IDC：零售及消費品行業大數據分析實踐2022（27頁）.pdf

1、零售及消費品行業大數據分析實踐，2022王麗萌，高級市場分析師盧言霞，助理研究總監2 IDC|目錄15234應用大數據分析的主要優勢研究范圍與核心觀點最佳實踐給技術買家的建議行業正在面臨的挑戰3 IDC|研究范圍本次研究對象以傳統/在線零售商為主，也包括經銷商、快速消費品（FMCG）的生產者品牌商和自有品牌（Private Brand，PB）商，在后文中將統稱為“零售行業”或“零售企業”。例如：商超連鎖便利店、電商、食品與飲料品牌商、家庭與個人護理品牌商等。這些企業的服務對象是包括個人和機構團體在內的終端消費者，以面向消費者的零售為核心業務，也可能涉及消費品的生產制造、批發、物流供應鏈、送貨安

2、裝服務等環節。這些企業的范圍不包括上游的工業品及原材料制造商/供應商、下游的餐飲門店，以及核心業務橫跨除生產、零售之外多個行業的企業。零售消費品上游下游 工業品及原材料制造商/供應商 快速消費品的生產者品牌商和自有品牌商 經銷商 傳統/在線零售商 餐飲門店研究范圍4 IDC|報告核心觀點背景變化中國零售及快消品行業在近十年受到電子商務、新零售及疫情的影響，市場環境的變化塑造了行業的數字化轉型?，F實與數字化的商品、服務、體驗的無縫融合對企業的生存和增長至關重要，其中所采用的大數據技術已成為精細化運營的基礎。關鍵挑戰零售企業在轉型過程中的關鍵挑戰主要包括業務價值、改造成本、組織戰略與人才。發展驅動

3、力零售行業大數據分析應用優勢有：大數據應用場景整體趨于成熟，企業可用數據規模增大，業務對數據依賴程度提升，數據向價值轉化難度降低。行業大數據應用現狀大數據與分析方面支出快速增加，在智能應用方面更關注生產率、運營效率和處理速度。行業實踐成立5年左右的企業對大數據技術的采用熱情遠高于行業平均水平，將技術與組織、業務模式結合打造競爭力；成立15年左右的企業經歷了“數據中臺”建設熱潮，在親身實踐后深刻體會到采用新技術要跟上業務變動；成立30年左右的企業正在謹慎嘗試的過程中，不僅難以找到細分領域對應的同行實踐或成熟方案，而且企業內部接受程度較低，在業務壓力之下啟動小規模探索單點應用場景。給技術買家的建議

4、（詳見報告末尾）5 IDC|目錄15234應用大數據分析的主要優勢研究范圍與核心觀點最佳實踐給技術買家的建議行業正在面臨的挑戰6 IDC|市場環境變化塑造行業數字化轉型，大數據分析助力消費洞察作為產品消費市場終端，零售行業與居民基本生活密切相關。從2012年到2022年的十年間，中國零售行業受到電子商務、新零售及疫情的三大影響。在行業格局發生巨大變化的同時，其數字化水平總體領先于上游的制造業，但又落后于與消費者密切關聯的互聯網行業。隨著消費者的需求偏好、消費習慣與場景的轉變，傳統零售企業面臨線下客流急劇下降、銷售增長乏力的困境，新型零售企業也在探索發展模式的過程中，不斷接受消費者數據隱私保護、

5、供應鏈物流停滯、區域突發事件等新挑戰。零售業態發生多元化變革，從垂直電商、社交直播電商，到前置倉生鮮電商、倉儲會員店、社區團購。在這一過程中，數字化成為零售行業的核心能力，零售商亟需提升數字化能力以積極應對變化帶來的挑戰。在疫情防控常態化下，消費者行為轉變趨勢促使零售行業繼續升級，行業關注點進一步向消費者轉移，更關注消費場景、消費深層需求與體驗，從“銷售商品”轉向“設計體驗”?，F實與數字化的商品、服務、體驗的無縫融合對企業的生存和增長至關重要，這種客戶旅程（customer Journey）的方法將通過行業生態系統實現，其中所采用的大數據技術已成為零售企業精細化運營的基礎。電商新零售疫情7 I

