領導帶人 經營管理 行銷業務 工作術 自我管理 專題 近期活動
追蹤我們
經營管理

大數據如何幫助零售業?政大教授:別只用來行銷!採購、陳列、管庫存都用得上

mdi-eye-outline 4,088

蒐集、分析顧客消費資訊、依照特徵與喜好分群,再以此精準投遞廣告,增加顧客的購買誘因,這些事情不論是在線上電商或線下實體商店,都已是行銷的基本功。然而,與消費者有關的數據可以幫助零售產業的,遠遠不只是行銷

曾與美國大型零售商沃爾瑪(Walmart)合作、政治大學資訊管理學系副教授莊皓鈞指出,採購、訂價、陳列等營運層面,都能夠藉由數據做出更好、更有效率的決策。

他以服飾業為例,在實體店中,有一些商品擺放的位置,顧客無論如何就是不會經過或拿起來看。他帶領學生與店家協力,透過店內攝影機,分析顧客進店之後的行為與路線,每周都會統計路線死角,調整沒有被觸碰的商品,到店內顧客停留的熱區,找出可以帶動銷售的陳列方式。

行銷數據顯而易見,缺乏整體營運思維

數據應用的面向很廣,可是台灣多數零售業者,仍只運用在行銷上,為什麼?

「支付、收帳的資料,是現在已經 ready(準備)好的數據,」莊皓鈞解釋,消費資訊是零售業一直有在蒐集的數據,對公司來說相對好整理,也能從中推導顧客分群等有用的觀察。此外,公司想要提高利潤,最快速能在財務報表上看見成效的,往往是打折、廣告等行銷手法帶來的績效。

換句話說,跟營運層面較有關係的數據例如採購、存貨,通常不會如此直覺,所以不易察覺。比方說,商品折扣可以從消費數據看到「當下」成績,判斷行銷有沒有效果。但鮮少有業者會再往回思考這個訂價策略,是否可能傷害到其他類型的商品,或是造成消費者疲勞(頻繁的促銷活動,讓消費者失去購物欲望),導致業績快速下滑,這些都是光靠消費資訊,無法歸納的洞見。

因此,企業如果想要追求明顯效益,就不會優先建置難以直接回收效果的系統,而且零售業者不像科技業,本身 IT、研發等人員配置有限,加上已經存在的資訊系統,需要人力維護、升級,都成為阻礙他們布署更多數據系統的原因。

不過,莊皓鈞認為,企業營收成長難免會遇到瓶頸,最終還是要雙管齊下,一方面繼續尋找刺激顧客埋單的關鍵因素,同時從內部著手,改善各種流程,以省下成本。他藉由國外經驗,整理出還有幾個方向:採購、陳列、訂價以及貨量,透過結構化的數據,改善決策品質。

系統化建置資料庫,因應人員異動、產品過期問題

莊皓鈞觀察,零售業過去做與商品有關的決策時,經常仰賴資深經理人「憑經驗」制定計畫。這麼做雖然不至於做出錯誤決策,但是假如資深員工離職、招募新人補位,組織難免會經過一段陣痛期,才可能回到正軌。

此外,生命周期短的產品(例如生鮮食物等),幾乎沒有時間等待消費資訊進來,決定未來還需要採購哪些品項、進貨多少。像是流行產業,會有過季、退潮流的產業,也無法倚靠當季的顧客消費資訊,判斷之後的採購決策,這些都會導致企業的營運成本提高。

因此,組織應該要回歸到「人的經驗」,存取人腦中的知識,彙集之前組織做出不同決定的依據、過程,建立系統性的資料庫,再交由電腦與人工智慧分析並找出最佳化的模式,才有辦法更理性地評估策略

例如替某些產品增加標籤,包括甜食、受女性歡迎、新技術等,未來即使出現陌生產品或由新人負責,也能快速配對同類型的產品與經驗,並推斷類似的進貨或行銷策略,是否能起同樣效果,「這些事情不是沒有數據,」他說,「只是過去都在人的腦袋裡面。」

