投出喜茶、泡泡玛特的黑蚁资本刘湛:零售是一门精细的艺术 | 投资者说
钛媒体 · 2020-10-29 15:44:05 · 热度:加载中...

成立4年,专注消费赛道,投出喜茶、泡泡玛特、江小白、元気森林等头部品牌的黑蚁资本已成为某种风向标。在此前的媒体报道中,黑蚁资本也被评价为“懂消费产业”,“既有资源也有经验”“真能帮上品牌创始人”的资本。

黑蚁是如何在投后帮助品牌快速成长的?在观远数据2020智能决策峰会上,黑蚁资本运营董事刘湛给出了他的解答。

疫情几乎让所有的线下门店开始思考如何实现数字化的问题,但实现数据赋能的大前提是,企业的数据是否具有分析价值,对于刚刚起步的公司,在没有成熟的IT团队时,最好的方式是找到第三方数据公司,将业务规则沉淀到系统里;而对于经营了3到4年的企业来说,每年开店的速度是比较健康恒定,数据才具备了较高的分析价值。

在具体的企业数字化实践中,参与过日常巡店工作后,刘湛发现如果没有把数据没有经过精细化的处理,店长店员是不会利用数据去指导自己的日常工作的。因此,数据分析的结果一定要足够直观、简单易用,最好直接给到行动建议。

此外,直观的数据分析结果还可以给到买手更为理性的选品建议,例如,当买手需要知道今年什么样的热水袋更好卖时,可以扒到全网销量最高的商品数据,还原成柱状图,可以看到最畅销的热水袋的价格带分布,以及商品属性聚合形成的饼图,买手就能知道以水作为填充物的热水袋会更好卖。

二八效应之下,头部商品贡献主要销量,但头部其实是个模糊词汇,从数据分析的角度,“头部”还可以再分细一点,刘湛表示“头部的Top100和Top300可以区别对待,设置不同的缺货率计算出不同的数字出来。”直观的分析结果背后需要更精细的数据算法,刘湛总结,“做零售我们就要找一个数学最优解,或者更精确的说我们在做一个统计概率的数学题。”

解好数学题就可以找到库存平衡的最优解,首先要看是一个什么模式的企业,售卖什么样的品类,找到不同品类能容忍的缺货率,是10%还是20%。其次需要衡量出卖出多一个商品的时候的边际收益是多少,以及多积压一个库存的时候边际损失是多少,两者衡量一下这个水平到底是多少,然后反推安全因子再带进去公式进行计算。

(钛媒体APP编辑赫婧整理)

简单介绍一下黑蚁资本,我们是一个专注于消费领域的新兴资本,非常注重投后的赋能,希望能跟企业一起长期的共同成长。我加入黑蚁时间也不长,之前在线上的零售公司和线下零售公司,工作过比较长的时间,也做过很多数字化转型方面的探索与尝试,今天主要分享这些内容。

分享的内容分三部分:一是运营的演进路线,我们运营到底怎么打怪升级,逻辑是什么;第二,我们围绕商品看全链条如何做数字化运营;第三就是数字化的转型的案例,个人之前做的一些探索。

我们需要数据和系统让所有的运营规则得以沉淀,并且快速的试错缩短反馈周期,在原有运营基础上不断探索和尝试来实现复合增长。

在我看来,运营进化分为四个阶段:第一个阶段是一体化,我们要消除信息孤岛将割裂信息串联起来,做一体化的分析。实现全流程全场景的打通,这个地方有两层含义,一方面是我们要干掉Excel,不希望企业还在用Excel去存储数据更新数据传递数据;另一方面是我们的文档,存储的是非结构化的数据,我也不希望看到企业在用word记录我们产品文档和业务文档,通过微信来传播这些文档。因为这种文档和数据的管理方式缺乏协同,缺乏版本管理,会增加我们沟通的成本。

有了这个基础之后把所有数据汇总到数据仓库,我们就可以做一些比较高效的可视化的分析,通过看板从各种维度分析数据,看到一些问题或现象,然后猜想其背后的原因可能是什么,做出一些假设,最后思考我们怎么才能解决这个问题,让我们的运营水平更上一个台阶。这个时候就会开始做一些差异化的运营尝试。所谓差异化就是精细化,将差异化的现象变为个性化运营的机会,把运营策略分组称之为精细化运营。