6、DC|零售企業在轉型過程中的關鍵挑戰在于價值、成本與組織人才2021年，中國多家零售商超斥巨資提升數字化能力。很多零售企業雖然已經積累了一定的用戶消費行為數據以及供應鏈數據等，但在如何利用數據價值、統籌全渠道數據形成全面洞察方面仍存在一定挑戰。整個實體商超行業的數智化之路迫在眉睫，而大部分商超的數智化轉型之路都很艱難。挑戰主要在于：業務價值:相較于金融、政府等行業，零售行業的整體利潤率較低，缺乏內、外部動力替換/改造原有信息化系統，只有營收規模足夠大、對業務擴張需求強烈的企業才有意愿投入。改造成本:自建大數據平臺等軟件系統成本高。例如，開發數據中臺、組建工程師團隊等一系列投入，對于區域商超、便

7、利店來說很少能夠承受得起，傳統快消品牌商現有技術能力覆蓋不全。組織戰略與人才:如果零售企業沒有從公司整體上對原有商業模式和體系進行真正的重組，很難改變實體商業的困境，難以吸引互聯網等行業的大數據與數據分析相關人才。即便投資建設線上渠道，很多商超、品牌商也不知道該怎么運營。8 IDC|目錄15234應用大數據分析的主要優勢研究范圍與核心觀點最佳實踐給技術買家的建議行業正在面臨的挑戰9 IDC|零售行業大數據分析應用優勢：數據廣泛、有信息化基礎、場景成熟互聯網、金融等行業大數據應用場景成熟，積累了數據向業務價值轉化的功能點、落地經驗，也培養了相關人才，可結合企業自身特性參考吸收。例如：云上大數據產

8、品及服務接口方便易用，可引入數倉搭建、運營分析人才。全行業數字化程度提升，數據來源廣泛。數據的采集、標注成本降低，數據治理理念逐漸深入人心，可用數據規模擴大，更容易獲得豐富的數據產品和服務。例如：除了更容易獲得競品的價格、品類、進銷存等數據，消費者行為數據，還有外部的天氣、房地產、社交平臺內容等可用于分析挖掘的數據。行業自身具備一定的業務系統信息化水平和數據分析基礎，主要面向以自然人為單位的大規模終端消費者個體，所交易的實體商品的品類豐富，商品流轉頻次高，業務變化快，可用數據豐富，是傳統數據分析的主流行業之一。例如：ERP、CRM、BI 報表等系統成熟運行多年，使用頻率高，產品參數與業務流程相

9、對標準，業務人員對數據的依賴程度和分析解讀能力逐年提高。10、IDC、|零售行業的數字化滲透程度正在快速加深，以大數據技術為代表的新興技術助力零售行業升級，創新零售場景，重塑消費者的體驗。零售行業大數據與分析方面支出快速增加注：該行業范圍包含零售（Retail）和批發（Wholesale），不含消費品制造，與下頁調查的范圍一致來源：IDC 2022年V1全球大數據支出指南，2022年3月11 IDC|零售行業在智能應用方面更關注生產率、運營效率和處理速度問題：請描述您用來衡量效益的關鍵績效指標（KPI）生產率收入運營效率利潤處理速度節約成本客戶滿意度員工滿意度n=333注：IDC將受訪者的回答

