钛媒体特别专题策划《数字思考者50人》：探访中国50位独具代表的数字化思考者。我们理解的 TechThinker ，涵盖了中国数字化浪潮中的技术践行者、政策制定者与投资决策者。在这场长达10年的乘风破浪中，我们每个人都在分享技术进步的果实，却鲜有人知道结果背后的故事。我们期待通过《50人》，还原中国数字化推进过程中的关键决策，同时也为你呈现数字思考者们的管理与经营之道。

此前百丽时尚科技中心总经理季燕利先生曾在钛媒体发布了数字化思考三部曲：《百丽的核心竞争力与数字化》《从补货场景，看企业协同在线》《从无数到有数，如何深入数据应用与治理》。

本文针对数智化在零售企业的应用探索，从业务、管理与技术三者融合视角梳理了实践经验。

大模型技术出现后，数字化时代演化出三个阶段：

• 信息化：基于各个部门的业务流程形成的局部数据来辅助生产经营活动；
• 数字化：将企业所有的数据、信息进行整合，形成整体、统一、标准化的数字体系支撑企业全链路的生产经营活动；
• 智能化：在数字化的基础上，将各个业务运营节点进行规范的、标准化的自动连接及回路反馈，形成模块化的决策体系。

数字化的发展有个隐藏的现象在背后：在过去好几年里，大数据技术、数据治理、数据平台、数据应用的发展和孕育，有了很大的进展和普适，但没能重新去定义一个时代。然而大模型技术问世才刚刚过去不长时间，新的时代定义就已经产生了。我们都需要意识到，接下来随着这项技术更加深入的应用，我们的工作模式将发生翻天覆地的变化。大模型体系将成为驱动新经济范式的引擎，各个行业都要去探索人工智能技术如何在业务中运用。

前言：智能化给企业带来的优势

随着大模型在内的AI技术的落地应用，数据在企业中将进一步释放价值，从支撑决策辅助时的由资源转变为全面的生产要素，到真正落地成为企业资产——数据资产，其形态和价值都将被重新定义。

1. AI智能将大幅降低数据应用的门槛，让数据在更广泛的范围内产生业务价值成为普遍可能。
2. 探索大语言模型应用，将提升决策的全面性和效率，全面铺开信息共享的广度范围和纵向深度，信息传递的精准与效率也得以提升，进一步提升认知的统一和协同的效率。
3. 将实现数智助力生产力的跃升，从开发时代进入训练时代，通过大量数据应用闭环提供AI训练基础，自驱性的学习和迭代，沉淀和优化企业运营与管理的思维逻辑，最终形成企业的数智大脑，迸发强劲的生产力。

这将是一个逐步实现应用落地直至智能进阶的建设过程，局部的应用完成一对一、点对点的过程辅助，实现“建用结合”激活数字创新能力，逐渐形成企业运营、管理各方面的全量数字化连接与模块化应用，面向业务与管理的全局挖掘数据价值，驱动业务长效可持续增长，不断迭代形成超越自身的组织进化，不断增强企业作为一个整体与无限外部空间的连接与互动，助力企业拓展更广阔的发展空间。

如何才能实现AI智能的落地应用及优势发挥，前提是一体化、标准化的基础建设，核心是对资源意识的认知。

本文第一部分从业务流程到应用系统，再到数据资产目录来整体阐述业务结构体系的梳理，同时配套进行组织体系梳理，由此明晰了业务体系与组织体系的关系，并总结出数据平台作为业务、管理、技术三者融合的工具、手段和纽带，其从数字平台的层面呈现出了业务、组织和数据三者的关系。第二部分，每个岗位进行业务执行时，都会伴随着数据分析和生产过程，用结构化的横纵逻辑并叠加时间维度的立体网，来阐明业务运作过程中的数据分析体系和决策过程。文章的前两部分核心论述如何实现和完善一体化、标准化的基础建设。第三部分则是在如上基础建设上探索AI技术在企业中的应用。最后，在文末的第四部分，主要讲述了影响先进技术应用的总结思考。

随着大模型在内的AI技术应用，数据资产的形态和价值将被重新定义

第一部分 全面流程梳理

（一）业务体系的梳理

我曾发文《从无数到有数，如何深入数据应用与治理》，在文中介绍了“业务—系统—数据”的整体关系以及数仓推演战略落地的方法。探索阶段，我们先聚焦了核心业务板块价值链，开展业务、系统、数据的梳理；深化阶段，扩展到企业全业务价值链进行全面梳理，建立从业务流程、到系统操作、到数据流转的结构化框架，并统一汇集形成企业数据资产目录，将数据应用与数据源头打通，以数据应用规划视角推动数据仓库建设，促进“业务—系统—数据”的整体建设和动态优化。

1.  业务流程框架梳理

在体系深化阶段，我们引入了PCF流程分类框架®（Process Classification Framework - PCF）的方法论，对企业的全业务价值链进行梳理并搭建完整业务框架。通过三大原则：（1）面向未来而规划；（2）体现精细化管理的要素；（3）提炼出共享能力与运营能力，构建出从L1-L5的业务流程框架全景图。

• L1 价值链（块）：独立的价值主体，例：零售。
• L2 运营模式（段）：实现主体价值的业务结构，例：电商运营。
• L3 业务活动（链）：支撑价值创造的基础业务单元，例：电商商品运营。
• L4 业务流程（线）：业务开展的最小活动单元，例：电商商品上下架。
• L5 业务操作（点）：任务级别，细化到行动节点，例：电商商品上下架操作流。

全价值链业务流程框架全景图 - 呈现各环节核心业务能力

2. 系统结构梳理

系统是业务操作结构的固化，是数据底层内容的源头，在业务流程框架的基础上展开系统的结构化梳理，打通业务到系统的流转协同。业务到系统是通过最小单元进行一一映射，即从L5业务操作到系统功能点的映射。系统功能点作为系统层面的最小单元，往上汇聚成功能模块，再确立模块边界，最终形成系统间边界并确立信息流向关系，系统与系统组成系统集，系统的结构梳理形成系统自身的结构化表达。

我们定义了创新的L4流程节点卡片，以平面化的方式表达业务、组织、系统、规则的映射关系，打通业务与系统之间的联系，为下一步AI落地夯实基础。

系统的结构化梳理 - 以L5业务操作为起点逐步搭建系统能力

3. 数据目录梳理

数据目录是数据资产的清单，类似图书馆的图书目录，使数据资产易查找、易理解、易管理、可信任，更好地满足数据应用的需求。数据目录包括业务数据目录和指标数据目录，它们之间通过业务对象和指标进行关联：

• 业务数据目录呈现了整体业务全景图：L1-L3是以业务视角对数据进行分类，L4-L5是业务实体的数据化表达（呈现为逻辑数据实体和数据属性）。业务数据目录的L1-L5层，融合了业务视角、数据视角、系统视角对业务过程数据进行结构化的表达。
• 指标数据目录呈现了从战略到执行的全链路分析和管控逻辑：L1、L2是业务的分类结构，L3是指标清单（细分为3类：经营管理的KPI指标，业务结果管控指标，业务过程执行指标）。

数据目录为各业务域提供数据资产全景图，是业务运作过程和管理逻辑的数据化表达，通过完整的数据目录结构化梳理和规划，构建清晰的数据血缘关系，形成未来模型建设的语料基础。

数据目录全链路体系化梳理和建设 - 让数据血缘有据可依

（二）组织体系的梳理

1.      组织与权限的梳理

组织和权限的梳理是解决业务运作过程中看数与操作的范围与权限问题，系统的功能本身不复杂，复杂在于：在业务动态进行中，谁在多大范围内用此系统，谁能审批，谁有权限，权限是否符合组织流程与要求。我的发文《从补货场景，看企业协同在线》中曾详细描述这部分内容，在此简单介绍：

1.1 什么是组织中台与权限中台

组织中台主要提供标准的人-组、人-岗的关系，全面、实时、准确的反映了组织、人员的运行状态，包括人员岗位、组织关系、组织内的汇报层级等信息。权限中台是在组织中台的基础上建立的，是连接组织与业务系统的桥梁。什么人在什么系统可操作什么，而且操作结果的也能实时呈现。个人权限随所在组织、岗位变化而动态授权，从而在实时组织变化中，及时、动态匹配各系统流程节点的权限，保证业务在变化中顺利、高效运行，最终实现业务管理与权限管理一体化的闭环。

1.2组织中台和权限中台建设逻辑

权限中台基于组织、岗位的标准化，围绕员工的生命周期在员工不同工作阶段从入职到离职过程中自动赋予相应的权限，最终实现权限管理的自动化和权限自助化；一方面可根据组织确定不同应用系统的数据权限，例如：大区、分区、品类、品牌等组织人员的不同查数权限；另一方面根据岗位属性、岗位名称、岗位级别等确定不同应用系统操作权限，例如：不同岗位角色操作不同系统，同一系统的不同菜单，甚至不同功能点。

组织与权限体系建设，实现业权管理一体化闭环

2. 明晰业务体系与组织体系的关系

2.1业务流程与业务规则

企业运营过程中，各个业务环节的运行会有对应的流程（比如电商直播、货品采购等），在每个业务流程节点上，都有相应的岗位去决策、去执行、产生输出。每个流程节点上，操作人员做执行时都有输入（包括上一个节点或前段流程的结果数据、历史或参考数据，以及上一级的决策信息），同时执行也有流程节点相应的规则（包括业务逻辑和业务规则），执行以后产生的结果又会形成输出给到下一个节点，来接续着完成下一步的工作形成新的输出。 业务规则是驱动业务流程运行的规则体系，是决策往下分解到L5业务操作级别的业务动作的操作指南与规范或是排序，它为业务流程需要达到的结果与目标做了定义，确保了业务流程的顺利进行。决策流通过组织流程进行传递。业务规则就是业务流程与组织流程在L5业务操作甚至更细节的业务中的交汇介质。

2.2业务流程中的执行与管理

多个业务节点产生一个业务流程，流程中各节点的操作形成了业务流程的结果，如果结果没有达到预期目标，再去调整流程中的各个节点，直到达成目标为止，整个过程是一个执行过程，它的判断是以能否达成预期目标为标准，执行是有规则和标准的，规则和标准就来源于决策体系。

