從浙江寧波的一個(gè)小型服裝廠起家，如今45歲的雅戈?duì)柤瘓F(tuán)，憑借數(shù)字化理念和業(yè)務(wù)滲透，依然保持著規(guī)模及利潤的增長——2018年即建成中國服裝行業(yè)第一家智能工廠，實(shí)現(xiàn)生產(chǎn)全過程的透明可控，讓西服生產(chǎn)周期從45天縮短至32天；一塊數(shù)據(jù)大屏實(shí)時(shí)顯示全域銷售情況，各營銷公司業(yè)績排行、各渠道營業(yè)收入和銷售情況對比一目了然。

同其他服裝企業(yè)一樣，雅戈?duì)栐诎l(fā)展中也遇到幾大挑戰(zhàn)：

第一，多品牌策略和多樣的渠道，產(chǎn)生巨量數(shù)據(jù)，至今已累積超過3億多行數(shù)據(jù)表，30TB以上存儲(chǔ)量——如果按一頁紙10,000個(gè)字符（大約2KB）算，30TB相當(dāng)于1.5億頁——如此量級(jí)的數(shù)據(jù)，如果沒有進(jìn)行價(jià)值提煉、加工，輔助業(yè)務(wù)增長，就只是成本。如何讓成本變成價(jià)值，成為雅戈?duì)柕牡谝粋€(gè)挑戰(zhàn)。

第二，數(shù)字化轉(zhuǎn)型起步早，但要充分發(fā)揮數(shù)據(jù)驅(qū)動(dòng)效能仍有痛點(diǎn)。雅戈?duì)?018年左右已完成基礎(chǔ)的業(yè)務(wù)系統(tǒng)建設(shè)，但各系統(tǒng)的數(shù)據(jù)沒有整體集成。從設(shè)計(jì)到銷售終端，共有數(shù)十套基于業(yè)務(wù)場景的應(yīng)用系統(tǒng)，這就是數(shù)十個(gè)獨(dú)立的數(shù)據(jù)煙囪。如果要從這些系統(tǒng)中調(diào)用數(shù)據(jù)，需要擁有數(shù)十套用戶名和密碼。上到企業(yè)決策者，下到門店店長，如果沒有專業(yè)技術(shù)，需要花費(fèi)大量精力才能找到自己需要的數(shù)據(jù)。

雅戈?duì)?G智能工廠

如何打破看不見的數(shù)據(jù)“部門墻”，打破不同系統(tǒng)之間的屏障，百川匯流，從一個(gè)個(gè)數(shù)據(jù)湖泊，變成雅戈?duì)?ldquo;數(shù)據(jù)海洋”，成了數(shù)字化轉(zhuǎn)型的關(guān)隘。2018年，雅戈?duì)栔鲃?dòng)擁抱數(shù)據(jù)中臺(tái)概念，并于2019年正式與阿里合作啟動(dòng)數(shù)據(jù)中臺(tái)建設(shè)。目前，企業(yè)已基于數(shù)據(jù)中臺(tái)串聯(lián)起從面料研發(fā)、生產(chǎn)制造到銷售終端的智慧營銷的各業(yè)務(wù)系統(tǒng)，并通過數(shù)據(jù)建設(shè)與治理，在業(yè)務(wù)應(yīng)用過程中提供了決策依據(jù)、實(shí)現(xiàn)了效率提升。

2024年4月24日，在阿里巴巴瓴羊與清華大學(xué)數(shù)據(jù)治理等研究中心聯(lián)手舉辦的“數(shù)據(jù)同學(xué)會(huì)”系列交流會(huì)首站，雅戈?duì)柤瘓F(tuán)CIO王歆、雅戈?duì)柤瘓F(tuán)大數(shù)據(jù)負(fù)責(zé)人竺顯波向一財(cái)商學(xué)院分享了企業(yè)的數(shù)智化轉(zhuǎn)型之路與數(shù)據(jù)治理的關(guān)鍵成果。