10、內容分為“KPI類別”，按受訪者百分比計算比例。僅顯示來自全球受訪者的前12個KPI類別。來源：IDCs Analytics and AI Services Survey,June 202112 IDC|目錄15234應用大數據分析的主要優勢研究范圍與核心觀點最佳實踐給技術買家的建議行業正在面臨的挑戰13 IDC|7個行業最佳實踐本頁所列案例代表中國市場不同類型企業運用大數據分析的最佳實踐，后面將展開介紹每個案例的具體情況如右圖所示，根據企業創立時間和主營品類兩個維度，將7個典型案例放入四個象限中，分別是：I.船長BI和便利蜂都是零售領域的創業企業，成立5年左右。其中，便利蜂是數字化優先的探索

11、者代表，自研自用；而船長BI則為亞馬遜電商賣家服務II.良品鋪子和幸福西餅是相對傳統的零售企業，成立15年左右，經歷過數據中臺探索后注重業務靈活性，更為務實III.同樣相對傳統的還有大自然家居、欣和這兩個消費品品牌，成立30年左右，分別代表耐用消費品和快速消費品，展現老牌國貨的新嘗試IV.運荔枝與船長BI一樣，也是為行業終端企業服務的大數據技術供應商，近幾年孵化于傳統快消品集團旗下消費品零售傳統創業耐用消費品在制造環節嘗試應用連鎖便利店探索數據驅動決策電商SaaS供應商打造大數據分析應用工具連鎖品牌門店統一數據分析快速消費品在大數據基礎投資階段物流供應鏈場景應用大數據技術鮮食生產配送型企業從0

12、到1完成平臺搭建成立約5年成立約30年成立約15年14 IDC|連鎖便利店探索數據驅動決策的典型案例：便利蜂成立時間：2016年主營品類：連鎖-便利店經營模式：全直營，投資鮮食工廠和自有品牌，實行統一品牌、標準、管理、采購、配送。依據系統決策，公司扁平化管理，創新供應鏈體系。融資：C輪（累計募資15億美元）應用效果營收：2020年5月北京地區門店實現整體盈利人效比和房租占比優于行業，每家店店員2-3人店鋪運營標準化，運營效率提升，實現高動銷、低庫存、供應鏈貼合門店需求擴張速度更快：約兩年開店1,000家，三年達2,000家客戶滿意度：保持穩定的服務品質，嚴控食品效期01232017201820

13、19202020212022（千）門店數量估計數據采集、分析、決策運營執行面臨挑戰自研數字化系統，對生產、物流、門店、消費者進行全鏈路數字化采集，應用于訂貨、銷量預測和動態促銷等場景。以數據連通為基礎，實現即時決策，所有業務SOP（標準作業程序）化最終收益指標是門店毛利長期價值在于用算法優化和覆蓋營運中的一切數據采集隱私與合規性數字化管理過度，靈活性不足。需優化運營執行過程中的拍照等流程，發揮店員作為“人”的優勢2022年出現裁員和暫時閉店在運營層面嚴格執行系統分配指令，決策權歸屬系統，店員不需要對經營指標負責店內配有攝像頭、電子價簽、鮮度PAD和手持PAD等個性化門店運營以算法為核心，而不是

14、店長15 IDC|成立時間：2008年主營品類：快速消費品-烘焙食品-蛋糕經營模式：衛星工廠模式，O2O電商+新零售線下門店主營業務收入：年營收13億元（線上占80%以上）融資規模：累計融資近9億元，2021年12月完成1億元Pre-C輪融資技術投資：累計投資數億元（技術人員支出占一半以上）鮮食生產配送型企業從0到1完成平臺搭建的典型案例：幸福西餅應用效果支撐業務快速擴張：銷售、生產、配送三大業務模塊全鏈路數字化，現已覆蓋全國200多家城市、300多個衛星工廠，私域用戶超過2,200萬生產管理決策優化：基于數倉實現的實時數據大屏可展示整個銷售業績、具體商品銷售數量等信息，成為業務依賴最大的系統