如果结果达到目标，此业务流程的结果就会传递到下一个业务流程作为输入。多个业务流程组成了企业围绕着经营目标开展的真实业务活动，业务流程之间的关系也将产生决策点，管理的本身就是一系列的决策过程。

2.3业务流程中的岗位与组织

站在整个业务运作链条上，从最小业务流程节点的运转来看，执行岗位所支撑的单个或多个业务节点，其结果由业务流程的管理岗位来决策评估；业务流程中的多个执行岗位之间，是由一个管理岗位来统筹的，统筹的过程就是根据业务流程的结果进行决策，根据此决策来调整各个执行岗位的操作，再根据操作后的结果进行再决策，这就是组织和权限体系所表达的：谁、在哪儿、做什么，整个回溯与循环的过程就是业务活动。在现实业务活动中，管理者经常以开会的形式，组织执行者理解管理者的决策，同时安排执行者去操作，然后再开会，将新的操作结果进行分享和复盘，以达成共识，决策通过信息自上而下地传递，形成了决策流，执行过程与结果的信息自下而上地汇聚，周而复始循环。上述所讲的内容就是部门内部的业务活动过程，部门和部门之间也有类似的管理决策关系，从而在整体上形成了逐层向上的信息反馈和汇报体系，以及相对应的逐层向下的决策体系。

2.4业务流程的完整闭环需要在组织流程中实现

在前文“业务流程框架梳理”中有介绍L1-L5的业务流程框架，L1是顶层设计，L5是具体业务流程中的操作节点设计。L1各价值主体的横向的连接，是一条连贯的线，没有断点。如果有断点，企业没法完成整体经营活动，也就没法生存。L5的各操作节点理论上也应该能完全连接起来，也应该没有断点。但在现实中由于分工的存在，一定有断点，而这些断点之间的连接就是L4到L2所要解决的，也即企业管理中的组织设计。组织设计的落地，也就是决策体系和组织流程。组织流程在业务节点上的表现就是一套权限体系，其确定了各个岗位在业务流程中系统的操作范围和权限，在数据体系中的数据范围和权限。如果岗位设计不合理，或者权限设置不合理，就会造成业务流程数据的不完整；如果岗位之间的衔接设计不通畅，造成业务运营过程数据的不完整。组织流程是保证各个L1到L5之间的有效连接，自下而上接收业务数据，分析形成信息，信息流动、互动、达成共识，形成决策，自上而下传递决策流，协调、组织和控制企业各种资源，支持和促进业务操作的顺利进行，从而实现业务流程在企业整体上的贯通。

示例：业务流程与组织流程的关系

（三）数据平台价值体现的三大要点

业务体系和组织体系是企业运作中不可分割的两个方面，两者通过信息流和决策流进行密切的联系和互动，使得企业的各个部分组成一个整体。数据是信息流和决策流的基础，数据平台是连接系统与前端应用、协同应用的桥梁，在技术架构上承上启下，将数据的“进、存、出、管”在业务体系和组织体系的交互中全面贯通，数据平台是企业的业务、管理、技术三者融合的工具、手段和纽带，其价值体现取决于如下三大要点：

1. 数据目录是核心

以货品数据域举例，订货、首单、订货比例，这些都是数据，都会以物理表的形式沉淀到数据仓库里。 数据目录将数据仓库里所有全景数据以业务视角进行完整呈现。通过业务-系统-数据的结构化梳理，形成数据目录，也就相当于梳理出所有的业务环节，有多少业务环节有数据？多少没有数据？有数据的，是人手工填写的？还是系统采集的？所以，我们可以用数据目录，来评估系统和业务的完整性。通过数据目录的梳理打通业务、系统、数据之间的逻辑，把分散在各处的数据，全部进入到数据仓库进行统一化的管理，统一的过程就是数据治理，数据治理简单而言就是将数据进行标准化统一管理，将数据应用与数据源头打通，从而，我们可以用数据目录，来评估系统和业务的一致性。

打通业务-系统-数据形成企业数据资产目录 - 让数据资产一目了然（结构化、标准化、统一化） 

2. 数据完整性是前提

数据化首先是要有数，流程是业务的运营过程，具体的运营体现在流程节点上，具体的流程节点是否有数据记录，记录的数据是否完整，在零售行业也就是帐实相符，也就是现象与数字的关系。其次，在流程中节点串联的结果是否一致，就是帐帐相符，也就是不同现象之间，用共识的结构框架，核查框架与框架中的数值是否对等。帐帐的结果是否满意，就是业务运营的过程。把“帐”与“物”合理的管理起来，达到最大效率，就是对管理的水平的评估，而评估的要素就是数据。数据的完整记录，体现为过程和结果的数据的完整性，同时也体现在记录的颗粒度。例如存销比指标，当前是5:1，未来目标是3:1，那么存销比从5:1到3:1的过程，就有了数据化的记录；未来存销比达到目标3:1的过程，可能需要半年时间，那么到底是每个月记录销存数据，还是每一笔销售与进货都有记录，这就是过程记录的颗粒度。在此基础上，面向未来提出新的想法、新的战略，也会映射到数据上的变化：今年的变化、明年的变化、未来的变化，都在数据里，而且这些数据的变化过程，都需要有详细且全面的记录，以呈现出决策的效果。

3. 数据实时化是关键

只要业务在运转，不管是否有系统的支撑，都存在业务流程。过去，在没有计算机的时代，用手工填表的方式，也能完成各个流程并全部连通，以及完成记录信息。这个全部连通和记录就是组织流程。这就要求组织流程设计和业务流程设计在时间节点上环环相扣，这样信息流才能完全通畅，从而才有尽力减少各个环节延迟和误差的可能性，这就是管理。随着企业规模的扩大，组织层级的增加，一线的业务信息传递到管理层的延迟周期越来越长，差错率越来越高，失真度越来越大，会导致决策效率和效力降低。这时运用技术手段，流程可以用系统来支撑和记录，跟手工比提高了效率；同时，相比较于过去用管理的方式，更容易实现缩短延迟的周期。这也是企业进行IT建设的核心原因。数据仓库的统一建设，进一步促进系统所收集的数据的整体性、标准化、实时性，把信息流的传递和决策流的执行在企业运营上的延迟降到最低。通过对数据的应用验证信息流是否完全通畅，又能反向检验组织流程设计和业务流程设计是否达到环环相扣，进一步减少各个环节的延迟。“实时”这个概念，核心意义就在于缩短延迟的周期，也是IT支撑业务最大的价值。

（四）业务、组织和数据的关系

企业经营的目标可以高度总结为：以最小化成本、产生最大化收入，也就是我们有什么资源、用什么流程、做什么事情、达成什么目标，本质是基于企业的经营目标依据业务结构和组织架构进行分解，由一系列的业务流程来承接，通过组织流程连接业务流程，传递决策流，成为我们在每个业务执行过程中的动作和结果的评估标准，也就是形成了从经营目标的评估体系到业务过程的分析体系，从决策的预测体系到具体业务操作，通过从最小业务操作节点汇聚到业务流程，业务流程沿着组织流程连接汇聚到业务活动，最终到业务全局的结果呈现与反馈，再进行决策调优，形成不断滚动执行、不断反馈、迭代优化的业务与管理的双修正回路。

通过对企业经营的整体过程进行高维抽象，明晰了“规则”、“组织”与“数据”是企业经营的本源要素。我们可以看到，从业务执行逻辑上业务流程、流程节点和目标、结果的关联性，从组织协同上岗位在流程执行中的工作、输入、输出、不断循环，以上的关联性和输入、输出都体现在数据上。由此我们展开对AI模型应用的构思，希望实现在这些业务流程节点上具备拟人化的效果，可执行对上一个业务结果的认知、对数据的分析，同时基于标准的业务规则形成该业务流程节点上的自动化动作，并推动下一个流程节点的运行。以业务经营目标为出发点，通过人工智能技术赋能企业协同进化与数智化升级，结合动态平衡的管理思路，策略介入过程点对点实时性纠偏，实现从局部优化到全局最优的迈进。

对企业经营管理逻辑进行高维度的抽象，明晰“规则”、“组织”与“数据”是企业经营的本源要素

每一个岗位在执行业务动作或业务操作时，都离不开数据的分析和决策判断，因此业务运作过程是非常复杂的。下一部分，我们尝试着用结构思维、横纵逻辑、滚动预测等要素构建出一套结构化的数据体系，通过这样的方式将复杂的业务运作过程立体化描述出来，供大家参考。

第二部分 建立统一的业务数据体系

（一）业务数据体系的结构

理解世间万事万物，都需要化繁为简，任何科学与认知的产生，也都是由复杂到简单的过程，其应用则是由简单再回到复杂。同样，企业的业务运行中有很多相互关联、相互影响的业务因子，这些相互影响的变量是一套复杂且不断循环迭代的逻辑，而我们需要做的便是将复杂的逻辑简单化，建立一个通俗严谨的模型去呈现与分析，否则就很难找出问题或机会点。

在本文的第一部分中，为了结构化的呈现出企业业务运作的全貌，进行业务流程框架梳理，构建了从L1-L5的业务流程框架全景图，其中L1 价值链：独立的价值主体，每个独立的价值主体都是业务运行平面的纵向领域，而价值主体之间的相互影响的关系，是业务运行平面的横，纵横交错就组成了当下的业务运作逻辑。

每个独立的价值主体L1都下钻到若干L4层级业务流程，各业务流程都由若干L5业务操作组成；数据是对业务操作过程和产生结果的记录，是具备度量单位的值，是对业务活动的呈现，也是企业进行决策和管理的重要依据的来源。其一，数据描述了不同岗位的角色在业务流程中的操作，并记录和描述其操作的结果值；其二，通过数据的纵向领域的上归类、下细分，横向领域的关联分析，形成信息，提供给管理层进行决策和管理；其三，各业务活动的时间轴上运转，交互作用并最终产生业务结果数据；于是，基于数据建立起反映业务运行动态的三维立体模型，来呈现出业务运行的动态情况。