一. 數(shù)據(jù)中臺(tái)：切入核心業(yè)務(wù)場景，服務(wù)企業(yè)的“毛細(xì)點(diǎn)”決策

基于數(shù)據(jù)中臺(tái)提出五年規(guī)劃后，雅戈?duì)栔饕獙?shí)現(xiàn)了四點(diǎn)升級(jí)：基于大數(shù)據(jù)技術(shù)和數(shù)據(jù)治理的平臺(tái)升級(jí)、數(shù)據(jù)資產(chǎn)完善、應(yīng)用場景拓展和交互方式簡化。

以應(yīng)用場景和交互方式為例，雅戈?duì)柭氏惹腥牒诵臉I(yè)務(wù)場景（尤其是最前端的銷售環(huán)節(jié)），目前已圍繞190個(gè)應(yīng)用場景展開，通過沉淀數(shù)據(jù)洞察的要素，幫助公司各層級(jí)做日常運(yùn)營的決策。王歆表示，這些決策都是“小小決策”，并非企業(yè)的生存點(diǎn)，而是“毛細(xì)點(diǎn)”。

大到管理層的日常決策，小到門店導(dǎo)購的排班表，數(shù)據(jù)中臺(tái)的價(jià)值在于“讓數(shù)據(jù)真正被用起來”，在日常工作中簡化流程、提升效率，最終幫助管理層更好做出決策。以門店決策和會(huì)員運(yùn)營為例：

門店全景視角：輔助管理層決策、減輕店長行政工作

過去難以看清全貌的數(shù)據(jù)環(huán)境下，管理層在做出決策前，往往需要帶一摞報(bào)表巡店，才能了解真實(shí)的門店情況，如開店投入、裝修成本、人員流動(dòng)等；而店長們既承擔(dān)業(yè)績壓力，又需要向下管理、向上匯報(bào)——這類行政工作往往占用大量時(shí)間：

第一，需要手動(dòng)錄入和上報(bào)銷售情況；第二，匯報(bào)所需數(shù)據(jù)分散在各個(gè)業(yè)務(wù)系統(tǒng)中（如人事數(shù)據(jù)歸集在HR系統(tǒng)中，物流數(shù)據(jù)歸集在物流系統(tǒng)內(nèi)），翻找費(fèi)時(shí)、對數(shù)據(jù)技術(shù)要求高；第三，所需數(shù)據(jù)受權(quán)限影響，無法進(jìn)入系統(tǒng)。

而雅戈?duì)柎罱〝?shù)據(jù)中臺(tái)后，上至管理層、下至門店導(dǎo)購都有了更便捷的數(shù)據(jù)獲取方式。在其數(shù)據(jù)門戶中，共有三種數(shù)據(jù)視角：

1. 按數(shù)據(jù)特性劃分。這是大部分企業(yè)都會(huì)采用的數(shù)據(jù)劃分方式，將銷售、物流、財(cái)務(wù)、會(huì)員、審計(jì)和制造等各領(lǐng)域的報(bào)表，各自歸集一起。

2. 自定義報(bào)表。員工可根據(jù)需求自由拖拽字段。

3. 圍繞品牌各層級(jí)視角展開的主題門戶。品牌管理層可查看屬于品牌自己的銷售、物流等報(bào)表，店長也有圍繞門店展開的360°全景視角。2023年，雅戈?duì)栠€借助NLP技術(shù)推出的大模型智能BI應(yīng)用Chat BI，讓員工通過搜索就能獲得數(shù)據(jù)。

雅戈?duì)柶煜缕放艸ELLYHANSEN

一個(gè)以門店為中心視角的全景數(shù)據(jù)，既方便了管理層了解門店情況，也減輕了店長60%-70%的日常基礎(chǔ)行政工作。此外，店長們在為導(dǎo)購進(jìn)行排班時(shí)，通過數(shù)據(jù)就能很快判斷出對方更適合排在白班還是晚班、更適合銷售正價(jià)品還是折扣品——減少“人”的干預(yù)，既能增加決策的正確率，也得以讓他們將精力聚焦到打磨銷售話術(shù)、提升銷售技巧上，最終提升整體門店業(yè)績。