15、；減少損耗，周轉率從20天縮減至10天以內；基于運營決策平臺，新零售門店的智能決策生產計劃將銷售額提升10%201920142022轉型電商重回線下數據平臺建成 線下高速擴張后進行改革，從線下實體店轉型線上O2O蛋糕模式，通過分布式工廠實現快速生產、快速配送 IT部門只有電商系統研發團隊 采用金蝶云星空ERP 線上流量紅利消失，獲客成本不斷提升，布局新零售門店，拓展縣鎮市場 從頭搭建大數據平臺，嘗試多個項目，自研生產效能等算法 目前已經完成系統搭建，以主營業務利潤提升為目標，優化現有系統 在生產環節，與中科聞歌合作開發運營決策平臺，制定新零售門店生產計劃的智能排產，現處于測試階段。下一階段：生

16、產材料周轉（現有供應鏈系統“金蝶ERP”和倉儲系統“富勒WMS”）新零售門店擴張拓展縣級市場累計融資4輪近8億元2018年銷售額達到12億元收縮實體店云服務（阿里云）公有云部署基礎設施，服務器規模200300臺，其中約一半的資源用于大數據集群（十幾臺）智能數據平臺（自研）積累數據規模23TB，包括業務系統產生數據（MySQL數據庫），埋點數據和用戶評論文本數據大數據基礎平臺：阿里云Hive數倉、EMR集群、ADS數據庫、API平臺、BI報表平臺中臺：用戶畫像、商品畫像、推薦系統、銷售預測模型、指標庫、數據服務、報表服務業務應用數據大屏、運營助手等精準營銷工具產量預測、生產計劃和預定系統，線上渠

17、道生產配送智能系統16 IDC|成立時間：2006年（2020年上交所A股上市）主營品類：快速消費品-休閑食品，零食SKU約2,000個經營模式：從事零食的研發、采購、銷售、物流配送和運營。在生產環節以外包代工為主，在銷售環節以門店為主，多渠道并行發展主營業務收入：2021年為91億元，其中線下占47%投資：幾乎每年為大數據后臺開發投入近1個億連鎖品牌門店統一數據分析的典型案例：良品鋪子應用效果已打通8,000多萬來自30多個渠道的會員數據，數據化洞察分析用戶的不同需求，精準匹配貨品內容和觸達渠道，建立粉絲與品牌的互動實現了業務多項指標提升，門店斷貨率下降1個百分點，公司整體庫存周轉減少3.4

18、3天20142022201020262018電商ERP數據分析數據、業務雙中臺數據治理 一倉多湖智能應用雙中臺架構門店增長到2,000家靈活敏捷門店數超過3,000家 2008年 門店信息化管理系統 2009年 倉庫信息化管理系統（4小時內響應門店補貨訂單）2010年 管理信息化系統 2012年 電商業務快速發展，業務系統和流程面臨挑戰 2015年 與IBM、SAP合作，SAP ERP、CRM等上線 2014年開始投入采用大數據分析，驅動力來自電商業務發展和投后團隊支持 2015年與IBM合作規劃業務中臺雛形，整合渠道、統一會員數據 2019年上線阿里云數據中臺和各種業務中臺，存算一體 經驗教

19、訓零售產品品類多，建造龐大完備的中臺難以適應復雜多變的業務發展正在解決數據規則、指標、質量等問題，預計2022年底變成一倉多湖，將數倉和中臺拆開，存算分離?！耙粋}”即一個數倉，沿用過去的數據平臺；“多湖”即根據業務時效性分為主數據湖和業務數據湖。數據分析實踐現狀（2022年）敏感數據部分自研；非敏感數據部分經常根據業務決策改變，分模塊交給服務商：數說故事：集成其NLP能力幫助洞察消費者，采用其LBS等門店外的數據洞察渠道，用于門店選址等場景 微軟：日常經營分析報表從excel到低代碼搭建的Power BI業務看板，應用于加盟商未來將持續投資，應用NLP、CV、RPA等技術提升消費者洞察能力電商