精细化运营之后,你想再进一步,精细化的程度更上一层楼。但因为最终维度组合的数量爆炸性的增长,让我们运营探索工作更加的复杂,这个时候我们必须要走自动化的道路。把人工的经验沉淀成固化的运营规则,才可以维持这么高复杂度的一个精细化运营。

但是把这些经验全部沉淀到我们系统以后,它还不是我们运营的一个最终阶段,最终阶段应该是一个智能化的阶段,通过机器学习寻求最优解。这其实是一个数学问题。

很多企业刚刚起步的时候,没有这么大的IT团队,这个时候做系统蛮难,只能依赖于第三方的公司,数据比较轻量,可能不需要那么多人,很快能够通过数据分析得出一些结论和方向性的指示,明确自己是否应该上这个系统,系统之间如何打通,业务规则如何沉淀到系统里去。

数据有三个层面:第一个叫know what 第二know why 第三know how。

第一要把数据字典建立起来,知道这家公司有哪些运营核心指标,然后把指标定义出来做可视化的可以监控到的;第二可以看到一些差异化的现象,可以看到销售不稳定,为什么销售不稳定,我们就要开始思索,靠数据分析给我们一些思路和答案,这个时候就要去通过3个非常重要的维度——时间、空间跟品类进行拆解。找到原因之后,我们最终的目的是什么?不是说了解这个目的就完事,还是要做一些改变要有一些行动,就到know how的这个层面,根据猜想做一些验证和小范围的测试,一旦验证成功之后我们要想办法把它沉淀到规则和系统里去,把算法、模型、规则以及流程放到系统里,下一次可以在原有基础上做分析、拆解、验证、沉淀,成为一个快速反馈的链条。

回到门店也是一样的,要注意两个问题,第一如果我们是一个比较新的企业,你有没有历史数据,如果没有历史数据,你可能不是那么快就可以做这个事情;第二就算你已经有了一年的历史数据,要看数据是否具备分析价值,是否平稳,如果开店速度特别快,数据又不稳定,那么参考价值就比较低。如果是经营了3到4年的一家企业,然后每年开店的速度是比较健康恒定的,那么这个数据参考价值比较高,就可以做这个事情。

这个是之前我们做门店分析总结出来的经验跟流程。首先我们会分析门店的历史数据,然后对陈列的现状通过巡店做一个分析,我自己会巡店,从各种维度看到门店的数据,看单品的数据,看商品的库存,过去7天的销售,过去14天的销售,还可以看别的门店是一个什么情况,商品的销售排行是什么样子的。

做这些分析之后我们就开始做一些调整计划,让店长跟店员配合执行,在这个过程中其实我发现店长跟店员是比较难推动的,如果我们把数据没有经过一个比较精细化的处理,没有把know how做出来的话店长店员不会看数据的,一定要简单易用最好直接给到行动建议。

再讲下陈列的艺术,很多时候我会从经济学原理得到一些启发,万物都是相通的,从数学原理到经济学的原理会给到我很多的灵感。

关于陈列我们有一个概念叫最小陈列量,就是我这个商品最少要放多少,如果少于这个数字就干脆不要配了,如果商品摆得太少根本不起眼用户不会买它,但是这个最小陈列量到底是多少,我想到经济学有一个生产函数,核心三个指标:总产量、平均产量,边际产量,如果超过最小陈列量之后再往上叠加商品每个商品带来的平均产出会愈来愈低,但是没有达到最小陈列标准的时候平均产量更是远低于正常水平,所以那个合理的最小陈列量在哪里我们要做数据统计分析。

于是用观远的可视化,我们做了一个很直观的分析。做法就是我们把这个数据的分析粒度放得很细,每个单品在每个门店,每一天它的库存数量和销售数量全部抓出来,然后做聚合,聚合之后我们就可以生成右边两张这样的图线,可以看到边际产量跟平均产量发生两次的cross over。