• 业务运行平面：纵与横

1. 纵：（1）各价值主体中具有上归类、下细分的特性的各节点构成纵向领域，纵向关系也就是父节点等于所属的各子节点之和的关系，纵向连接就是这种父节点与子节点之间的连接，同时需要注意的是其中各子节点之间的连接关系属于横向连接（后文具体介绍），这种横向连接的发生，往往需要媒介；（2）直接推导的关系，也即由A必然得到B，由B必然得到C。例如：货品领域，从品牌依次向下细分到单款：品牌→年份→季节→大类→系列→价位段→单款。某一价位段的货品，等于属于此价位段的所有单款之和，不论从数量上还是从价格总量上，这就属于纵向。此纵向范围内的单款甲与单款乙之间发生连接，就需要加入另外的连接媒介，比如不同场景下的搭配的建议，设计上的互补/对比款等等，这就属于横向连接关系。横向连接关系的逻辑源头一定是来自于系统或组织的外部。
2. 横：所有不具备纵向领域的上归类、下细分特性的两个节点之间的关联。例如：（1）各价值主体的连接，如供应链、物流、零售等的连接，这时这些主体的集合就是企业的整体经营成果；（2）某一店铺内，销售动作导致了库存较少，销售节点与库存节点的连接就属于横向连接，库存上的变化，不仅仅可能由于销售动作，还有调货动作、到货动作等等共同造成影响，所以调货动作、到货动作都与库存之间是横向连接。（3）单据的流转，随着货品流动，从工厂到仓库到店铺；都属于横向的连接。因此，在某个价值主体内部，也既有纵向连接和横向连接，其中业务规则属于横向的连接。

• 时间轴

业务运行平面，也即某时间节点的业务切面，惯例上，时间点的间隔多为日、周、月、季、年，而将这些多个时间点上的业务切面连贯在一起，就是动态的三维体现，就可以研究趋势。

业务运行的横、纵、时间轴三维立体模型

（二）业务数据体系的内容

在业务运行平面上，众多的纵横之间，也需要建立起由复杂到简单的结构化模型，以形成对业务运行的真实状态的呈现、评估、分析，以下将从数据的角度展开对业务逻辑的剖析。

生意的本质是份额、利润和库存。份额是用规模所体现的，同时也代表市场地位；利润反映的是业务经营管理能力，体现在销售、成本和利润；库存主要看库存质量，评估销存结构之间的差异，代表的是商品运营能力，体现的是整个组织和业务流程面对市场变化的反应速度。它直接影响着销售和利润。

1、评估体系

站在整个企业的宏观层面，战略的重要一环是对整体市场情况的综合分析评估，结合企业自身和主要外部竞争者的竞争态势，用数字结构具体体现出来，如根据市场份额的占比，制定目标方向，落实到规模增长上，匹配相应的资源及投资，评估整体预算的合理性，这是从市场层面的数字评估体系。

行业数据洞察：剖析渠道及品牌的市场份额，动态分析自身优劣势

有了战略和规模的数字结构目标，业务作战单元的日常业务运营要实现高效达成目标并均衡发展，就需要建立完善的分析体系和预测体系，驱使分析体系、预测体系与评估体系之间形成回路，基于数据进行动态调整。

2、分析体系

基于最基本的业务数据逻辑（收入-成本=毛利，毛利-费用=利润，下文中简述为：收入-成本=毛利-费用=利润），沿着企业的核心业务结构往下层层分解剖析，找出关联，从而形成能真实呈现当下业务运营现状（业务切面）的数据分析体系，以线下直营零售业务为例：

2.1业务结构

从零售业态的特征来看，其中纵向的主线，是以营运结构为主体的零售管理，和以货品结构为主体的商品管理，是业务的两大核心。

2.1.1营运结构

零售就是通过销售渠道完成的，销售渠道最终的原点是店铺，线上和线下都一样，店铺是商品与消费者直接接触的地方、是实现销售的地方，因此店铺的运营是我们管理经营的根本、是核心。业务结构的一个纵就是营运，线下营运结构可以从大区、分区、片区、店铺级别到单个店铺进行划分，也可以按方位（南北）、省区、城市、商圈等划分到单个店铺。线上可以按平台、行业、品牌、店铺划分，这些划分的层级相互关联、构成了一个完整的营运体系。

单个店铺也有角色定位，线下店铺的角色定位根据店铺所在位置、客流量、面积、租金等也分不同级别，一般都用A、B、C、D表示。线上也同样有划分，以平台、露出等划分。最后，单个店铺的定位都表现在销售额和折扣上。

业务结构：营运结构

2.1.2货品结构

业务结构的另外一个纵就是货品，不同的品牌的货品结构不同，货品结构的划分反映了货品管理的水平，以运动品牌的货品结构为例，包括品牌、季节、大类、性别、系列、上下装、款式、价位段、上货波段等各个维度，货品结构是通过数字占比表示出来。例如：季节销售占比、鞋服配的大类占比，性别、系列、款式、价位段各自的占比等等。当然占比是有变化的，不同的品牌、不同的地区、不同的店铺，货品结构是不尽相同的，同时也会存在相似性，如A类店铺的货品相似度高等。

业务结构：货品结构

2.1.3营运结构与货品结构

在零售企业中，业务运营包含营运管理和商品管理这两个纵，是业务的两大核心。从营运的纵往下细分：全国→大区→分区→城市→片区→店铺；从货品的纵往下细分：品牌→年份→季节→大类→系列→价位段→单款。就像“剥洋葱”：一层一层的关系、逻辑和结构非常清晰，分析的时候按照每层的结构一层一层剥，营运的纵剥到最小单位——单个店铺，这是营运管理的核心；货品的纵剥到最小单元——单款（单SKU），是货品管理的核心。通过层层由外到内、由大到小纵剥找出关键的链路以定位问题，就是关键链逻辑。

比如：当前总体存销比3.4的状态，基于我们经营目标需要尽量以最小库存达到最大销售额，则我们的关键业务指标“存销比”也需要控制在合理的范围内，因此我们首先要做的是沿着业务链通过系统挖掘来定位问题，先按照营运结构从“总体-分区-片区-店铺”的链条来逐层分析存销比情况来精准定位到最小单位（也就是店铺），找到问题店铺后，再通过货品结构的分析从“大类-性别-新旧-系列-子系列-单品”的链条分解到最小单元（也就是找到问题单品）。最终遵循的就是在业务链路上定位到最小的问题所在，通过指标反映异常，通过营运结构、货品结构这两个纵分别逐层挖掘问题所在。这里的举例是先看营运这一纵向领域的关键链，再看货品这一纵向领域的关键链，现实中会根据目的来确定主视角，也可以先看货品领域再看营运领域；有些小的局部问题的解决，也可以只看某一单个纵向领域的关键链。

营运结构与货品结构 - 纵向深入关键链，横向连接关键变量

而营运管理和商品管理这两个纵之间的关联，体现的则是横向的管理逻辑，研究营运的纵和货品的纵之间的关系--横向的连接，就是研究“进、销、调、存“之间的关系，是零售企业的业务管理核心。通过纵向关键链只能找到问题点，只在纵向考虑则只能局部最优，而横向就是连接，就是局部最优和其他模块和整体之间的互动关系，局部最优到底是不是整体最优呢？不一定，比如，打赢了一场战役，输了一场战争。每个纵向问题点有多个横向影响因素，连接这些因素就是找到变量之间的关系，而这关系就是不断从横向找到整体的过程，在过程中就会发现关键变量对整体的影响，从而确定针对关键变量的具体策略。以下分析体系便是研究变量之间的关系的数据结构体系。

2.2基于业务结构的分析体系

2.2.1 业财分析体系

业务财务分析体系

前文中提到最基本的业务数据逻辑：收入-成本=毛利-费用=利润，这是零售企业底层逻辑的横，以上图例能具体展示出基于业务结构的业财分析体系。

1、看整体：收入-成本=毛利-费用=利润，收入来源于实际的销售，成本是货品的进货额，毛利是销售与进货的差额；费用是从进货到销售投入的各方面非货品的资源总和，利润是毛利扣除费用之后的净额。

2、看业务：基于业务核心的结构看两个纵，一方面是营运的纵，沿着营运结构，由最小单位-单店的销售向上合并；另一个方面是货品的纵，沿着货品结构，由最小单元-单品的销售向上合并。

3、看费用：包括经营费用和管理费用这两个纵。经营费用直接与经营活动的场所有关，主要包括：最小经营单位（店铺）的人工费用、商场费用、门店装修费用及其他；管理费用是以最小管理单位的行政办公人员工资成本、办公杂费、物流费、办公室租金等。不同层级看的范围不同，但是都由最小经营单位和最小管理单位汇集而成。

2.2.2 业务分析KPI

收入、成本、毛利、费用都是相互关联的，需要一整套业务财务分析的指标，用以呈现出实际业务运营管理的情况。

（1）单一原子指标：单一原子指标是指数据分析中最小的可度量单元，通常是一个数值或一个计数，用来描述某个特定的事件、行为或状态，它是表达业务实体原子量化属性的且不可再分的概念集合，包括：销售额、店铺数、货品成本额、商场费用、工资额、人数、装修费、店铺面积、租赁费、物流费等等。单一原子指标是对指标统计口径算法的一个抽象，等于业务过程（原子的业务动作）+ 统计方式。例如，销售（事件）金额（度量），货品（事件-订货）成本额（度量）。

（2）复合指标：指建立在原子指标之上，通过一定运算规则形成的计算指标集合。是为了反应出业务运营的某些特征，需要将若干个单一原子指标放在一起分析，例如：存销比、售罄率、同店同比、店均人数、人均销售、人均工资、工销比、管店比、成本率、费用率等等。

（3）派生指标：一般而言，单一原子指标与复合指标都不会独立出现，一定是与一定的维度进行组合才有意义，这就形成了派生指标。派生指标指建立在原子指标或复合指标之上，在业务限定的范围内，由单一原子指标或复合指标、时间周期、维度三大要素构成，用于统计目标指标在具体时间、维度、业务限定范围内的数值表现；派生指标反映企业某业务范围内的业务活动在一定的时间周期内、一定维度上的业务状况，例如：最近一周在某大区的A类店铺的销售额；10月份某城市某单款的售罄率。

（4）分析模块：是建立在指标组合上产生的数据分析结构，是相关联的多个指标有逻辑的组合，用以充分呈现出业务运营的统计属性、管理属性等的实际情况，例如：由折扣、单产、同店同比等组成“销售状况”模块；由存销比、售罄率、折扣等组成“货品状况”模块等等。针对不同岗位类型，关注的分析模块是不尽相同的；而针对同一岗位类型、不同的组织层级，关注的分析模块及相应的KPI是相同的，只是组织范围不同，这套分析结构体系就是研究相应的纵的节点之间的横向关联关系。