20、業務快速發展從門店到電商門店增長到300家17、IDC、|數說故事SaaS+PaaS+Open API，一站式商業應用與解決方案服務2015年成立，擁有數百家頭部客戶服務經驗2022年2月完成1.6億元人民幣C2輪融資，主要投入在PaaS平臺、認知AI技術和App創新方面人才：在800+員工中，大數據與AI研發團隊占60%以上產品：SaaS+PaaS+Open APISaaS：應用商店50+App，從數據收集、治理、分析、建模到商業應用，方案完整PaaS：低代碼構建數據中臺，可實現24周快速研發或交付應用Open API：提供海量開放接口能力，為企業提供豐富、智能的API生態重點行業：快消、零

21、售、科技、互聯網、3C、美妝、家電、廣告營銷等客戶：近300家快消品和近200家連鎖零售客戶，主要客戶如伊利、華為、寶潔、聯合利華、屈臣氏等，覆蓋消費品牌500強的60%收費概況：以輕量級SaaS為主，單個App（場景）2030萬元，平均客單價為百萬級，頭部快消品客單價億元級廠商概況數據：覆蓋國內外全網95%互聯網聲量，數據可回溯達6年以上，覆蓋人、貨、場、介數據算法：獨有億級實體關系開放式知識圖譜，NLP算法全面優于行業水平，全流程業務獨有算法，基于主動學習的算法“標注-訓練-發布”一體化平臺SaaS產品App Store模式，可任選需要的業務場景快速應用方案優勢數說故事零售行業解決方案18

22、 IDC|快速消費品在大數據基礎投資階段的典型案例：欣和成立時間：1992年主營品類：快速消費品-調味品，休閑食品旗下有10家工廠、11個產品品牌和上百款產品銷售范圍：全球60余個國家和地區信息化總投入：每年近億元，大數據占一半應用效果在調味品行業數字化領先以亞馬遜云科技云平臺重新規劃整個系統的技術架構，解耦應用，布局云原生，為提高業務敏捷性做鋪墊節約在大數據基礎設施層的投入資源、技術團隊建設等無形成本，預計將在未來獲得較好的投資回報2002年 ERP上線隨后56年間打造了標準化流程，復制標準化軟件用于新業務2009年 更換為SAP ERP大規模調整公司的IT、業務架構，啟動作業流程標準化模式

23、2010年 采用Oracle(Siebel)CRM2014年 在阿里公有云平臺搭建電商平臺、經銷商和消費者應用系統采用自建服務器和公有云混合模式挑戰：傳統數據倉庫系統面臨大規模計算的挑戰，自建大數據平臺受到資源和人才短缺的限制2017年 根據云原生，重新選云2018年 遷移系統到亞馬遜云科技云平臺，開始構建基礎數據湖架構2022年 除SAP之外的數據已全部轉移上云。正在探索生產、營銷場景應用，數據前移、增加交互觸點未來將持續投資 迭代基礎架構 技術驅動業務，云原生設計業務2018年欣和旗下好食電商品牌日嘗食食APP上線2020年欣和銷售新模式工具欣便利小程序上線2010202020052025

24、2015ERP 上線CRM 上線電商 上云轉向 云原生數據業務化業務標準化信息化向數字化跟隨互聯網浪潮云原生 微服務讓技術和業務結合會計電算化19 IDC|電商SaaS供應商打造應用工具的典型案例：船長BIBI成立時間：2016年主營品類：跨境電商SaaS服務-運營分析數據平臺/大數據分析服務大數據分析應用：公司內部的經營分析系統，對外銷售的Captain BI用戶規模：累計服務亞馬遜電商平臺超過40萬個注冊賣家建設投入：在亞馬遜云科技總支出千萬級應用效果在成本不變的情況下，支持2021年用戶數量增長45倍，每日數據分析規模增長3倍數據處理效率從56小時提高到20分鐘，數據分析從10秒以上縮短

