传统零售行业过去是“许三多”——客户多、商品多、门店多。到今天还要加上一多——数据多。虽然互联网的发展以及电商的井喷，使得零售行业在2017年遭受了闭店潮，但从另外一个角度来说，即使在实体、电商竞争均十分激烈的服装零售领域，也有从大数据中获利的典型。2018年，实体零售如想逆势突围，必须转型，成为数据管理型企业。

2017年，零售业受到互联网与电商的冲击，遭受闭店潮。年初，商超巨头沃尔玛宣布全球闭店269家，涉及员工上万人；万达百货近四十家店关闭；天虹百货、阳光百货、玛莎百货也纷纷沦陷；年底，朋友圈疯狂流传《实体店阵亡名单》，除了前面提到的几家之外，梅西百货、家乐福、麦当劳、美特斯邦威、李宁等知名品牌也“榜上有名”。

与此同时，Inditex作为拥有Zara、Pull&Bear、Bershka等多个快时尚品牌的母公司，却在2017年交出了净利润上涨10%的成绩单，销售额达到233.1亿欧元，成为历史最高记录。这种上扬的势头更延续到了2017年——根据上周三发布的报告，Inditex集团各品牌开业1年以上的店铺，在本财年的头六周里销售额均上涨了8%。而H&M，则以下降1%的成绩惜败开场。

Zara的成功来自方方面面，最核心的一点，验证了著名经济学家郎咸平的洞察：“2000年后成功的企业，成功不是靠创新，而是靠快速反应。”Zara有一套自己的速射生产系统（rapid-fire production system），信息依靠每个门店经理手中的PDA传递给总部，以销定产、以产定购；他们在POS机、ERP、SCM、CRM与CAD中产生的数据从来都不是彼此孤立的。因此无论是库存管理、生产模式、与门店配送，都像坐了火箭一般，快到其它品牌无法简单抄袭。为什么都叫快时尚，但H&M、GAP就是快不过Zara？Inditex的首席执行官Pablo Isla在接受采访时说：“没有什么秘诀，我们只是做到了快速响应数据。”

那么，2018年，零售商如何像Zara一样，快速响应数据呢？我们根据零售行业的特点，总结了行业数据分析的五大趋势，供大家参考。

趋势一：全源数据整合

零售行业门店多、客户多、Sku多，经常面临的问题是，销售数据在一个系统中，客户数据在一个系统中，商品信息在一个系统中，各个系统之间彼此不相关联，很难从数据中发现隐藏的问题或商机，更不可能做到像Zara那样，根据每个门店的信息反馈，将存货周转率提至业内最优，比其它品牌高3～4倍。

对于有数据头脑的决策者来说，明知有大量数据可用，却难以调动，这种感觉会更加痛苦。往往决策者需要看到某个指标来指导决策，但从提出需求到IT响应，却需要一周甚至更长时间。到手的数据已然过期，只能用来复盘。

2017年，将有越来越多的零售行业从业人员受益于全源数据整合工具——它可以将零售商散落在本地文件、云端数据与第三方系统中的数据整合在一起，同时运用在线数据处理工具，抽取其中的关键指标，形成定制化的数据集。从提出需求到拿到报表，将以小时甚至分钟计。高薪聘请的数据分析师或数据科学家，将有更多的时间用来分析数据；管理者也能用第一手的数据用来进行销售布局、调整营销策略等。

趋势二：数据分析不再被专业分析师“垄断”

零售行业包罗万象，有员工上万的全球性企业，也有单兵作战的小店。以前，要进行数据分析，要经过提取数据、清洗数据、建模等过程，必须由专业人员来进行，而且通常要部署一个专业的数据分析部门，花费不菲。但在2017年，即使是便利店主也能深耕数据，这完全是因为交互性数据视觉工具的诞生——仅需鼠标点击、拖拽，就可以生成各种各样的图表，上手性极强，任何人都可以操作。而且，数据视觉融合了人脑科学、管理科学与信息科学的精华，可以激发使用者的商业智能，快速驱动决策。可以说，在这个年代，我们有能力拥抱这种本身具有高度的专业性、但却更加容易操作的数据分析工具了。而且，这种工具由于依托于云，不需要本地部署，不需要购买硬件，所以价格相对低廉。

