数据还在周更的快消巨人雀巢，将全球供应链预测误差降低了50%
大数据文摘出品
记者：闫雨莹、魏子敏
本文为清华数据科学研究院联合大数据文摘发起的年度白皮书《顶级数据团队建设全景报告》系列专访的第一篇内容。《报告》囊括专家访谈、问卷、网络数据分析，力求为行业内数据团队的组建和高校数据人才的培养提供指导性意见。前往文末参与填写问卷，将获得《报告》完整版~
传统行业的数据化转型一直是个热门但棘手的课题。
媒体、行业报告中曝光的例子往往让人心动：处于发展早期、体量相对小的公司，通过几个月的部署，迅速引入大数据领域人才、上马一套完整的数据库，并建立较完整的数据搜集分析流程，产生立竿见影的价值。
而行业巨头的改革的真实道路其实比想象中艰难：由于体量大、固有规则多、人才缺乏，改革往往需要更长久的阵痛期。
比如，对雀巢这样一家有着百年历史的全球食品行业中的领先企业来说，想要进行数字化转型，即使是在供应链这一个数据相对齐整的领域，也是个难以想象的庞大工程。
近日，在北京举行的2018年SAS中国用户大会暨商业分析领袖峰会上，我们和雀巢（Nestlé）需求规划与分析全球负责人Davis Wu聊了聊，在他的讲述中，我们看到了快消行业转型中，数据分析应用、价值落地的真实情况。
雀巢（Nestlé）需求规划与分析全球负责人Davis Wu在2018年SAS 中国用户大会暨商业分析领袖峰会上，做了主题为“如何平衡分析部署的广度与深度”的分享。
雀巢的数据驱动最早从美国开始。
早在二十世纪八九十年代，美国的一些地区就开始做统计分析，随后逐渐在全美国开展。而在全球铺开则是在2013年和SAS建立伙伴关系之后。
雀巢总部进行了全球化的数据标准化，建立了一套标准体系，并向每个国家推广。现在已经推广到48个国家，年底会推广到50个。
Wu表示，“这步推广以广度为主，以后还要加强深度。”
利用数据进行市场分析的效果很明显，三四年间，雀巢对于全球市场预测的误差降低了50个百分点，库存减少了1.2天。这对于雀巢这样每年900亿美元的销售额的快消品牌来说，意义重大。
Davis Wu在演讲中表示，数据分析也给雀巢带来了销售预测的优化、品牌甄别能力的提高。
而在供应链的数据化转型尝试中，雀巢也面临着自己的挑战。
供应链数据秒级更新之前，日更数据和滞后数据的价值
中国人眼中的快消行业和全球其他地方俨然两幅不同的景象：对于一件常见快消品，国人只需要打开淘宝或京东下单，就可以最快在十几个小时之内拿到这件产品。
广泛的应用领域、海量用户数据的积累，也让供应链因此成为了国内最普遍和成熟的数据落地场景之一。
客户的购买数据被系统自动保存下来并收集到系统中，成千上万的数据被收集整理，在电商平台和门店分销商的数据网络中实时更新，以便供应商做出最优的决策。
这是全球供应链的“奇迹”，对于全球零售厂商来说，这都是一笔巨大的可待探索的财富。
“中国电商的发展程度在全世界都居于领先地位，而且，相比于美国亚马逊对于数据的过分保护，国内电商厂家对于数据的开放态度也让雀巢可以从中收获更多。”
Wu介绍说，雀巢和国内电商的合作已开展了两年，这些合作不仅包括数据和平台，还包括物流、产品信息、消费者群体等方面。
目前，雀巢从电商和门店、零销商中获得销售数据放到自己的系统中，来做不同产品、不同地区的销售预测。
但目前的合作还处在早期阶段：“数据怎么用，我们也还在摸索。”
在数据更新方面，一般的供应链数据都由这两个部分组成：电商数据和门店数据。
显然电商数据会更新地更快，门店则滞后较多。但是，即使是电商，秒级更新也并不现实。
Wu告诉我们，在中国，电商数据的获取最快可以做到在一两天内更新，而门店则需要一周甚至更长的时间。
对于雀巢自身而言，他们给自己的要求是，多数数据每周至少更新一次，从而下周进行预测并重新调整。当然，一些产品由于产品特性，可能需要每天更新，例如酸奶等保质期较短的产品。
而在全球很多地方，门店数据很有可能无法及时提供。但雀巢每天的发货数据都是确定的，依然可以依靠发货数据建立模型。
“快消品牌拥有的是长期的产品，模板建的好，你就不需要每天更新，每周更新就足够了，我们就可以知道大致的走向。”Wu说。
这并不是说门店数据没有用处。门店数据经常都是门店自己采集之后卖给第三方，再由第三方卖给供应商。这样的数据经过了清理、整合，质量比较有保障，而且也可以看到竞争对手的数据，即使略有滞后，也依然有价值。
众所周知，雀巢的产品主要通过各级分销商和电商来进行销售，但雀巢Nespresso咖啡豆的业务也可以跨过分销商和电商直接面向消费者。尽管这个部分只占雀巢10%左右的业务量，但对于雀巢的数据采集和分析也有很大的帮助。