至於從陳列來看,就服飾業者等低轉換率的產業來說,進來店裡的人很多、真正提袋的人卻少,光看銷售數據就容易掉進陷阱,錯過潛在的銷售機會而不自知。

對此,莊皓鈞提到,「這就跟電商會看顧客點擊了哪些頁面、逛過哪些商品一樣,」電商通路使用特定數據以優化服務,同樣能套用到實體通路上,而 A/B 測試就是一種有效果的做法。

舉例來說,莊皓鈞和沃爾瑪合作,研究改善賣場貨架陳列能否引發顧客購物的欲望。他們把 60 間分店區隔為兩組:一組會經由每小時銷售的數據,判斷賣場中是不是哪裡商品擺放不整齊或缺貨,系統再提醒員工去整理貨架或補貨,另一組則維持既有營運方式。經過 12 周測試之後,加入預警系統的分店銷售額的確有成長,缺貨情形也有改善

莊皓鈞解釋,這樣的預警系統,沒有改變實體零售店過往的工作方式,不會增加第一線員工負擔之餘,對組織來說也不需花費過多成本,就可以從數據改善營運品質。

留意數據「雜訊」,避免誤導決策

然而,即使零售業者增加數據的來源,或在實體店增設不同感應器,不代表就一定能經由分析,得出有效的結論。原因在於零售業每天蒐集到的資訊相當多且複雜,幾乎無法避免伴隨而來的「雜訊」,因此不容易確定哪些真的與銷售、營運有關,也可能會把無用資訊誤認為有用

以電商業者為例,除了購買資訊外,可以看到非常多顧客網路足跡。莊皓鈞曾與平台合作,建立提升回購率的數據分析模型,結果包含顧客跳轉幾次、哪些網頁,或瀏覽哪些類型商品等,就設定 200 多個特徵與變因,最後真正與回購率相關的,卻是「顧客最近一次造訪時間」,與「過去交易的頻率」等傳統指標。

他解釋,其他行為最後都會引導到這兩項表現,加上很多人在網路上不會留下真實資料,像是性別、年齡等,參考價值就會下降,因此愈是新的數據來源,不一定代表愈有效果。

再來,雜訊經常偽裝成有用的訊號,判讀時會找到表面以為正確、實際與獲利或成本無關的變因。例如一間連鎖超市發現,A 產品在天氣冷,或來客數超過 30 位以上時,銷售特別好,因此在每天人潮眾多的時刻,進行特別折扣以吸引顧客;可是同樣策略套用到其他分店時,卻發現人潮不是決定性因素,可能只是當地的特別銷售環境或巧合而已。

莊皓鈞指出,這也凸顯了一個很重要的觀念:

不是把所有的決策都交給數據分析或人工智慧,就可以找到最好的營運模式。

「我相信人的介入還是合理的,」每一次的分析,背後都存在一些假設,或只抽樣特定族群,不可能涵蓋或反映所有現實的情況。

同時,數據分析過程中也難以加入「商業規則」的條件,比方說透過數據解讀發現 A 商品與 B 商品最適合聯賣,但這兩項產品的母公司彼此是競爭對手,不可能一起銷售,這都得仰賴有經驗的採購人員察覺。

他強調,在經常會與顧客接觸的零售產業,數據分析、人工智慧或機器學習等新技術,可以理性、有效計算出「理想」的模式,而人則能藉由經驗與情感,將理想模式調整到能在現實中落實的策略,因此沒有誰取代誰的問題,最合適的關係,就是雙方能互相合作,找出帶動利潤成長的關鍵。

零售業數據應用比想像中廣,從店內陳列到人員交接都有助益

當每個產業都朝「數據導向」前進,零售業也不例外,但如果只是用顧客買了哪些商品的資訊、擬定行銷策略相當可惜,事實上數據能做到的事情更多。

延伸閱讀
加入經理人LINE好友