业务逻辑系统化关联，形成指标分析体系

分析模块代表的就是业务切面的横向领域的数字结构化表达，是相关性分析，由此可见，在业务的时间切面上，操作在纵，分析在横。当多个时间节点的切面进行串联分析时，站在时间轴上看相应的复合指标组合的动态变化，就是趋势分析。所谓数字化的系统实现就是，用一维的数据呈现在二维的框架结构中表示三维的不同现象。现象千变万化，框架结构是相对稳定的，框架结构中的不同时点的数值是力求真实反应现象的动态变化，因此，数字化就是业务运营现象变化过程的记录，其记录过程的完整性代表数字化的进程。

模块分析串联形成框架结构，纵向关键链定位，横向要素关联

2.2.3 最小单位与单元

企业从销售到利润（收入-成本=毛利-费用=利润）的分析，不只是简单的数据和公式，它是结构，也就是业务切面中的纵与横的框架结构。比如店的分析逻辑是由单店上到街铺商场、城市级别等组成，货品是由单款上到品类等组成。销售都是一个一个订单和商品组合出来的，也都是由人（店员）在不同的店内卖出的，上归类到组织、店、货，下细分到每个人、每家店、每件货，也就是点，将这些点联系到一起，就形成一张网。网中的每一个点都有上下左右的连接。因此，需要建立基于最小管理单位（管理费用为主，包含人事与财务）、最小经营单位（以销售为主）、最小单元（货品，单SKU「Stock Keeping Unit，库存单位」）往上汇总的分层级的、标准化的、统一化的连接和数据分析体系，沉淀出业务过程与运营管理的共识经验，通过趋势分析，来制定策略。例如：常用的货品策略有降低存销比、提高售罄率、提高折扣率、调整结构等等，每种策略都有其优势和劣势，且策略之间产生相互影响，甚至是形成互斥，因此策略的确定是一个综合性的选择，其执行过程要进行动态调控，通过不断的反馈与调优，形成增强回路，才能达成共同目标。而这一过程是组织管理体系、业务运作体系和数字平台能力完美融合的终极体现。

基于统一框架，构建三维滚动数据网

3、预测体系

3.1 预算

预算是企业根据发展战略，制定一个周期的整体性策略，也就是资源与份额的匹配。 预算的制定，要从最小管理单位、最小经营单位及最小经营单元制定，并根据公司组织结构汇集到不同层级的组织，按照店铺结构、货品结构构成对应的数据指标（KPI）。一般的预算分成五大部分：①开关店预算是基于公司战略和规模目标，制定年度渠道计划，讲的是店铺结构，并对收入测算提供渠道结构支撑；②收入预算，讲的是店铺结构和收入结构的关系，是在渠道计划的基础上，按照最小经营单位——店铺来编制；③商品预算，讲的是店铺结构匹配不同的商品结构，来制定商品的流转，是围绕着最小管理单位的维度编制；④费用预算，讲的是以最小经营单位和最小管理单位的费用构成，主要包括经营费用和管理费用；⑤损益，讲的是前面四块预算的测算结果，按照排列组合形成损益结构。

预算的逻辑和构成

3.2 OTB

OTB（Open-To-Buy）直译为开放购买，意为采购限额计划。所谓的采购限额，是在给一定时期内（国外通常是1个月）计划采购额与采购员实际购买款项之间的差额。它代表着采购员留待当月购买的数量，并且随每次购买数量的上升而下降。OTB根据预估营业额和资金以及商品的周转率，帮助任何规模的零售业者进行预测和规划未来12个月中每项商品的每月采购计划。透过OTB从业者可以分析得到最重要的管理信息，适时掌握所有商品的库存数量并对未来采购计划进行预测和规划，避免因为库存过大，周转率太低而造成损失。OTB是一种基于销售预测和库存目标的商品管理方法论，帮助零售企业从横向在供应和终端销售之间保持平衡，以实现有效的库存控制和进货决策。

3.2.1 OTB的构成

OTB我们也叫计划与控制，OTB的整体逻辑关系是：期初库存+本期进货-本期销售+调入-调出=期末库存，期末库存进行循环滚动，OTB的本质是：“进、销、调、存”。“进”指当期进货，包括金额、数量和结构；“销”讲的是实际销售，包括金额、数量和结构，也包括折扣；“调”是指调进调出；“存”是当前还剩下多少库存，同时也根据销售算出库销比，也就是库存还能支撑多长时间的销售。对照预算目标、业务结构（营运结构和货品结构）综合分析出运作空间，制定下一阶段的销售计划、进货计划以及折扣计划等，实现循环控制。

3.2.2 OTB的过程

OTB滚动计划时间维度一般会分解到月、周。第一层关注的是：到货计划、店铺数量计划（新店、老店、预开关店）与销售收入（折扣计划和单产计划），以及库存数量（预计店均库存与预计存销比）；第二层则是分析销售结构与库存结构，同时两者的对比是运营管理的核心。由单店往上归集，直到相应的分析与控制的管理单位，这里可能是城市，也可能是大区，最终归集到总部。通过与预算目标对比分析找到空间，再通过销存结构对比找差异，在横向维度中进行综合分析确定策略，如具体营运策略（提高单产和人效等），调整下一个周期的相关计划及据此调优纵向领域的相应的业务动作。

3.2.3 计划与控制

OTB作为计划与控制，都是滚动性的，也即具有时间轴特性，每个周期（一般为月/周）滚动到下一个周期，验证滚动调整计划中预测的准确性，并相应进行下一阶段计划的调整，据此审视和调优业务运营动作，如此循环往复。

OTB滚动计划与控制

3.3丽影产品——货品的全生命周期

既然OTB是以营运角度为主线来横向反映“进、销、调、存”，那么从货品角度来看“进、销、调、存”会是怎样的情况呢？从单一商品来统计相关的渠道汇总销售数据进行分析，由于货品构成的数量庞大，单靠人工难以进行精细管控，因此简单的系统工具仅能支撑在单一时间节点到单店的货品品类往上汇集，无法做到单品的全生命周期的数据呈现。

在本人之前发文的《从无数到有数，如何深入数据应用与治理》中介绍了我们与滴普科技联合共创的“丽影”产品，通过对多维度、多指标数据的实时分析及全价值链数据模型构建，探索出单品的全生命周期的动态数据呈现产品。其核心本质就是实现了单品的“进、销、调、存”的直观完整呈现，可以从单品的角度按各营运层级来汇集数据，把单品全生命周期的数据在一个界面上完整的呈现。

满足了单品全生命周期后，沿着营运结构和货品结构，结合时间节奏实现更全面的呈现，丽影洞察从单品洞察扩展到品类洞察、店铺洞察、区域洞察、订补日历、销售日历，达到货品全方位数据呈现。其中：

• 品类洞察：是对品类结构与节奏更精准地呈现；
• 店铺洞察：能够快速查看每个店铺每天的销售及库存结构，将店铺全量SKU的进销调存细节全部可视化呈现，并且能够对比各店铺间季节商品每周/月的结构和节奏变化；
• 区域洞察：从管理维度，将不同的区域进行对比分析，呈现各大区季节商品每周/月的销存结构占比和节奏变化；
• 订补日历：呈现从全国-大区-城市，各区域的订货、补货节奏；
• 销售日历：呈现全国-大区-城市-店铺，各区域每天/周/月不同品类的销售结构与节奏，以及SKU的销售细节。

丽影洞察 - 从宏观到微观，全维度呈现商品运营历程，辅助业务订铺补调决策

3.4预算-OTB-丽影之间的关系

过去，OTB是把预算的空间规划和业务过程衔接起来，进行周期性滚动验证主要依靠Excel手工报表或简单的工具，而这种方式只能验证核心KPI的合理性。丽影实现了从货品维度在时间轴上拆解到最小单位、最小单元的全生命周期的数据呈现。从丽影往上汇集并连接至OTB，在时间维度上进行立体的衔接和响应，依据框架结构在目标时间节点上呈现经营结果。预算从上至下，以营运纵向为主线，丽影自下而上，以货品纵向为主线，二者在OTB滚动过程中的目标时间节点上达到横纵连接。将所有要素更全面、细节的过程数据在时间点上形成一个个二维的切面，再沿着时间轴形成连续性的动态呈现，汇集成一个全量的三维立体的滚动数据网。预算与OTB的滚动逻辑可借助丽影洞察的强大数据原子能力，得以实现进一步细化，增强营运维度的滚动数据细化至周、天，同时补齐单货品维度全生命周期，从品牌/年份/季节/性别/大类/小类细化到更小的子系列、价格带、单款层级。

预算-OTB-丽影洞察之间的关系

4、整体的结构关系

评估体系基于的是战略，战略意味着方向，基于战略制定的规模目标，主旨是评估整体预算的合理性，这是从宏观层面的数字评估体系，将预算目标纵向层层拆解，确定预算的可执行性；预测体系包括预算和OTB，预算意味着资源，要与战略相适配；而OTB是在方向和资源基础上，去评估现在的过程和进度，从而制定下一个阶段的计划，通过滚动进行预测与控制，以达到预算目标；分析体系则是在预测与控制过程中找到纵向调整空间后，再依据横向连接关系进行趋势分析与评估，来保障目标达成。

4.1 预测执行体系与评估体系的关系

单一的数据本身没有价值，数据之间的关联及逻辑才能形成辅助决策的价值，而数据之间的关系正是体现了业务横向连接逻辑。评估体系一定是站在企业最宏观的角度，是最综合的底层横向逻辑，是企业内部与外部市场形成的整体连接；而预测体系，是为了实现目标所进行的过程管理建立的体系，将评估体系确定的综合性目标匹配上资源进行明确并细化分解。

下图示意的就是零售业务数据的顶层逻辑。

• 份额的变化趋势对比市场整体的变化趋势，揭示的是整体业务结果是否可持续发展，简单理解也就是股民的“是否跑赢了大盘”。
• 收入（规模）的增长向上对比份额的增长，说明超额收益的能力，例如品牌影响力、市场定价权等；收入（规模）的增长向下对比成本的增长情况，说明业务运营的效率是否有提升。
• 收入、成本、毛利，这三者的数据关系是业务分析，展示的是业务能力，其以规模为主体。
• 毛利、费用、利润，这三者的数据关系是经营分析，展示的是管理能力，其以营收为主体。
• 企业从收入（规模）到利润（收入-成本=毛利-费用=利润）的过程就是战略落地或者说战略执行的过程。预测执行体系是为了达成目标，在企业内部横向连接里找空间去实现目标。而评估体系是将战略目标明晰且可衡量，是战略和规模的数字结构目标，通过对比分析市场、份额的变化和规模的增长趋势执行结果三者的关系，评估战略制定和执行情况中存在的问题及未来的机会。评估体系是企业在业务体系内进行纵向节点上的内外连通，去探寻空间谋求发展。

