會。

自此，我們開始跟不同的技術(shù)商合作，也曾接觸過很多大型服務企業(yè)，這些企業(yè)在宏觀技術(shù)、基礎(chǔ)技術(shù)上有非常強的基礎(chǔ)。最后真正開始落地的時候，我們非常慶幸選擇了觀遠作為我們合作伙伴，在過去3年里真正實現(xiàn)了這種工業(yè)化新技術(shù)的應用。

最初，因為AI是一個很高端的人工智能學習的技術(shù)，有自我學習的能力，所以我們期望值是很高的，希望它能夠做到幾乎100%的預測的準確度。但是經(jīng)過兩年多、三年多的嘗試，我們發(fā)現(xiàn)，將來AI在真實商業(yè)環(huán)境下的應用一定會是人機結(jié)合，是一個人機友好結(jié)合、互動共同學習的應用。同時，這個應用帶來的期望值和輸出的結(jié)果，一定是會基于人工進行二次判斷，才能夠達到業(yè)務的真正需求。

所以，開始的時候我們做了非常多基礎(chǔ)性的工作。

首先就是清理數(shù)據(jù)。很多人說數(shù)據(jù)是新時代的這個石油，我的觀點會有一點不一樣：不用的數(shù)據(jù)是不會變成石油，不用的數(shù)據(jù)一直積累在系統(tǒng)里，只能變成阻擾你的石頭。所以我們啟動這個項目時，最大的挑戰(zhàn)就是對數(shù)據(jù)的清理，非常感謝觀遠，對我們公司近50種不同的數(shù)據(jù)源，采取不同的方式進行了根本性的重塑。

同時，我們利用了觀遠的BI的能力，在公司層面上，從高層到一線，這個具體操作人員產(chǎn)生了接近200多種不同的結(jié)果，幫助優(yōu)化每日的基礎(chǔ)管理工作。我們在搭建模的過程中，曾走了不少的彎路，不同的兩類產(chǎn)品的工程的輸出等都不一樣，我們要做很多的嘗試。因此我們跟觀遠搭建了一個供應鏈全流程的模擬化平臺，通過模擬化的場景跟平臺，幫助我們在宏觀層面做好把控。

在使用的過程中，我們發(fā)現(xiàn)要建立一個更加完整、細致的指標體系，來判斷機器學習的結(jié)果是否可以達到人的需求，目前，我們用接近20個指標來嚴格管控每個品類的機器模型的上線。通過這樣的方式，截止到今天為止，在聯(lián)合利華中國區(qū)的傳統(tǒng)生意里，80%已經(jīng)完整的使用機器模型的輸出結(jié)果來取代傳統(tǒng)的人工。我們不再需要通過人工Excel完成大量的信息處理，做需求的預測。

當消費者的體驗碎片化有這么多隨機性和沖動性的時候，你的反饋需要變得非常的顆粒化，這就對需求預測的顆粒度提出了很高的要求。

以前傳統(tǒng)做人工預測的時候，最多只能以月、以全國的分倉作為單位指導配貨跟補貨，但是在AI的基礎(chǔ)平臺下，我們可以實現(xiàn)周度，原則上來講，可以實現(xiàn)每周無限制的指導每個分倉的補貨策略，對靈活的調(diào)整和貢獻非常大。

我們得到的收益不僅僅是工作指標的一個提升，當技術(shù)嵌入到聯(lián)合利華的業(yè)務里面，你就得重新的思考你組織結(jié)構(gòu)跟人員的搭建。以往，聯(lián)合利華傳統(tǒng)的計劃是產(chǎn)銷協(xié)調(diào)的流程：上游對接銷售，下游對接我們自己的工廠，整個計劃里我們要分需求計劃，要分供應計劃，要分最后的補貨計劃等等。如今，借助于觀遠現(xiàn)在AI跟BI的技術(shù)，我們已經(jīng)實現(xiàn)了需求在產(chǎn)生過程中接觸者的極度精簡。

當我們真正的去深入的看到每個細節(jié)的時候，你會發(fā)現(xiàn)這些人更多的不是在處理前臺消費者的需求波動，而是在處理內(nèi)部的多環(huán)節(jié)、多層次的溝通。所以當我們有了一個統(tǒng)一的智能化的平臺之后，我們完全基于這個平臺，跟一個角色進行賦能和對接，而不需要跟這么多人進行對接，這也是我們已經(jīng)實現(xiàn)了的“三變”中的一個變化。從以前三個計劃員去服務同一個品類，變成今天一個計劃員直接對應上游銷售跟下游供應鏈，實現(xiàn)了最精簡的信息鏈傳遞。很多時候，需求預測不準不是因為做預測的人太少。很多人對預測的判斷都有自己的想法，只有通過一個強大的信息處理平臺把信息匯總在一塊，讓它的輸出通過單點的窗口接通，我們才能撇開不必要的人員的干擾，進行最好的預測。