25、到2秒業務挑戰用戶和數據快速增長，傳統關系型數據庫查詢效率不足目標保證為客戶提供安全、穩定、可靠的數據服務方法完善技術架構（云服務商提供的優質的大數據架構技術棧）選擇過程（候選方案）自建大數據平臺，敏捷數倉方案，如Oracle ADW、Greenplum、ClickHouse、阿里云AnalyticDB（ADB）等當前選擇（上線方案）采用 Amazon EMR 數據存儲 Amazon S3 數據處理組件-Amazon Hudi 即時查詢引擎-Amazon Presto，Amazon Athena上線穩定運行實現湖倉一體的大數據架構，可以對未來數據挖掘和機器學習需求做高效擴展市場變化：需求增加主

26、要影響因素：疫情跨境電商行業受全球疫情影響，中國跨境電商從2020年開始爆發式增長，隨著競爭加劇，賣家的物流、營銷等成本提高，對精細化運營需求增加20 IDC|物流供應鏈場景應用大數據技術的典型案例：運荔枝科技成立時間：2019年公司背景：新希望集團鮮生活冷鏈旗下主營品類：冷鏈/供應鏈SaaS服務大數據分析應用：食材供應鏈全場景。對內服務于新希望集團及鮮生活冷鏈體系，對外服務于餐飲連鎖、食品工貿、商超零售等客戶。用戶規模：截至2021年末，已積累服務超2,500家客戶應用效果幫助客戶在冷鏈物流方面降本提效、保證貨物品質在供應鏈整體優化方面，協同勻鮮幫助某餐飲連鎖客戶實現采購人力成本減少55%，

27、庫存周轉率提升30%在門店供應保障方面，幫助某食品工廠客戶的庫存天數從平均45天降低至14天云服務（亞馬遜云科技）大量采用云原生服務和開源組件，降低數據挖掘成本借鑒行業頭部客戶最佳實踐，保障數據安全和合規性大數據體系（自研）數據服務（配套數據采集和治理方案）基于Hadoop生態的大數據資源平臺大數據管理工具（數據管道、元數據、統一接口平臺等）數據應用產品（DataBI、畫像系統、全景圖譜分析平臺、數字孿生仿真模擬平臺等）運荔枝科技一體化冷鏈供應鏈服務21 IDC|亞馬遜云科技基于亞馬遜云科技覆蓋全球的產品庫及合作伙伴，以及亞馬遜電商20年行業經驗，基于客戶實際業務需求形成本土化解決方案，幫助國

28、內用戶出海，同時支持海外用戶落地中國市場基于亞馬遜電商20年實踐經驗，在客戶的實際業務中取得業務成果，以內部機制確?！癉ay 1”創業精神，從客戶業務需求出發“逆向工作”，踐行客戶至上方案架構f(I)=(機制*架構)(文化*組織)客戶類型業務需求方案效果零售企業數字化轉型：某時尚品牌和食品品牌產品銷量增長導致互聯網數據中心（iDC）中HANA性能瓶頸，提高日報系統敏捷性日報系統數據倉庫上云；將客戶的帆軟BI日報系統數據遷移到Amazon Redshift 最大延遲時間從36秒減少到8秒 并發用戶容量從200個增加到1,000個缺乏ML能力，導致圖片識別模型在定制過程中存在新品泄露風險使用Ama

29、zon SageMaker構建ML平臺，實現門店商品陳列ML識別 新品數據保密 單張識別成本節省10倍海外用戶落地中國市場：某時尚品牌搭建私域數據平臺使用Amazon S3、Amazon EMR和Amazon Redshift構建智能湖倉 所建CDP成為數字營銷部門的重要資產，每天產生的業務價值進入考核體系中國品牌出海走向世界：某服裝品牌，廣告商缺乏相關專業技術人員搭建大數據平臺和大數據分析體系圍繞Amazon Redshift構建智能湖倉架構，采用數據分析相關組件及服務，使用Amazon Personalize實現加購推薦場景 降低了數據存儲、管理及運維成本 整體營收提高超過4%在電商活動及

