決戰 1% 的商業差距,全家 x IBM 將數據價值推進到下一哩路

作者 | 發布日期 2017 年 10 月 16 日 11:19 | 分類 AI 人工智慧 , Big Data , 尖端科技 line share follow us in feedly line share


「如果看得比別人更遠,是因為我站在巨人的肩膀上」,幾百年前的科學研究如此,拉回現代化的商場經營,同樣也能適用此句話所帶出的境界,但稍微不同的是,巨人不只是那些高瞻遠矚的歷代經營者,還包括了機器的輔助、系統的整合與軟體的應用,才能讓決策者以可靠的分析結果,不斷拉開與競爭者的差距,而那差距或許只在於 1% 的輸贏。

「若經驗決策能達到 50%,數據決策或許只能增加 1% 或 2%。」對智慧分析應用在流通零售業的前景,全家資訊本部協理簡維國坦言看法較為保守,這樣務實的態度或許與他在將近三十年的工作生涯、曾任職全家不同單位有關。簡維國從最初的人事部、商品部、E-Retail 事業部,直到現在的資訊部,一路走來的歷練,讓他擁有不同於一般 IT 人的思維,對於人性的矛盾、社會科學的不確定有深刻的體悟。

「雖然只有 1% 的差別,只要做一千次一萬次,贏得機率就多。」話鋒一轉,簡維國談起了統計分析中的大數法則,他不認為數據決策一定會讓人成功,但確信決策一定要「引經據典」。因此在帶兵打仗時,簡維國不像一般主管以自己的經驗為主,而是要求有憑有據。「以現代化的經營來看,引用數據就算讓營收提升 1%,也是有價值的。」

商品賣不好就要下架嗎?

全家很早期就注重數據化的經營管理,並建置有「情報系統」,每天為幾萬筆的資料做運算交叉分析。「那時候程式系統都是自己寫,也因此全家便利商店的 IT 人員數量高達 200 人,很難想像為什麼便利超商要那麼多 IT 工程師吧!」簡維國笑著說。

但以現在的技術來看情報系統,還是相對陽春了點。例如情報系統中有 A、B、C 三個類別,A 級商品銷售表現最好、B 級商品次之、C 級商品表現不好,若以簡單的銷售報表去評估,C 級商品就需要下架。

「賣不好就需要下架,是很直覺的判斷」,簡維國說。

但如果僅以此方式判斷,就會忽略「併買效應」的影響,也就是這個商品雖然賣得不好,但它會帶動其他商品的銷售量,因此對一件商品的下架分析,就顯得更複雜與困難。過去併買效應只能以經驗來判斷,但若加上商業分析軟體,就能幫助決定是否剔除或新增這類型的商品。

舉電燈泡為例:根據傳統經驗,電燈泡雖然迴轉率很低,但因為有家庭需求而不能隨便下架,否則會影響來客數。簡維國在 15 年前當商品部經理時,曾經因為電燈泡賣得不好,在幾次考量之後以經驗法則決定將電燈泡下架。這個沒有數據支持的決定,其實困擾他一段時間。他認為,當時如果有更科學的分析運算,可以發現某商品的關聯性購買不足以替換另一件商品,下架與否的決策信心指數就能提高許多。

「分析要能到非常細微,才能夠有如此的判斷。」

過去的傳統商品情報只能表現出算術平均數,也就是以誰大誰小來做一些經營上的判斷,但如果要做到詳細的解析,仍必須倚賴工具,「所以採用 SPSS 解決方案,也是這樣的因素之一」,簡維國緩緩道來與 IBM 合作的機緣,指出他們選定的合作廠商除了要能配合行業的運作模式,還要能快速解決數據問題。

便利超商開店關店學問大

除了商品上下架的問題,便利商店經營的另一大學問便是開關店的決策,「全家目前擁有 3000 多家店面,每年還需要開 300 家店,營運不好的店面則評估淘汰,替換率約 10%,因此若分析的變數抓不準,影響將非常巨大。」