这一页讲的是库存平衡的艺术,做零售我们就要找一个数学最优解,或者更精确的说我们在做一个统计概率的数学题。什么是库存平衡的最优解?库存平衡的挑战在于需求不稳定,还有供给不稳定,有的时候两个不稳定,两个一起不稳定还可能互相依赖,那就更复杂了。

关于库存平衡,我觉得首先得看看自己是一个模式的企业,售卖的是什么样的品类,这个很重要,因为不同企业会有不同的输入参数,其一是安全因子,是服务水平的标准正态分布求逆,要先设定商品满足率的目标,或者缺货率的目标,我能容忍多少的缺货率,是10%还是20%,如果是10%对应的这个因子是1.28%,即90%的概率都不缺货。应当衡量当我卖出多一个商品的时候我的边际收益是多少,以及多积压一个库存的时候边际损失是多少,然后两者衡量一下这个水平到底是多少,然后反推安全因子再带进去公式进行计算。

还有我们可以做得更精细一些,一般讲缺货率并非全局缺货率,而是要保证头部商品不缺货就行了。二八效应之下,头部商品占据我们销售的主要贡献,把头部商品保住,那基本销售就得到保证。头部还可以再分细一点,比如说头部的Top100和Top300可以区别对待,设置不同的缺货率计算出不同的数字出来。

配补算法相当于足球场上的腰部中卫,起着承上启下的作用,连通前端销售和后端采买,如果给门店的品类组合预留一些弹性伸缩的空间,就可以通过配补算法反馈门店的品类占比变化,反馈到企划层牵引全盘的品类组合变化, 加强采买计划反馈调整的频次。

然后我也做过一个购物篮分析,就是通过统计概率的概念用FP-Growth算法来实现。用户行为预测这一块,我们是用的机器自动学习,能够去预测用户未来3天购买的一个概率有多大,还有3天之后他用券的一个概率有多大,能看到一些我们找出的关键因子在不同的场景下还是会有差异的。

销售预测,很多人在问你这个算法销售预测能做到多少,这有一个前提,首先目的是什么,为什么做这个销售预测,第二,销售预测的粒度是什么,做到什么粒度,又可以回到刚才我们讲的时间、空间和品类三个维度,回到上面去我们做什么力度的销售预测,是做一周的?一天的?还是一个月的。然后是整个大盘,还是说其中某个品类的还是单品的,结果就挺不一样,然后这个品类呢,要看它是季节性还是非季节性,比如服装本身单款销量不高,然后生命周期又比较短而交期比较长,所有服装是比较挑战的事情。

我们做的预测目标是什么,销售预测我觉得最大的目的是帮我们做企划,销售预测做得比较准,企划就比较容易做了,很清楚未来6个月到底要备什么货,企划就可以加各种规则和约束,来避免人为的发生太多的错误离目标偏向太远。

预测跟刚才讲的安全库存一样,预测也不是说要预测所有的商品,也可以预测头部的商品,销量大又比较重要。我们自己之前还开发了一个智能选品的小工具。我们说产品计划是一个理性决策,商品计划是感性决策,如何给到感性决策一些理性支撑?

以热水袋为例,我们把全网数据扒一下,买手输入关键词,然后全网扒一些销量高的商品,然后还原成柱状图,我们买手就可以看到最畅销的热水袋是什么样的价格带分布,以及我们把全网的数据最畅销的商品他们的属性全部都抽取出来,聚合形成饼图就可以看到2019年热水袋的填充物应该是要用水而不是化学材料的,这个可以给到我们买手支撑。

最后是智能选址,我们也做了一个非常粗略的工具,根据自己扒的宏观外围的数据跟人工填的微观数据放在一起,大概有四五十个维度做了一个机器学习。大概可以达到70%多的水平,我们也拿了200多个门店的历史数据来做训练集,这里还有一个提升空间,这些数据都是根据我们自己内部200多个门店训练出来的数据,我们可以找到一些对标品牌把他们数据扒出来做一些分析。

现在有些品牌在用一些比较偷巧的方式做选址,就是跟随策略,肯德基选址是非常有名的,很多餐饮选址就看KFC怎么开店了,还可以通过评论的密度能够推测出来区域餐饮热度是怎样的,然后再决定我们要不要开在那个区域。

本文来源:钛媒体