对于各行各业争锋开采的数据“新能源”，GAP客户关系管理及业务拓展高级总监蔡辉认为，零售品牌若想赶这趟车，自有其方法论，以下是他在9月6日“大数据与分析创新峰会”上的发言实录。
”
什幺是“数字化”？
“数字化”不单单是指数字营销，它包含了三个关键词——数字、方向和技术。
数字不需多说，方向是什幺？集成，对企业来说，尤指集成内部和外部数据。
现在的趋势是越来越多跨行业合作，也包括数据的联合，比如你随手买的农夫山泉水瓶上印有网易云音乐的标识，包括GAP等零售品牌也都有这类跨界合作的举措。
当然，能做到这一切的关键一点在于技术的发明及普及后成本的降低。
大数据VS小数据
公司应从开采内部数据开始。
对于一个品牌商来说——它既非阿里、也非万达——最应该关心还是自己的内部的数据，而非大数据。
为什幺？
首先，“大数据”的定义中包含了三“V”特征——Volume（大数据量）、Variety（多样性）和Velocity（数据处理速度）。
什幺是“多样性”？
举个例子，摩拜单车掌握了大家的出行路线数据，数据量很大，但从数据多样性来说，其实只有单车骑行路线相关的数据。如果政府拿到了摩拜的数据，结合公交、地铁、行人等数据，优化规划，这才算是更为多样化的大数据范畴。
对公司来说，数据是用来做生意和赚钱的。如果用大数据需要很长时间的分析才能得出结论去落地，那这不是一个好的商业选择，一定要很快拿出数据用途才有意义。
其次，大数据需要巨大的投资
简单说来，就是当你企业需要为数据供应的水电费开始操心的时候。像是微软、Facebook、谷歌要去北极、芬兰等北方寒冷地区设立大数据中心，水电量消耗之大可想而知。
最后是数据隐私
对于一些外部数据，品牌不是不想用，而是由于阿里、腾讯等数据持有方的数据隐私保护，你没办法得到那些数据。零售品牌能拿到自己客户和交易数据，但这些人在微信上关注了什幺其他品牌、在阿里上买过其他什幺商品，这些数据我们拿不到。
所以说，对零售品牌的大数据应用有不小的挑战，但在一些其他领域，大数据可能更容易有所作为。
比如人工智能，我认为中国的AI和机器学习未来会超过国外，因为中国数据量大，机器可以有更多数据资源去学习。熟能生巧嘛，这道理有点像中国医生的临床经验要比外国的丰富很多，因为他实践更多。
既然对于多数企业，大数据有些高不可及，那从企业内部数据出发更加可行。这些内部数据大致包括了客户资料、客户管理以及产品和渠道数据。
同时，零售品牌的不同运营模式也会影响到数据。同样是服装行业，如果大部分门店是通过经销商的设立，那幺大部分数据是在品牌这；如果门店多开在百货商场，虽然客户资料可以由品牌专柜自己搜集，但交易明细和支付数据就留存在了商场。别小看这个缺失了的交易数据，一是交易数据量很大，二是这可以看到顾客在店里消费的具体商品——是一件衣服还是一条裤子、买贵的还是便宜的，这线下交易数据阿里、腾讯都拿不到。
重视数据获取和管理
使用内部数据有四步，即获取数据、数据管理、数据分析和数据架构。我今天的分享主要集中在前两个环节，它们更多是和流程及业务相关，比较少涉及到IT、数据技术方面。
获取数据的第一个大背景，是要考虑到顾客识别（customer identification）。现在，零售渠道非常多，门店、APP、网站、公众号等，以及阿里等外部合作伙伴。不知道多少人听说过阿里的“新零售”，当中很重要的一点是线上线下数据的结合，阿里希望品牌提供交易明细，它们已经开始这样与品牌合作了。
数据获取另一点是产品数据层面的，体现在物联网、区块链等新技术应用，以及产品在生产、供应链和门店的数据留存。另外，现在很多商品是自带数据（product+data）的，比如小米和摩拜。
关于数据获取，这里先不谈线上，大家都已经很有经验了。门店数据收集，主要包括人工、电子屏和二维码、Wi-Fi和蓝牙、电子支付、网络和移动端等。
再说下数据管理，这是大家比较容易忽视的。总结下，有4个“C”——完整性、复杂性、准确性和标准性。
▶ 完整性：包括顾客信息是否全面、不同渠道是否都涵盖到。
▶ 复杂性：主要是由于业务的复杂。举个例子，零售行业非常重视线下门店体验，顾客去门店消费的时候，我们会给顾客会贴复杂的“标签”：包括客户在哪注册、哪购买、工作日和周末的不同购买地址，如果某家店关门了，会对常去那里的顾客造成什幺影响等。所有这些问题，还需要结合网站、App、微信等渠道数据去应对，复杂程度可想而知。
▶ 准确性：数据的操作和手工录入要非常仔细。
▶ 标准性：管理流程的标准化。
人员是最基本的问题
企业在使用内部数据时会遇到一些“陷阱”，包括：
▶ 人员
▶ 系统
▶ 成本
▶ 流程
▶ 数据分析
其中，人员是最基本的问题，一切业务都是由人来支撑的。对企业来说，“数字化”其实就是从传统企业迈向新的数字化企业的过程，期间原有的组织架构会慢慢合并。
现在互联网企业同传统企业品牌都在争夺大数据的技术人才，这令大数据行业的人才非常稀缺，企业本身人员也需要为此学习、培训和掌握沟通，因为和技术人员打交道跟和门店一线打交道完全不同。
另外，线下门店数据收集主要由门店销售和客服定期执行——如何帮助他们优化数据收集流程也是个大挑战。尤其是越来越多中国门店还面临年轻劳动力短缺的困难，员工素质是个很现实的问题，是否能够让他们有效地收集数据，如何简化收集数据的流程让他们更好地理解，这都是需要在数据收集过程中考虑到的。
对系统的需要，主要是足够稳定、数据处理快速以及安全。
而成本控制，除非整个系统架构搭建，通常对企业来说，渐进地改变要比大改成本小。在效果上，内部架构逐步优化比大改更好。
流程方面，主要指的是如何让数字化结果流畅快速地测试、分析和执行。
小心，这些数据雷区别踩
最后说一点，虽然是用数据说话，但在数据分析本身还是有些陷阱的：
第一个陷阱，数据定义的变化。
举个例子。这两张图都是中国电影的票房数据，可以看到2017年票房增长的很大一部分在于把电商网站的手续费也算入其中。但是，2016年没有算这手续费。通过改变票房的定义、扣除电商手续费后，数据结果很大程度上会改变。
第二个陷阱，数据范围。
比如复旦的毕业生就业单位统计表上，出现了很多医院人才，那是因为它合并了本地医科大学，也被算进去了。统计范围不一样，数据就会有出入。
第三个是操作陷阱。
说下最近热播剧《三生三世十里桃花》，号称点击量有300亿，最近又出现了个号称400亿点击量的《楚乔传》。为什幺会出现这种数据结果，因为现在很多粉丝为了偶像都会刷量，比如一台PC一台iPad两部手机地刷。电影方面也是如此，为了保证排片和偶像曝光率，粉丝会去影院锁场。
第四个，是个性化和效率成本的平衡问题。
一般说来，在非电商非单一沟通渠道的情况下，五到十个顾客分组比较易于执行。如果细分程度很高，顾客分组超过十个，那幺成本和执行效率会是很大的挑战。
总结一下，对于品牌来说，第一是要从内部数据开始；第二，重视数据获取和管理；第三，组织和人员是基本；第四，系统、成本、流程和数据分析的挑战。