“销售部门、市场部利用所有的数据进行精准促销，供应链也在努力用这些数据做预测，我们都在探索更多的可能。”
外部数据的确重要，但天气数据是个例外
和所有数据分析团队一样，雀巢也十分强调外部数据的重要性。宏观经济走向、人口走向、市场占有率，以及南区、北区、西区、东区等各区域间的消费者画像都为雀巢供应链的调整提供了重要的帮助。
“但是天气数据是个例外。”
对于在众多大数据教科书中频频强调的天气数据，Wu有不同的看法。
“事实上，天气数据和销售走向是非常契合的，比如夏天冰淇淋卖得多，巧克力冬天卖得多一点。但是，在建模过程中必须用到的历史数据实际上已经包含了季节的变化，天气数据也就因此显得没什么实际意义。”
另外，对于快消行业的供应链来说，天气有一个致命的弱点：可预测时间太短。
“我最多只能知道未来15天的天气情况，但对于快消行业来说，15天太短了，我们最少需要6个月的数据。天气数据的最大作用是，帮助我们了解历史数据是不是因为天气而发生了这么大的变化。”
数据团队人才转型：行业专家借力自动化数据分析工具
作为快消行业，雀巢的供应链团队非常清楚自己的优势在产品而非技术。因此，Wu表示，成立专业的数据团队并不是一个最优化的选项，目前也不在雀巢的考虑范围内。
”我不可能把所有人都换掉重新招人，只能慢慢更新调整。所以我要挑选一个简单好用的数据分析系统，这个系统的界面和分析很容易让我理解。专家能够懂它的数据分析原理，但是大部分普通用户也可以使用。”
所以，即使SAS这一数据分析工具并不便宜，但相对开源软件，其稳定的架构和易用性依旧获得了雀巢这样处于转型中的传统巨头的青睐。
毕竟，不仅仅高级分析人才需要使用数据分析软件，行业专家也很需要。正如Wu所说，“我们在培训自己的人，也希望软件更加智能。”
而根据需求的不同，现阶段，雀巢各部门选择了不同的方式来分析数据：供应链部门选择SAS来做数据分析，其他部门可能就要选择其他更合适的工具。
“现在组成了不同的人马来使用不同的软件分析数据，但这不是最优化的选择，大家共享数据共享分析共享技能是最理想的，”Wu说，“但是雀巢这么大，还需要时间。”
现阶段，雀巢拥有统一的中央数据库和分散的数据库。中央数据库以报表为主，用来计算KPI。每个地区每个市场也会根据各自的情况建立数据库，而这些数据库的形式也不尽相同，有些地方甚至只是用Excel来记录。
但是，无论电商还是门店，所有被提供的数据在格式、质量、细化程度等方面都会有很大差异，甚至连同一个产品的名称代码都不相同。毫无疑问，数据整合和清洗的工作量非常之巨大，而这也是雀巢目前在数据利用方面的一大难题。
“各个地区都在逐步探索，总公司也会进行指导，比如通过SAS中DI(Data Integration)、EG(Enterprise Guide)等工具整合、安排时间点，使之自动化。我们每周会开展电话会议，不同国家或地区轮流互相介绍如人员培训、数据、分析、流程等经验，互相学习提高。”
在这个过程中，雀巢积累了一套数据化转型的经验。
Davis Wu与现场听众分享雀巢全球的成功经验
对于数据分析，雀巢的理念是
“Analytics Everywhere”“Analytics for Everybody”。
在“Analytics For Everybody”方面，雀巢的经验是拓展分析用户群，深入事业部门。“我不是只把分析给到最专业、最高级的专家手里，而是给到每个人手里，让他们自己用。给你一个电钻、电刨，让你把工作做的更好更快。我要把分析给到每个人手上。”
雀巢调查了47个事业部的国家和地区的工作效率和协同情况。越是偏绿色说明效率越高，反馈积极。销售人员、市场人员、财务人员的协同也有了改进。
再比如长效强化机制，Wu将雀巢的数据分析和IT行业进行了对比。在IT行业，一个公司可能做一套系统，做一个基础架构，然后把这个放到事业部，就完成了这个项目。但在分析领域，这却是万万不能的。为什么？因为分析要求的人员素质不一样，知识层面不一样，而且每个不同案例都需要不同的算法来实现。所以必须要有不断地跟进。
而在雀巢内部，讲的最多的就是Adoption rate，采纳率。把系统放到市场，有没有采纳，采纳的百分比是多少，采纳率都是非常重要的指标，也是一个首要目标。“分析项目的首要目标就是Adoption，保证你在用，才会保证你有好的结果。”Wu说。
“数据分析的推广是一个永远要坚持走下去的过程，数据永远要更新。”