整体结构关系：战略与策略

4.2 预测执行体系与分析体系的关系

4.2.1纵向进度评估

通过收入/销售与预算目标进行对比，评估是阶段性的超额、持平或不足。列表示意如下：

4.2.2 横向空间识别

4.2.2.1 销售与预算对比

进度超额与持平的情况下（销售>或=预算）：首先评估是否资源投放超前，再按照业务结构进行销售结构、库存结构的对比分析，评估下一个阶段预测的准确性，以评估超额与持平是否是牺牲后续业务运营为基础形成的。

进度不足的情况下（销售<预算）：基于预算目标-已完成的销售，得出未来月份的应完成目标，对比原始的OTB计划，差异也就是需要完成的空间，以此为目标，需要增量来完成相应的目标。

4.2.2.2 角色定位

业务数据分析体系里，核心思想是：角色=结构，“角色”即定位，店铺的级别定位（例如A、B、C、D级）决定了货品的结构，同时，角色定位是判断销与存的结构对比是否合理的依据。例如：A级店铺（旗舰店）的角色是：品牌形象、新货销售、市场影响力；D级店铺的角色是清货出口。这种“角色”的定位是判断当前销售结构的依据，也是评估销售结构和库存结构之间的匹配合理性的依据，销存结构是制定下一个阶段的策略的核心依据。

业务数据分析体系的核心思想：角色=结构

4.2.3 确定策略与执行

“预算-OTB-丽影”基于统一的框架结构实现数据上下纵向贯通，左右横向连接，沿着时间轴构建出了一张三维立体滚动数据网，不同时间的营运结构、货品结构都在这一张网中动态、连续、完整地呈现，结合核心业务逻辑结构中其他要素（成本与费用等）之间的连接，形成一张全量的三维立体滚动数据网，从而为具体业务脉问题和制定策略奠定了统一的语言体系基础和数据分析逻辑。OTB在特定时间点的业务切面上找空间，定目标，就是将业务的该时间点上的销存结构，与其“角色”（如店铺分级）决定的标准销存结构进行对比，再依据OTB在预算约束下分析得出的空间，确定下一阶段的目标销存结构。根据目标制定策略，要通过各分析模块的横向数据对比分析（按照“同比、环比、对比、竞争”四个视角）看差异，确定优先解决的方向，如销售增长、折扣提升等。然后在纵向领域顺着关键链脉问题，通过在多个纵向领域的问题点看横向之间的关系，找到关键变量，灌入时间轴的相应分析模块的数据研究趋势，从而确定具体的实施策略，回到纵向的问题点执行业务动作。业务执行到下个阶段的时间点上获得业务结果，业务结果回到OTB，横向贯通与最初的目标规划对比看改变，继续灌入时间轴的相应分析模块的数据看趋势的变化，确定下一个阶段策略的调整和业务动作调优，一直循环调优与回溯。

这一张滚动数据网里，数据越全、框架结构越完整、细分颗粒度越精细，对未来的预测和决策就能越贴近实际的结果。未来引入AI的基础，就是这张数据网的基础建设和不断完善。

基于统一框架实现数据贯通，构建“目标-差距-空间-问题-决策”的整体回路

从第一部分论述流程和岗位的关系，到本部分阐述的数据数据体系的逻辑，尤其是结构化的网状的横枞连接，及其叠加时间轴的三维立体，是一个非常复杂的运作过程，岗位在具体业务运营过程中就是用数据分析的基础来支撑其思考与决策的，回到企业的视角中，由于每个人的理解不同，认知自然也就不一样，这就带来了差异，而这些差异的汇聚则会导致决策和执行出现不一致，致使企业的经营运作效率降低。这也是为什么数字平台的建设和价值完全取决于业务管理和组织管理能力的高低。接下来的第三部分旨在探索AI智能在业务运营过程中如何能够尽可能的对齐差异，从而辅助业务分析与决策。

第三部分 AI技术在企业中的应用探索

（一）通过AlphaGo的逻辑探索AI技术对业务的价值

1.AlphaGo的逻辑

AlphaGo（阿尔法围棋）是一款围棋人工智能程序，其主要工作原理是利用蒙特卡洛方法与计算机算力结合，实现对围棋棋局的推测。通过对弈局面的分析去模拟棋局，即“这一步怎么下，下一步对手可能怎么下，下下步又可能怎么下”，从而在棋盘上衍生出各种执棋可能性。一棋子落下，就形成了一个棋局，以此为起点，可以有众多个棋局对应，此起点对应的众多的棋局，就是一个纵，找出所有与此起点相关联的众多个棋局进行运算分析，形成最优解，而此最优解就是横向连接上一步对方的落棋点，并促成对方的下一步的执棋，然后每一步都进行对战步骤的回溯，以此循环往下，就能够在实际对战中找出得分最高的那条路径，找到最优决策指导棋局走势。AlphaGo 所运用的核心算法即蒙特卡洛算法，通过1.选举-2.拓展-3.模拟-4.回溯 四个步骤来实现以上的最优决策，形成决策树体系。相比人脑而言，算力能够把算法无穷尽，把棋局看得更远，并穷尽所有可能对棋局发生的每一个局面进行模拟对战，针对局面的胜负进行总结形成路径回溯。

一棋子落下，就意味着下一个众多的可能，也就是可以用众多个棋局对应，这一众多，可以说成一个局，也可以说一世界、一乾坤。而双方每个落子之间又是上下因果连接，最后的结局就是每次落子上下因果连接的最终体现。

AlphaGO的逻辑

2. AI技术的业务价值

理解了AlphaGo 的运行原理后，我们回看第二部分所讲的业务数据体系，基于一体化、标准化的评估体系、分析体系和预测体系，构建出一整套企业业务经营的三维立体滚动数据网，找出影响业务结果的关键纵，依据纵向关键链层层分解-定位问题-进行排序，再横向链路贯通-综合分析-形成最优策略，再回到纵向关键链中确定决策并执行，执行的结果直接反馈到横向链路，多维度综合分析趋势的变化，并据此进行策略调整，再到纵向路径执行调优，一直循环调优与回溯，形成增强回路。这样的一套逻辑在AlphaGo 上是完全映射与体现的。

当AlphaGo与人类棋手对弈时，首先AlphaGo 是学习了十几万套的棋谱规则，相当于建立纵向“关键链”的逻辑基础。同时，围棋是一种“对战”，AlphaGo 的对手会根据它的执棋产生不同的应对，这就是所谓的“环境”与“变化”，决策的产生不单单是AlphaGo 所理解的上十万套棋谱，更关键的对手做出应对棋招后的“反应”，驱动AlphaGo 决定“该怎么下”，这种对战的上下连接就是横向领域。我们再来对照看实际业务，AlphaGo对弈的每一盘棋局都是一次整体走棋“运营”，企业业务运营与这种走棋“运营”是异曲同工的，只是企业业务运营比这种走棋“运营”更为复杂。棋局中，棋盘边界明确而有限，角色只有棋手双方，而且对战的上下连接明确、串联且可穷举，然而业务运营的连接关系众多、交叉且并发叠加，业务的外部环境更是多变，市场在无时无刻的变化着，竞争对手也在不断的优化经营，面对外部的变化就对企业的决策和各环节业务运作的快速响应提出了更高的要求，所以企业在内部要在纵向关键链之上建立起横向复杂关联，即构建决策树，这种复杂关联可以利用AI模型和算力在各种应对局面下从多维度进行推演，更多、更广、更快、更细地助力企业全面的理解“内外部问题的连接”，从而在多个变量之中推演出相互作用的“问题”，通过对问题的纵向多链路分解和排序，然后横向链接问题的进行系统性的综合分析评估，平衡相关利弊做出最优策略选择，并在决策下达后持续观测“改变”的发生，不断循环与回溯，直到达成最优目标。

如此不断循环与回溯形成优化回路的过程，关键环节就是“找到问题、定优策略、看全回路”来形成循环增强。过去，这一过程都靠人的信息整理、经验和能力，要求人在业务决策各个环节进行多维度思考、计算、反应，并在多个关联性、共振性问题的情况下去分析、判断并做出决策，然而人从脑力到效率都有很大的局限，就像下围棋人可以看五步、十步，但计算机可以实现快速看五十步、一百步、甚至更多并快速进行回溯分析。基于企业的业务目标结合AI模型能力构建企业经营的系统性增强闭环，通过多维度推演、多次问题分解、无数次横向链接、多角度综合评估及再循环优化，实现横向升维决策、纵向降维执行、业务链各层循环调优突破瓶颈。因此，运用AI技术的核心目标应该是拓展与深化企业业务经营的纵、横、时间轴三维立体滚动数据网，突破人类大脑的记忆容量与算力瓶颈。这里面排序在纵，决策的思考在横，决策的动作在纵，建立纵的动作涉及横的关系，再根据横的关系变化调整纵的动作，这就是回路。依据纵的结果动态变化趋势找到横的变化的关键因子和最优组合，再调优纵的动作并循环优化，这就是增强回路。

（二）AI技术在企业应用的构想

从上文AlphaGo 的逻辑中，我们已经意识到企业的“运营逻辑”要比围棋的“执棋逻辑”复杂的多，企业所面对的外部环境、竞争要素及其相关联结果判定均不是简单的“黑与白”或者“胜与负”，因此，AlphaGo所采用的“蒙特卡洛”算法或与之类似的数理统计学AI模型，其无法完全满足企业运营当中所面对的复杂变量关系，我们只能在尝试性实践当中，将业务运营的多个变量中进行假设性约束条件，尽可能控制交叉影响并定义规则，做出局部性的优化建议，但这与我们期望的全局优化依旧存在一定的差距，即使这已经是当下较为成功的AI落地实践了。