30、產品促銷等高峰時期，對計算資源和數據接口請求的需求驟增，數據處理速度較慢使用 Amazon Lambda和 Amazon EKS應對高峰期請求對數據處理做異步優化，將數據抓取和數據解析分成兩個微服務 高并發場景下實現性能拓展、提升穩定性 數據抓取和處理速度提高一倍以上亞馬遜云科技智能湖倉架構以智能湖倉和個性化推薦為特色，提供成熟的基礎服務工具集合，其豐富的產品體系已經全部在中國地區開放。優勢及案例與全球和中國超過1,000家零售商及生態伙伴合作，根據其發展方向挑選需要的工具（AI/ML、IoT、微服務、數據湖），為具體場景專門構建融合多數據源的數據分析，減少數據抽取移動，以提高性能和效率，降低

31、成本托管集群平臺關系型數據庫引擎無服務器NoSQL數據庫機器學習數據倉庫分布式搜索分析引擎ETL服務數據湖創建管理工具22 IDC|耐用消費品在制造環節嘗試應用的典型案例：大自然家居成立時間：1995年年營收額：39億元（2020年）主營品類：耐用消費品-地板應用部門：技術制造部-制造中心應用場景：原料質檢信息化總投入：每年數千萬元其它：2011年港股上市，2021年退市時間線2020年立項考察供應商2020年底與滴普科技合作進行項目POC2021年4月與滴普科技一期合作“木板檢測數據平臺”項目調試運行2022年4月一期項目已落地2個工廠，與滴普科技啟動二期合作，推進產供銷協同應用效果轉變了生

32、產環節依賴員工經驗的粗放制造方式，減少資金占用提升了板材入庫的質量檢測準確度，將產品數量、規格、質量等級等數據錄入倉庫管理系統（WMS），大大提升庫存可見度，對生產的幫助很大，例如可以快速滿足客戶對顏色等方面需求地板行業較傳統，該應用的突破難度大，具有顛覆性目標：存貨相比2021年底下降20%，盤活資金20%受疫情影響房地產行業受到沖擊地板市場需求驟降庫存大量積壓實木材料難以統一規格，板材挑選難度大。疫情下國際供應鏈處于半滯留狀態，海運木材周期23個月，質量問題退貨難23個月效果：上線后準確度提升至95%，而過去人工檢測準確度僅有5060%95%注：人工檢測人員需求數量減少80%23、IDC、

33、|云徙科技專注消費者數字體驗，以客戶業務增長為出發點打造解決方案注重幫助企業在大消費領域數字化轉型中選擇切入點，合作方式主要有：1.專注行業，與咨詢顧問共創方案2.長期合作，從第一個切入點（項目）開始，由消費行業團隊提供服務3.有效產出，幫助客戶梳理業務，以業務目標為導向選擇產品工具當前正在探索以業務模式變革產生的價值來評估項目，即不以技術、產品為出發點，而是以中層管理者關心的業務業績為項目出發點，倒推方案市場聚焦策略概況：方案中產品占比達到30%以上，標準化程度正在提升，重點關注四個細分解決方案。以PaaS本地部署為主，支持云上部署。優勢：除了數字化營銷方案/產品，擁有一個中臺構建整體方案（

34、不需要多個軟件廠商集成拓展）。解決方案行業方案四個細分解決方案面向訂單為核心的流轉過程，解決全渠道訂單流轉處理，包括鏈路庫存全局化、財務結算解決品牌商對不同批次經銷商、代理商，交易鏈路的協同關系提供由會員管理、營銷自動化、營銷分析組成的解決方案面向零售終端門店，包括流量管理、用戶管理、交易管理、員工驅動、店務管理24 IDC|其他值得關注的零售行業大數據分析技術提供商中科聞歌滴普科技阿里云產品/方案優勢新零售行業解決方案：基于業務中臺和數據中臺的雙中臺驅動層，重構了前端業務、全域營銷和數據智能等多個業務應用場景，為客戶提供全渠道銷售、全域會員管理等多個行業解決方案。在阿里內部電商場景積累多年實