過往常以馬錶測量人流來分析商圈的競爭性,再輔以經驗做判斷,也透過日本全家的經驗輸出,找到開關店的變數建立模型,雖然如此台灣全家仍舊看到地域性的差異與分析工具上的不足,需要更多複雜的資料分析,例如統計上的集群分析(cluster)。也就是為一群龐雜的原始資料去蕪存菁、分門別類,讓同性質的資料聚在一起成為一個集群,群體之間的差距又要夠大,達到分類、分群的目標。

一開始全家先用直覺的想法分類,把商圈分成商業區、住宅區、辦公區、學區,之後再分次商圈。但後來發現台灣不像日本,要確實區分這些區域很困難,以混合區最多,最後改以人流來分區,哪些是早餐區,也就是上班買早餐最多的;哪些是下班區,大部分人下班會走的路線,才比較看出顯著的差異。

全家曾在正對台北榮總的石牌路上開超商,因為當地很人去看病、人流很多。當時認為應該是會賺錢的地點,但想不到開店後卻門可羅雀,後來分析才發現人潮以榮民伯伯為主,但老榮民並不是超商的主要客群。

「這就是社會科學,它的變因太多了!」

在社會科學領域中,上帝是擲骰子的

對此,簡維國特別有感觸。因此決策團隊必須是跨部門的組織,要有一群很了解便利商店行業知識的人、處理數據的專家、企劃背景的專家,另外也需要統計學專家與外部的顧問,才能把這套系統完整建立。全家從 2016 年導入 IBM SPSS 分析軟體,目前模型已建立並開始運作,統整各領域的數據和改善資料的品質。

在資料加值的過程中,全家藉由分析工具的各種功能,從商業智慧的視覺化分析、資料探勘、機器學習到協助決策分析的資源最佳化平台,將過往被視為「歷史性存檔資料」妥善轉換為「商業化可用資訊」,甚至與商業邏輯結合,成為有見解、能輔助公司做商業決策的「有價數據」,並爲營運需求開發出創新的服務,例如訂購的革新。

超商店長在報廢品的負擔,其實比一般人想像的還要大,因為要準確的訂購商品不是那麼容易,考慮的因素很多,像是天氣問題就包含是否下雨、高溫幾度、會維持多久等。如果店長訂購太多商品,需要自行承擔損失。爲此,全家也運用過去的歷史資料,加上分析工具的輔助,幫助店長不僅能提前先預估訂購的數量,還能掌握商圈特徵,打造具有魅力和商品陳列豐富的賣場。「其實這就是預測未來,也是 AI 應用的一種。」

商場競爭已推進到「認知分析成熟度」

對於許多人看好機器學習、類神經網路做預測,簡維國認為在商業上的應用還有很長的路要走。「統計過去的資料都很困難,何況是預測未來的資料」,因此在人的行為預測上,他相信上帝是擲骰子的。雖然如此,簡維國仍強調要不斷做數據研究與嘗試。

IBM 在 2016 年底曾針對全球六千多家企業做調查分析,發現多達 74% 的企業開始在組織內部使用各類型的處方式分析(Prescriptive Analysis),這也意味著商場上的競爭將往前推進到下一階段,也就是認知分析(Cognitive Analysis)的成熟度,或是 AI 級分析。這項調查也發現,全球市場僅有 4% 的企業可以算是所謂的「認知探險家」(cognitive explorer),這些市場的領導者會針對特定專案,透過與人類自然互動的技術,幫助解釋數據、從每個互動學習搭配概率推理,來進行下一代分析工作,提出新的可能性並創建新類型的價值。

即將邁入 30 年歷史的全家便利商店,在資料分析成熟度令人印象深刻,藉由不斷嘗試與整合,以多元的軟體與平台,爲組織建構出最適合使用的決策工具,借力使力,幫助他們在競爭激烈的商業環境中,繼續站穩領先地位。

(首圖來源:科技新報攝)