去年年底，ChatGPT火爆全网，其所运用的大型语言模型（Large language model，简称LLM）代表了人工智能（AI）的重大进步，在传统数理统计学的基础之上，其能够通过大规模的训练数据和深度学习算法，理解和生成自然语言文本的能力，具备了更强大的模型广度与深度。在AlphaGO Zero版本中，也已经采用19层CNN残差神经网络评估节点得分，在加入复杂多层神经网络拟合的能力后，数据量越大性能则持续增强,机器可以自我寻找特征与规律形成参数沉淀。那么，大模型（LLM）的诞生将给企业业务经营的纵、横、时间轴三维立体滚动数据网带来什么样的智能性突破，这是非常值得探索且研究的课题。

1. AI技术的进阶能力

由于市场环境与内部经营的复杂性，需要新一代的AI技术在横纵交织的最优解问题上带来革命性的突破。它能够处理多模态数据、理解上下文、提取知识、个性化推荐等，从而提供更全面、准确和个性化的最优解决方案，为业务决策和优化带来了更大的灵活性和效益。

• 多模态数据处理：不仅可以处理文本数据，还可以结合图像、音频、视频等多模态数据进行综合分析。当下的企业数字化建设中早已不是简单文本类型数据了，例如：我们在研发环境有各式各样的图纸类数据，在订货会环节存在着海量的音视频数据，这一类的数据都会可能会成为运营决策中的重要一环。
• 上下文理解与推理：要具备对上下文的理解和推理能力，能够考虑多个变量之间的关系和相互作用。随着业务的壮大，纵向的业务关键链会越来越多，这也必然导致横向的链接点产生成倍的增长与泛化，基于模型可以综合考虑多个变量的状态和关联性条件，进行推理和优化找到最优的解决方案。
• 大规模数据训练与知识提取：通过大规模的数据训练，具备了丰富的知识和信息。相信每一位数字化从业者都会遇到过这样的问题，即与业务的交互中存在许多模棱两可的地带，则其中的典型就是“业务经验”，经验绝对不是一个“贬义词”，但经验如何成为一种可被具象描述化的“规则”或者“知识”是无法回避的话题，而大模型则可以从大量的数据中提取有用的知识和模式，帮助发现最佳的组合和权衡方案。

AI技术的进阶能力在企业的场景应用

2.探讨“品牌大脑”

基于AI模型的能力链接纵、横、时间轴三维立体滚动业务经营数据网，实现业务运营与决策迈向更广、更深、更快、更强的层次，是我们在探索AI应用价值的一致性认知与共同性尝试，基于全量的三维数据体系，各业务节点的充分连接，在此基础上加入AI的能力建立增强回路，核心解决的是人脑算力瓶颈与认知范围局限，实现从计划到滚动到控制，控制到每个细节点，搭建全面的连接体系，建立高效敏捷的修正回路。

“品牌大脑”构想：中央控制，全局联动，节点操作，顶层反馈

在这样的整体结构下，预算和OTB的目的是定业务框架和识别空间，决定了业务运营在某一时间切片内的现状与差距，明确了存在多少改善的空间，比如销售目标的差距要加大折扣力度，但目前已有的折扣空间或利润空间还有多少余量；丽影洞察则是帮助业务通过营运结构、货品结构、空间维度等不同层次与视角的组合，找到关键链进行关键点定位及排序，然后按改善目的，通过决策树的逻辑进行综合分析，选择关键点或关键点组合，制定决策动作并且预测或审视最终的滚动结果变化，并且持续评估施加策略后整个改善结果进行修正调优。以上的整体逻辑结合AI技术能力，可以让过程回路更加敏捷与通畅，实现局部优化到全局最优的迈进。至此，我们将一系列的业务思考与AI技术深度融合，逐步探寻数智化应用形态，站在企业的经营视角上，需要形成一套自上而下和自下而上的闭环，实现中央控制，全局联动；节点操作，顶层反馈的效应，我们将其定义为企业经营的“品牌大脑”，即在业务核心链路上，不再完全依赖于人力的自主决策与执行，能实现螺旋上升式工作优化模式，推动整体业务稳固发展与创新，形成企业持续的竞争力。 “品牌大脑”代表了一个全面的智能系统，它结合了大规模数据处理、深度学习和自然语言处理等技术，旨在模拟人类大脑的决策能力和记忆容量，并超越其限制。它可以从立体滚动数据网中提取有价值的信息，“合纵连横”的生成智能化的决策建议。

“预算-OTB滚动-丽影洞察“一体化逻辑：纵向贯通，横向连接

这会是一个极其复杂的建设过程，当前我们已经明确整体业务逻辑并基于已建成的数据能力开始了先导性的整理工作，接下来尝试运用最新的大语言模型技术来实现应用的构建，这其中首先是对数据进行预处理和特征工程，这可能包括文本清洗、文本向量化、特征选择等步骤，以确保数据的质量和适应模型的输入要求，其次是模型训练和优化，使用数据对大语言模型进行训练。这涉及将数据输入模型、调整模型的超参数，并进行迭代训练和验证，以提高模型的性能和准确性。整个过程包含了多个阶段，如自监督预训练、使用与任务相关的标注数据对模型进行微调（Fine-tuning），以适应特定的应用需求；调整模型的超参数，如学习率、批量大小、优化器等，以优化模型的性能；使用测试集或验证集评估模型的性能以及持续优化和迭代。

3.    “业务-系统-数据-模型”闭环建设

数智化应用会伴随着企业数字化建设之路愈发深入，将企业从数据驱动逐步带入到智能驱动的全新篇章。随着探索的深入，数字化体系中将出现数量庞大的“模型”群体，它将与企业内容的流程、系统、数据紧密融合并最终回到业务之中产生更高阶的数智化价值。贯通业务-系统-数据-模型四要素形成闭环逻辑关系，以数字化的能力与方式驱动企业资源的高效调度将会是数字化最高的意义与价值所在。

• 业务的结构表达：是以流程框架方法论为基础建立的业务架构，高阶流程定义做什么，指导具体业务流程的建设与设置；低阶定义怎么做、谁来做、什么时候做、用什么工具做，指导日常运营操作过程规范。
• 系统的结构表达：由功能点往上汇聚成功能模块、模块边界、系统间边界、系统集，最后形成价值链映射。功能点的依托来自于最低阶流程的节点，是通过实践达成的具备共识的、衔接顺畅、可固化的操作。
• 数仓的结构表达：可依次划分为源数据层，明细数据层，汇总数据层，维度数据层及数据服务层【数据的价值在于面向应用，因此避免不了一定的提炼、聚合与加工，其划分应企业实际进行拆分，此处不代表唯一性】。其中，源数据层基于系统产出的物理表形成数仓的最小单元（逻辑实体），由于系统功能点即映射业务的操作点，因此也是业务操作过程的显现，而汇总层则基于业务需要从不同度量维度和分析视角进行汇聚。
• （AI）模型的结构探索：模型参数为最小原子，这些参数可能包括以数据或数据集形式所呈现出的业务运营变量，承载了通用知识与领域知识，形成类神经网络的业务知识结构。由此向上则呈现出量化关系，规则约束、推演测算及适配层的结构关系，模型蕴含了动态数据网络中的节点，通过训练喂养过程认知节点与节点的连接关系与相互作用，在算力加持下形成联动测算，这种测算经过无数次的探索与验证，才能形成模块群的联动。探索的过程需要业务和技术的整体结合才能逐步实现。

至此，我们提出“业务-系统-数据-模型”能力闭环探索的建设路径，业务最小（业务操作）决定了系统的最小（功能点），通过操作节点直接流转；系统的最小又支撑了数仓的最小（逻辑实体），通过物理表为媒介形成传递；数仓整合业务、系统、数据提供模型所需的参数，通过数据集直接流转；基于需求用模型的结合实现点对点的高效响应，以信息为媒介沿着流程传递，由模型反馈回具体的业务操作上。除了一致性流转关系外，业务到数仓与系统到模型同样存在着链接逻辑，由于应用系统存在着边界性，如WMS库存管理，GMS货品管理，系统所覆盖的内容一定是某个或者某几个领域的范围，但数据天然的度量性与共享性将很好的呈现出业务的全貌，数据已经成为了企业业务存在形式，这就是数据驱动逻辑的底层原理；而当AI模型愈发壮大的将来，模型的认知与处理能力不断强化，依托于流程并通过系统执行的路径或许也将被颠覆，实现以全盘视角进行推理找到最优策略，多个模型组合驱动完成业务运营的重塑，由此跨入智能驱动的时代，这是巨大的可想象空间。

“业务-系统-数据-模型”四要素的闭环建设，驱动资源的高效调度

未来，伴随智能技术的发展，AI在提升决策效率和效用上一定能发挥重大作用。通过“业务-系统-数据-模型”的构建，AI首先能够在业务规则明晰的岗位上代替人的决策，实现这些业务流程节点上的自动化动作、自动化数据分析、自动化流程运行，从而将最终简化整个流程体系和决策体系；其次，通过进一步的研究挖掘，AI也能够在相对模糊的运营体系下通过多变量要素的综合评估与动态平衡，为“人”的判断与决策提供强有力的辅助建议，帮助人类拓展大脑的思维边界与瓶颈。如果要想实现如上对AI的期待，从管理视角来理解AI智能的应用，是需要自下而上完整的业务数据结构与明细的。同时，这也就意味着基础建设的完善度是保障全面、完整的数据来源和一致、实时的数据体系的前提，而全面、完整的数据来源和一致、实时的数据体系则是AI探索的核心，以上“前提”与“核心”均不是凭空而来，其离不开“人”作为主导角色的整体规划与执行输入，这就是AI不能完全代替人的原因之一。

第四部分  影响先进技术应用的思考

（一）业务流程是基础

在数字化建设过程中，IT部门常常会受到“系统不好用，数字化建设历程迟缓”的质疑。然而这现象背后需要更深入的思考。

业务流程是为了满足业务的运作有序开展，将不同的人组织起来共同完成一系列业务动作，业务动作之间不仅有严格的先后顺序限定，而且业务动作的内容、方式、责任等也都有明确的安排和界定，这就是业务规则。这些规则业务明确安排和界定了才能形成业务流程，业务流程的构建完成，自然是通的，可以满足业务当下的需要，而系统是业务环节中标准化流程的信息化实现。系统的本身，只是业务规则的实现和业务动作的记录。