因为这种工具的诞生，高级分析将不再被专业分析师“垄断”，中小微型的零售企业也可以利用数据驱动管理；另外，只要愿意，企业人人都可以拥有自己的管理看板，仅抽取自己最关心的指标，用精准的数据来指导自己的工作；最后，无论是自己分析、还是与它人分享，可视化图表都要比单纯数字或文字的报表更加直观，更能促进决策。

趋势三：让企业的响应速度跟得上数据的生产速度

想跟上Zara脚步的企业很多，但至今没有出现“第二个Zara”，何解？

很大一个原因是因为，企业的响应速度追不上数据的生产速度，而这是数据驱动运营的关键。拿Zara与H&M的速度战来举例，两个企业看到T台走秀（获取灵感）的时间是一样的，但H&M从打版到出货需要3个月左右的时间，Zara仅需两周。如果信息不能在第一时间被消化、利用，其时效性就无法保证，而世界千变万化，过期的信息就等于错误的信息。

如何让企业的响应速度跟得上数据的生产速度？首先，一手数据需要直达一手分析。以前的商业智能，需要做大量的重复性工作，即使是格式相同的周报、月报，每一次需求都代表着一系列的工作；但2017年，一手数据可以直达一手分析：只要用数据处理工具制作一次数据流，并基于该数据流制作一次分析看板，以后的工作量就是点击一次鼠标、选择自动更新源数据的事儿。其次，一手分析需要直达决策人。企业各层级、各职能的负责人，不再基于一份复杂的报表，拆分自己最需要关注的部分，而这部分指标可能还并不精确；他们只需要拥有一个自己的管理看板，并选择实时更新即可。最后，一手决策需要直达执行团队。无论是生产、供货、配送、还是运营，都能第一时间拿到决策、看到支持决策的数据以信任决策、最终执行决策，完成从数据到行动的全过程。只有数据－分析－决策－执行全部秒级响应，才能保证企业的响应速度跟得上数据的生产速度。

趋势四：移动分析加速零售行业发展

数据的分析与分享，只能在PC端实现吗？如果报告的接收人是常年需要辗转各地的CXO、是销售、是买手等不能朝九晚五对着电脑的角色，那么再好的工具，是否都无法实现“即时响应”了？当年，Zara为每个门店的经理定制了PDA，保证了信息的无障碍流通，堪称业界创举。我们不禁想象，如果零售产业链上的每一个关键节点，从CXO、生产部门、供应商、配送中心、到门店等，都能通过移动端来共享信息，那么很多问题，都将不再是问题。

2018年，零售实体店将与大数据全面整合，这不光是说传统零售行业都要往线上商城上转移阵地，而是说，实体店也能利用数据来优化整个业务链条。其中最关键的工具之一，就是支持移动端分析的沟通协作工具。有了它，CXO即使人在机场，也能基于数据输出决策；运营人员即使全天在外，也可基于数据调整自己的推广渠道；销售团队更能随时随地掏出手机，基于数据展示自己产品的优势。移动分析工具突破了时间和空间的限制，全方位助力企业管理数据化。

趋势五：机器学习带领零售业走向科技密集型产业

除此之外，机器学习、人工智能的发展也能为零售带来机遇。H&M“回收旧衣”，除了环保，也有节省生产资源的目的。而Zara则在生产源头就利用机器来规划每一块布料的使用，确保剪裁方式是最节省的。现在，AI、机器学习等可能对于某些传统零售企业来说还有点遥远，但也许用不了几年，AI就会进入广大企业，替代人工完成一些日常的工作，带领零售行业从“劳动密集型”产业走向“科技密集型”产业。届时，有用数据的增量会比今天更加可观——我们是否做好准备，迎接新智慧？