35、踐經驗，技術領先，產品線覆蓋較全面，可結合企業的上云規劃實現高效協同。在零售行業建立了豐富的合作生態，已有大量客戶案例，品牌影響力大、提及率高，容易找到細分領域實踐作參考。底層平臺：云原生數據智能平臺FastData采用存算分離架構，提供實時性秒級數據處理與分析能力。應用層產品：智能營銷平臺（DM）、全渠道交易平臺（DC）、數據運營分析平臺（DO）等。重視服務。構建以數據為核心的業務價值創新咨詢DIC，成立以產品單位組成的組織BMT（Business Management Team），擺脫以銷售為主的服務模式，契合客戶需求。底層平臺：天湖大數據智算平臺具有數據中臺、AI中臺和知識圖譜三大功能，

36、形成“數據”、“知識”相結合的數據管理、分析模式，實現高價值專業知識推理。在運營決策領域，面向企業生產、物流、定價、調度、排期等運營問題提供智能決策支撐。技術研發實力強。聚焦DI+AI+OR（數據智能+人工智能+運籌學）智能核心引擎研發，在網絡大數據分析、社會計算、復雜網絡和博弈決策等方向積累了豐富經驗。25 IDC|目錄15234應用大數據分析的主要優勢研究范圍與核心觀點最佳實踐給技術買家的建議行業正在面臨的挑戰26 IDC|給技術買家的建議1.根據企業的發展階段、戰略方向、可投入資源及當前信息化水平，參考同行業實踐，設計規劃企業總體應用大數據分析的階段性目標和范圍。除IT信息化部門外，也要

37、與組織、業務調整協同起來，將大數據分析融入業務流程和日常決策。2.重視前期調研，梳理業務和數據，關注企業中層管理者的需求反饋。在傳統數據分析應用的基礎上，總結業務已經積累的經驗和問題，以及企業現有人員掌握相關技能的情況?？紤]引入有技術與行業背景的相關人才或外部咨詢團隊幫助梳理并制定規劃。3.業務方面，評估業務中需要解決的具體問題、應用場景成熟度和預期效果，例如業內是否已有成熟方案，項目執行過程中可能遇到的挑戰，項目上線后是否需要持續升級，可獲得哪些技術供應商、行業解決方案生態的支持等。4.數據方面，評估企業內部系統數據的標準化、一致性程度，劃定業務需要的范圍，先治理再分析；謹慎使用網絡爬蟲工具

38、獲取外部數據，預防關鍵業務數據泄露；了解可用的外部數據服務類型，如數據采集、標注、治理等。5.大數據技術方面，當前大數據領域正在快速發展過程中，主流的大數據組件很多，需要結合業務發展需求選擇。例如：技術架構選型因素：1）如果業務發展變化快，需要架構靈活性；2）企業需要管理數據的類型、規模與增速；3）業務對數據處理的速度和實時性要求；4）歷史數據調用范圍和頻率；5）架構對ML擴展的支持，未來幾年是否需要AI能力支撐決策類等智能化應用應用價值轉化：關注技術的成熟度、易用性，以及技術供應商是否有充足的服務團隊幫助解決性能優化等后續運維問題數據安全合規：評估不同類型的業務和數據需要的安全等級，考慮與多個技術供應商合作來分散風險；在營銷領域探索客戶體驗和數據隱私之間的平衡，尤其關注消費者隱私方面的品牌聲譽風險海外業務需求：云服務商對海外大數據服務的支持IDC IDC更多信息，請聯系：盧言霞CHC45878420