业务在变化，所有变化都有新的决策，业务规则相应调整，到一定程度，流程也应随之变化，系统也就随着相应迭代优化，跟上业务规则的变化。而根据新的业务规则优化的流程，如果不符合新的决策的预期，也即不能满足业务需求，需要首先评估新的业务规则是否满足业务需求，再评估业务流程的迭代是否满足新的业务规则。系统是否好用，也就是业务流程是否通畅，问题往往出现业务规则上，即业务动作的分工、内容、方式、责任等，这需要通过组织流程梳理来解决，而不是首先就考虑调整系统。顺序很重要，颠倒将违愿。

市场上有很多关于数字化的概念，然而概念是否能实现，取决于是否能有足够的资源的支撑。概念往往在“虚”的层面进行描述，落地则是在“实”的层面进行搭建。资源的实就在业务流程和组织流程中承载，业务规则是否成立，决定了业务流程是否能顺畅；规则是否能拉通，决定了组织流程是否能协同。两者都基本满足，才有可能支撑概念的落地，因此只讲概念、不去规划规则和流程的数字化是空中楼阁。所以，企业不管规模的大和小，其对市场和客户需求的全面、精准和动态的感知能力是业务、管理和技术融合的基础和前提。

（二）组织流程是保障

如果说业务流程顺畅是入围资格，那么组织流程协同就是企业的核心竞争力所在。实际上，数字化建设，是建构在业务流程的顺畅和组织流程的协同之上，两者之间相辅相成。业务流程如果不顺畅，数字化建设会完全卡壳在业务流程上，而且会导致组织流程将进行代偿而变得臃肿复杂。而组织流程如果不协同，业务流程就只是摆设。业务流程与组织流程之间的关系，就类似马匹和骑马人之间的关系，组织流程就类似骑马的人，其掌控着缰绳，马就算浑身是劲，骑马人老把缰绳拉得死，这马也跑不起来；骑马人缰绳放太松，则无法掌控马匹奔跑的方向。马实际上是要靠骑马人去驾驭它的。同样，在业务流程足够顺畅的基础上，真正驱动一个企业在市场竞争中驰骋的是组织流程。

组织流程与业务流程是随着企业发展逐步迭代，它有发展过程中的历史价值，也受到过去发展背景的局限并成为影响到未来再发展的关键要素。而其中的历史价值及未来再发展之间的平衡，是企业创始者及现在企业主营者的能力的体现。而这具体体现在流程再造上，流程再造已经不是过去割裂式的流程的完善，而是站在未来企业发展的整体视角的流程变革，这一整体流程变革就体现在企业数字化创新之中。这其中无形的组织流程变革尤为重要。以数字化为基础，整体资源的拉通和协同能力，是企业的生存之本，也是数字化的价值所在。数字化就是要打破孤岛、全面连接，就是要在整个组织、甚至整个社会建立起“全量全要素的连接与反馈”，在统一的资源管理平台的基础之上，构建逻辑统一的业务整体闭环，支撑企业的一体化管理，提升整体组织效率。

（三）资源认知是核心

这几年，许多企业在寻找数字化的解决方案，但到底解决什么，并没有想明白，因此数字化也就不可能实现。数字化的本质，代表了一种管理模式——数据驱动的资源管理模式，对零售企业而言，就是帐实相符、帐帐相符，通俗地说就是到底有多少货、多少人、都在哪里，能不能实时清楚，这就是数字化的基础和朴素表达。

零售企业发展初期，都是以批发为主，但随着规模的增大，市场竞争的加剧，零售业务的多样化，一盘棋的货品管理将变得越来越重要。因此，转型到以零售为主的经营模式自然而然成为众家企业的共同选择，于是对资源管理提出了更高的要求，数字化建设也就成为了必然选择，而且在激烈的市场竞争中，数字化转型迫在眉睫。

数字化是通过各种技术和管理手段来发现、获得、处理并有效使用企业各种活动的内外部数据从而实现平台化的资源管理，如何高效调动并合理利用资源，是数字化的核心，也反映了企业管理者的认知。数字化三问：其一，是否能说明白、而且是动态地说明自己有多少资源？其二，是否能根据市场的变化灵活使用和调配这些资源？其三，有多少标准化的、共同认可的指标和语言？标准化程度越高，代表着他们的共同认知越强，这是协同的前提。

企业中最具价值的资源就是人才，人是利用与开发资源的主体，因此成为资源中的核心。把什么当成了资源，决定了管理者认知的水平，而使用资源的出发点则决定了管理者的格局，对资源的认知水平和格局，决定了资源的整体效用。小到一个项目团队，大到整个社会，莫过于此。

（四）规模带来的挑战

企业创立阶段，创业者对公司运营过程中的细节和一线的状况都非常了解，他们就是企业所有逻辑和流程的建造者与建设者，他们对企业的所有业务规则和管理逻辑的认知是具体的。但企业最初的流程都是单流程，且总量不多，流程与流程之间的关系是创业者直接决策的。随着企业的发展，其规模日益增大，就必须依靠一种组织形式来进行管理，于是中间层就随着企业规模的增加而一层一层的建立起来，分工也导致部门越来越多，部门之间的关系也就越来越复杂，相应也会组建企业的最高决策层。于是，企业的最高决策层对公司运营过程中的细节和一线的真实状况越来越远。

企业的决策依据什么？无外乎两方面的信息，一方面是对企业外部的市场及环境的认知，另一方面就是对企业内部一线的认知。对于后者，最高决策层的最大的受限是什么？是没有技术帮助企业最高决策层直接了解一线，也就是说当IT建设不充足时，必然需要建立多层级的、庞大的组织结构与组织流程，来收集和传递信息，确保业务流程之间的协同。然而也正是解决问题的手段—组织结构与组织流程，进一步恶化了问题。尤其是随着企业规模的扩大，随着个人、部门和组织利益上的日趋分化和不一致，随着信息不对称的现象越来越严重，随着决策层对组织运行的感知也越来越模糊和失真，导致组织运行逻辑和业务运行逻辑越来越不匹配。这时候上演的最大的悲剧就是领导越努力，企业完蛋得越快。这也是为什么一定要永远遵循组织和业务逻辑一定要优先于数字建设逻辑的根本原因。

人的主观性局限是普遍存在的，这就是人性的弱点所在。其一，因为基层的管理层只负责某一个纵向领域，视角只局限在单一的纵向领域；其二，许多管理者，往往因为对本岗位的产出结果的重视，容易忽略对整体结果的影响，导致将单一或某些纵向点的问题放大，没有从整体横向综合评估，造成企业经常用纵向节点的问题概括整体问题；其三，存在的更大问题就是逆选择，为了证明自身的价值，争取资源，而利用上级的偏好和上级的已有逻辑，选择过滤信息、编辑信息来夸大相应的纵向领域的某个或某些点。

由于人的主观性局限，随着部门和层级的增多，随着组织结构和组织流程的复杂，产生以下两方面影响，其一：信息经过一层一层抽离，容易导致信息的损耗与失真，从而最高决策层越来越脱离一线的真相；其二：多部门、多层级的动态交互过程越来越复杂，形成共识、达到协同越来越困难。一个非常有力的例证就是一支全明星的篮球队或者足球队，并不一定能赢得联赛中的所有比赛，甚至有可能输给同一个联赛中赛绩平平的队伍。交互的过程大多需要依靠人来完成，形成广泛共识的主体也都是人，人由于受到个体局限性，不具备对所有因果链关系的认知，很难看到企业运营的整体数据网。因此，都是从个体角度看到局部的网，而且每个人脑海里的数据网是不完全一致的，甚至出现个体的理解上的结构和形状的不一致，而这也是人和人之间的沟通产生矛盾和分歧的主要原因，也是达成共识、进而形成协同的最大阻碍。这两方面的影响交织在一起，最终将限制企业的发展。人的惰性和创造性是企业发展到一定规模后可以用来开发组织管理能力的两极，人的惰性让企业不管规模有多大都要充满危机意识，好的企业一定是将人的创造性和技术的潜力相结合并尽可能发挥到极致的企业。

（五）技术促进协同

企业的目标是需要做价值取舍的，如果过多放大某一或某些的纵向点，而缺少从横向的整体综合考量，常常会导致决策的失误。与之相反，从整体出发，如果企业各部分之间能良好协调，相互之间引发增强的交互作用就会产生一种共鸣力量，而这种共鸣力量比每个部分的力量相加之和要大太多。因此，从整体观的角度，对于大型的企业组织，为了支撑企业最高决策层对直接掌握一线的真实状况的需要，为了明确一个决策行为给组织所带来的短期和长期的结果，需要从整体上建立一个动态数据体系，可以捕捉到实时化的各变量的过程及结果数据，实现快速在组织内（上下和左右）一致性的呈现；同时，呈现这种多环非线性的交互过程来分析相互的影响和影响效果，进而能管理整个交互过程，使得各部分之间良好的协同而产生增强的交互作用，促进这种共鸣的力量的产生。

AI技术突破了个体局限性和人脑算力不足，对数据纯客观的呈现并依照规则运转，让信息更客观、更快速的分享，让交互的过程建立在全面、完整、一致、实时的四维数据体系上，支撑全面、综合进行分析决策，促进形成一致的认知。统一的业务数据标准和语言，在组织、团队各级成员连接的基础上，在共享过程中提升效率与协同，有助于个人融入团队，达成共识，形成共鸣的力量。业务运营过程中共识数据标准和语言越多，也就自然推动组织文化的建设。伴随组织文化的发展，共同的标准和语言积累到一定阶段，团队所有成员之间对开放的共享与互动就形成了习惯，逐渐产生新的各自认知，再继续共享与互动，慢慢地推动组织内部更高阶的秩序和共识，在面对外面市场的不确定性和复杂性的过程中，不断的能成功创造出新的业务模式应对。新的业务模式创造成功，也会推动组织文化的转型及再发展，这种文化升级，又奠定了业务下一次的创新。业务创新是在组织中共识共享互动中才能产生，组织不断形成广泛的共识，不断随着发展而升级共识，变革就是组织共享的共识被修改的过程。创新起初来自个人灵感，能够实现，就需要团队在共识共享互动中完成。组织文化也是伴随着业务创新发展而变化，这一变化又是业务再发展创新的保障。有生命力的企业，就是这样循环反复，从回路到增强回路，逐步进入飞轮效应。