所以，在落實的過程中，我們在模型搭建上做了很多的嘗試。最初，我們覺得第一個板塊出來的結(jié)果應該都是數(shù)據(jù)，都是特征工程分析的結(jié)果，而不應該有任何人的干擾。然而，銷售量最終是靠人做出來的，所以需要一些從人的角度的思考，基于商業(yè)的規(guī)則，允許業(yè)務進行調(diào)整，諸如控制產(chǎn)品的促銷力度，控制某些單品在渠道上的流向，控制它跟品牌合作的深度等等。因為模型搭建的結(jié)果最終是要服務于生意。

另外一個很切身的體驗，是當AI輸出的結(jié)果越來越好，我們擔心卻越來越多。因為你看不懂，不知道它為什么會輸出這樣的指導�；诖�，我們要把AI和機器學習白盒化，通過觀遠的技術(shù)能力，我們搭建了一個特征工程的線性分析功能，縱軸上是我們輸入的每個數(shù)據(jù)源，這個分析功能會告訴我們每個數(shù)據(jù)源最終對模型的輸出影響值是多少，這些值是相對值不是絕對值，它會幫我們很好的量化哪個數(shù)據(jù)源會影響到你的輸出，通過這樣的線性關(guān)系跟分析結(jié)果，來幫助計劃員更好的解讀AI背后的建模邏輯。

我們還有很多業(yè)務的場景，是需要有人機互動的，需要人跟這個AI之間進行對話。因此，我們和觀遠共同開發(fā)了一個叫做AI小助手的定制化功能。這是一個基于每個品類、不同的業(yè)務員需求情況，專項服務業(yè)務員跟AI服務模型對話的軟件。這是我們在AI技術(shù)中去工業(yè)化的嘗試，也是非常受歡迎的一個功能。

最后，我們也是在做S&OP產(chǎn)銷全流程的思考，我們在需求端跟觀遠的合作進一步升級。未來，我們會利用觀遠的技術(shù)平臺搭建一個全公司數(shù)字化的需求中心服務整個業(yè)務部門，尤其是供應鏈、財務跟銷售在所有維度上的預測需求。我們會輸出各種維度的預測需求，然后在供應端實現(xiàn)基于Saas技術(shù)平臺的一個供應計劃的調(diào)整，然后把兩個系統(tǒng)平臺搭建起來，這樣從需求到產(chǎn)出，到供應計劃的調(diào)整安排，可以實現(xiàn)一鍵式全流程的操作�；诠敬罱ǖ臄�(shù)據(jù)湖平臺，我們能夠賦能將來的業(yè)務可以持續(xù)演變跟進化�；谶@樣的場景，我們可以真正打破在傳統(tǒng)快消基于傳統(tǒng)ERP、基于人工的產(chǎn)銷流程，實現(xiàn)每周的產(chǎn)銷對比、銷售的結(jié)果、財務的報表，甚至可以做到以天為單位的高效流程。這是我們現(xiàn)在在推進的2.0版本的一個升級。

人才培養(yǎng)，賦能數(shù)字化的轉(zhuǎn)型

最后有一個事情想跟大家做分享，是我們在整個的轉(zhuǎn)型過程中關(guān)于人才問題的思考。以前，我們招的都是學機械，學模型，學有機化學、無機化學等工科學生，很少會招聘學計算機、學高等數(shù)學的學生，但是我們發(fā)現(xiàn)他們?nèi)缃褚沧兂刹豢扇鄙俚囊徊糠帧?

現(xiàn)在，我們跟觀遠正在在共同搭建一個基于面向未來數(shù)字化人才專項培養(yǎng)課程，聯(lián)合利華這一端輸出在真正商業(yè)環(huán)境下必須要解決的商業(yè)痛點以及基礎(chǔ)的商業(yè)流程，通過觀遠的技術(shù)平臺定制開發(fā)。告訴大家在行業(yè)中，高管級別、中層管理級別、一線管理人員應該具備哪些知識，如何培養(yǎng)？采取靈活的培訓形式，臨時培訓的課程，賦能整個數(shù)字化的轉(zhuǎn)型，我們相信通過這種方式，才能促使傳統(tǒng)型的企業(yè)在數(shù)字化轉(zhuǎn)型的過程中變得更加具有競爭力。