企业决策智能项目的五种失败姿势( 二 ) _信息快讯

统筹几千家门店、几万个SKU、多层分销体系，是一件非常庞大复杂的工作，数据之间无法协同，还有大量数据存在于纸质文件、报销票据等等。

文章插图

对A企业来说，看不到全局数据，生产、调拨、发货、库存、订货等各个业务单元，想要做分析预测也就变得十分困难。
举个例子，工厂要看到动态销售情况，掌握哪些款式卖的好可能要追单，会提前联系原材料厂商、对布料进行预处理，从而快速响应。
而A企业虽然有了一个系统，但线上线下的内部数据并不互通，依靠AI进行销售预测就不一定准确了，形成了“不了解市场变化——无法高效生产——做不到精准补货——消费者买不到或不喜欢——库存压力大现金流紧张——不愿意做数字化投入——更不了解消费者”的恶性循环。
姿势二：有意识，但数据质量低当然，也有一部分企业意识到了数据统一化的重要性，并且渠道统筹、内部推动更加有力，这样的企业往往会更大胆地拥抱AI 。
比如某食品品牌B ，很早就成立了大数据和算法部门，招揽了许多算法专家、开发人员，希望基于大数据搭建起消费者洞察模型，指导营销决策和运营决策。
作为传统企业， B是极有魄力和眼光的，但智能决策需要非常多的工程能力，而不仅仅是算法能力。
举个例子，要解决销售预测的问题，就要统一数据标准、采集全环节数据，联动渠道、门店销售、供应链、生产、库存等多种数据，让“从头到尾”的数据都被精准采集，才能避免供需不协同的问题。

文章插图

而食品赛道的特点之一，渠道多而散，既有大型超市，也有夫妻店、无人货架……这些渠道要货、补货的数据往往比较粗犷，有的小店经营者缺乏经验，库存还有很多，却报了一个超过安全水位的补货数字，安排生产之后，几个月根本卖不掉，影响退货率不说，消费者吃到的食物口感变差，还会损伤品牌口碑。
而要实现高质量的数据管理，需要的不光是高精尖的算法人员，还必须懂业务、懂运营，自主定义好数据标准，才能让后续工作事半功倍，训练出更适配业务的模型，真正让AI帮助减少不必要的损耗，发挥出技术价值。
姿势三：降成本，但轮子不适配没有企业对成本不敏感，一些“血厚”的老牌企业可以拿出足够多的预算，组建团队，自行开发决策智能工具，而更多企业会选择使用技术服务商造好的轮子，比如一些“行业大脑”“行业解决方案” 。
让更专业的人做专业的事，通过Paas、SaaS模式，能够大大降低企业构建决策智能的难度。但是，相比于数字化方案，决策智能对于个性化方案的需求度更高，许多“大脑”“轮子”可能并不适配企业现状。
拿我们采访过的化妆品牌C为例，在应用决策智能的时候就遇上了两个问题。

特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。