具体的业务逻辑和决策实际都有“因”有“果”，而且“因”和“果”往往会在时空出现分离，这导致了组织成员之间难以达成共识。AI技术的应用，让由“因”到“果”更广、更快、更无限贴近真实，从而让组织成员更容易了解到全貌的“因”与“果”的关联，发挥出增强的交互作用，进而促进了达成共识的广度和速度，推动了业务模式创新和组织文化升级的进程，从而加速开启飞轮模式。

（六）角度决定未来

站在未来搭建、重塑结构，站在过去认识、完善结构。重塑和搭建结构与认识和完善结构的最大区别在于：前者以外部世界为中心，以未来为中心；后者以企业内部为中心，以过去为中心。站在未来看现在，自然会统一过去、现在以构建未来，统一的目的是对过去和现在的认知更有方向性，更加系统化、逻辑化，整体思考怎么开发现有的所有资源，去推演未来的发展空间。站在过去看现在，自然会想怎么补充不足，不论是过去的不足还是现在的不足，这些不足很难是整体，多为点状，站在局部找局部的问题，设法弥补局部不足的资源，然而局部问题的解决并不一定能解决整体的问题。因为这样做根本没有对整体的认识，更谈不上对整体的问题进行有意识地感知和发现。站在过去、习惯完善思维的人容易受到环境的影响，尤其是对竞争环境的短期和局部的变化会敏感，加上个人习惯和认知局限，慢慢地形成了放大某个局部的点的问题和追求短平快来证明自己的价值。同时，如果团队中趋向都放大自己关注的点，团队的矛盾自然多，内耗也就自然产生。而站在未来、长期以搭建思维考虑的人，逐步就形成了系统思维，也逐步会从个人的角度走出来，以团队、组织的更大的视角规划设计构建。于是会重视长期性的基础建设，会喜欢去到业务一线，去发现哪些是基础，哪些是企业未来发展的基石，然后一层一层逐步的建设。这种长周期的、逐步建设的规划需要极强的整体系统思维，需要理解每件事情的周期、及周期与周期之间的迭代和叠加的相互影响、及不同周期带来的反馈并叠加再影响，这些叠加不断叠加在一起就是复杂。角度的不同，带来建设逻辑的不同，导致资源意识的不同，需要规划能力的不同。这也是为什么心智进化能力将成为未来领导人的核心竞争力。站在未来就是拥抱高维，基于全局思维、动态思维打造组织在整体认识上的战略和组织优势。

一个组织的高层管理团队中，大部分是站在过去来看现在的人，组织的发展空间就会越来越小。大部分是站在未来看现在的人，起步可能慢，但组织的发展空间会越来越大。只有站在未来想现在的人，才能理解基础建设的标准化的意义和作用，也就能理解和规划AI技术真正落地应用的路径。而让决策层能快速地、直接地掌握一线的真实状况正是IT建设的核心，这的确是一整套的、庞大的系统工程。这套系统工程需要技术、业务、管理联合一起建造。

站在未来看现在

行文至此，还是回到第三部分末尾的总结，再谈谈很多人对AI替代人类的担忧。首先，AI技术必定会取代一部分“人工”，然而我们更应该思考的是AI技术会在什么工作上替代人呢？对此，我的看法是，AI首先会辅助决策，然后是替代一部分人工决策，这样必然减少相应的人力配置以及改变组织体系，从而不断提升决策的效率与效用。这里的决策是广义的，每个岗位实施业务动作都会依据一定的规则进行选择，这也是决策，甚至包括设计与研发工作的一部分。其次，我更加坚定的认为AI不可能完全取代“人类”，在文中第三部分结尾我写到了从管理的视角AI不能完全代替人的原因，那是原因之一，更为重要的是从整体的视角，零售企业的生存之本就是为客户提供有价值的商品和服务，商品要能满足客户的需要，而服务的核心就是有温度的客户体验，这是人工智能代替不了人的关键。下面讲一个案例，是我们很多同事都喜欢去的一个餐厅，根据观察那个优秀店长的行为，抽离出店长的管理逻辑，模拟出一个能让大家容易感知与理解的智能决策模型，用人工智能协助和提升每一位店长进行管理，其目标是帮助整个运营过程中更快速、精准决策与协同，以便一线更好地提供服务，而服务中的温度，永远是AI代替不了的。

【案例】餐饮业杰出店长与智能决策模型

在服务行业，杰出店长与普通店长的分水岭，就在于“现场链接力”，也就是动态连接。大部分店长都能够照章提供标准化的服务，而杰出店长能够根据不同顾客的喜好和需求，在其可控的资源与能力范围内为顾客量身定制服务。我所说的很受同事们欢迎的那家餐饮店，该店的店长就是我心目中优秀店长的典型代表。例如：带小孩过生日的家庭聚餐需要互动，店长就付之于亲近感，安排给寿星宝宝唱生日歌；商务洽谈的顾客偏向安静，店长就要求店员在服务的过程中把握分寸感，举止专业、言语精炼、谨慎打扰等等。杰出店长能够适时的识别客户的诉求，实时的适配与改善现场服务内容，通过与不同诉求客户建立的互动场域，驱使现场建立出了更多的连接点，深化这些连接，让客户在店里感受到有温度的服务，创造更持久的影响。

那么，杰出店长的现场链接力是如何炼成的呢？根据观察那个优秀店长的行为，抽离出店长的管理逻辑，概括出这五个关键步骤：能力储备、信息获取、模式识别、策略组合、执行及调整以及增强回路。据此模拟出一个能让大家容易感知与理解的智能决策模型——“店长AI助手”，它也相应通过这五个“步骤”，来帮助业务运营来构建“现场链接力”，就是横向连接能力，以协助和提升每一位店长进行管理。

能力储备：原子能力积累

在业务不是很繁忙的时候，杰出店长将店里的诸多事项管理得井井有条，包括整理店务、培训店员、盘点库存等，为高峰期做好充分的能力储备，看似琐碎的任务实际上是在进行能力储备，这就是在各个纵的领域进行原子能力积累。“店长AI助手”里面会建立并不断完善关于顾客、店铺、店员、商品、厨房等所有纵向领域的所有“原子能力”，对照相应的内容，让每一位店长很容易有计划、有指引、有标准去安排工作。

信息获取：数据采集与数据共享

顾客到来时，杰出店长无时无刻不在搜集各类信息，顾客的、环境的、店员的、商品的、厨房的等等。信息获取是AI的基础，如同无时无刻不在搜集外部和内部信息的杰出店长，“店长AI助手”通过业务系统、硬件传感器、第三方数据源等形式，也在不断搜集大量的外部和内部数据，并方便每一位店长查询获取。例如到店的顾客的详细信息和历史消费数据、当下实时的销售数据、人员在岗情况、库存情况、订单的厨房进展等等。

模式识别：数据组合的相似度

杰出店长通过信息的组合，迅速判断顾客的需求和喜好，定位顾客当下需求，找到这些需求与以往经验之间的关联，识别出合理应对模式。类似地，“店长AI助手”分析历史数据，横与纵的广泛连接，总结、抽提出典型模式，与实时数据进行比对，通过数据组合的相似度，识别出匹配的模式，及时给店长推送可能的方案，提醒店长组织安排相应的工作与对应的用餐服务。

策略组合：原子能力的编排形成决策

类似于店长结合自身所掌控的资源和能力确定个性化服务方案，“店长AI助手”根据上一步模式识别，通过调用、编排其掌握的原子能力，在纵向领域关键链定位问题与排序，匹配资源、目标等，横向综合分析，形成决策，例如厨房订单进展预计缓慢进行及时预警，提示店长安排备选方案：给目前已经点菜后等待了近10分钟、酒水已经备好的VIP客户提供额外的、搭配其酒水的小食赠送。

执行及调整：调动资源执行决策并根据现场进行调整

类似于店长组织安排个性化服务方案的落实执行，并且根据现场情况进行调整与补位，“店长AI助手”根据上一步确定的决策，回到纵向领域去执行业务操作或者调优业务动作，规划好相关参与人员各自的服务行动及衔接要求，对于问题点，及时发现进行提示并提供调整方案，例如某店员处于外出状态，其当下负责服务的VIP客户补充下单的餐品已经等待超过5分钟，“店长AI助手”则实时提示店长需要另行安排店员去关注该客户的需求进度，给出及时的服务响应或者个性化服务方案。

增强回路：学习与进化

顾客满意度上去了，优秀店长与顾客的初步链接力也随之形成；随着时间推移，这种链接力也成为夯实店长能力储备的一部分，它为优秀店长提供更多的信息，帮助其将策略组合和客群反馈相结合，形成正向反馈循环。上述能力储备、信息获取、模式识别、策略组合、策略执行的运转，给AI助手喂养着更多数据和样本，让AI助手在源源不断的反馈中持续学习、进化迭代。正是这种自学习和自我优化的机制，让所有纵向领域的所有“原子能力”都日益强大，让AI的链接力愈加稳固强韧，让整个日常运营充满了清晰的、一致的信息，使得企业各职能领域协同一致，全力帮助一线去更快速、精准响应客户的需求，让一线借助“店长AI助手”更有能力提供有温度的服务，让一线管理者更容易成长为“优秀店长”，也即企业培养优秀的一线管理者更为容易，实现提升企业的竞争力的核心目标。

案例：从餐饮业杰出店长看智能决策模型

未来的零售企业智能决策模型，通过把企业内各个纵向领域的数据、能力和资源全面横向串联、匹配和整合，构建“现场链接力”，同时形成了自我学习的增强回路，推动整个系统向“全局最优”迈进，让企业的各项决策和行动都更协同一致，为客户提供有价值的产品，让一线更有能力提供有温度的服务。

本文比较长，请允许我在文末再次做一个小小的总结，全文首先说了业务流程、规则、数据的关系，及流程节点的操作与岗位的关系，也即与组织的关系。其次业务运营过程中所需要的结构化的数据体系以支撑业务分析与决策。其三，探索人工智能是否能够辅助业务运营过程中的分析与决策。最后，阐明这是一个体系化的建设过程，需要站在未来进行整体规划，基于整体规划做好基础建设才能实现。

最后，本文得到了百丽科技中心团队和滴普科技团队的支持，文章中许多内容都是他们帮助梳理出来的。我本人是业务出身，后跨界管理科技部门，因此，本文并非人工智能应用的纯技术实现，而是从业务与管理的视角，思考人工智能的应用，供大家参考。

（本文首发钛媒体APP）