二. 數(shù)據(jù)治理，最難的是“眾數(shù)難調(diào)”

在企業(yè)數(shù)字化轉(zhuǎn)型過程中，技術(shù)往往不是最大挑戰(zhàn)，例如「數(shù)據(jù)質(zhì)量」的治理，數(shù)據(jù)本身不會(huì)騙人，但難以統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)、不規(guī)范的業(yè)務(wù)流程，都可能造成數(shù)據(jù)污染，以至于無法為業(yè)務(wù)決策提供實(shí)際參考價(jià)值。

雅戈?duì)枠I(yè)務(wù)的復(fù)雜性，也加劇了數(shù)據(jù)需求的復(fù)雜程度和處理難度——哪怕只是一項(xiàng)“營收金額”，由于需要計(jì)入商場扣點(diǎn)、財(cái)務(wù)扣稅等因素，一旦各渠道的數(shù)據(jù)口徑不同，每天都會(huì)形成高達(dá)數(shù)十萬元的數(shù)據(jù)偏差。

尤其是服裝企業(yè)們都相當(dāng)看重的幾組指標(biāo)，“四率二效”：“四率”分別指銷售增長率、毛利率、成本費(fèi)用率和回收率；二效則指人效跟平效。僅其中的平效（指門店單位面積下的平均營業(yè)額，即銷售額除以門店面積），各門店可能會(huì)分別上報(bào)建筑面積、營業(yè)面積或是陳列面積。甚至有門店為了獲得更高的平效，將面積數(shù)字報(bào)小。各方利益和主觀意愿摻雜，使得數(shù)據(jù)治理因此成為企業(yè)數(shù)據(jù)建設(shè)中最難的一環(huán)。

因此，大數(shù)據(jù)部門花費(fèi)了大量的時(shí)間打通組織、商品、人員等數(shù)據(jù)，并針對各項(xiàng)維度和400多個(gè)指標(biāo)做了清晰的梳理。在此過程中，有兩大關(guān)鍵：

1. 統(tǒng)一數(shù)據(jù)指標(biāo)。

2. 通過規(guī)范業(yè)務(wù)流程，梳理“利益邊界”——即理清楚一件事該由誰做，做到什么程度。

在統(tǒng)一數(shù)據(jù)指標(biāo)時(shí)，大數(shù)據(jù)部門梳理了各業(yè)務(wù)流程中的關(guān)鍵字段，并根據(jù)業(yè)務(wù)需求給出細(xì)致、明確的數(shù)據(jù)口徑：如“季節(jié)”，會(huì)根據(jù)業(yè)務(wù)需求將春夏秋冬細(xì)分為“春一”“春二”“春三”等階段；而“門店面積”也會(huì)伴隨裝修情況及時(shí)更新。如業(yè)務(wù)部門對口徑或標(biāo)準(zhǔn)存疑，該數(shù)據(jù)指標(biāo)就會(huì)交給雅戈?duì)枖?shù)據(jù)決策委員會(huì)（主要成員為財(cái)務(wù)）評判，直到達(dá)成一致意見，并會(huì)將最終結(jié)果在公司內(nèi)部公示。自數(shù)據(jù)中臺(tái)建立以來，數(shù)據(jù)指標(biāo)平均每個(gè)月都會(huì)迭代，讓數(shù)據(jù)反饋無限接近于管理訴求和業(yè)務(wù)應(yīng)用的需求。

雅戈?duì)柎髷?shù)據(jù)負(fù)責(zé)人竺顯波

更規(guī)范的指標(biāo)確認(rèn)流程，能在一定程度上保證數(shù)據(jù)質(zhì)量，帶來更公平的業(yè)績評估與考核，或提供決策方向的建議。竺顯波表示，在收集公司各大區(qū)的幾項(xiàng)重要指標(biāo)后，數(shù)據(jù)部門會(huì)將各大區(qū)的幾項(xiàng)指標(biāo)分為四個(gè)象限，針對大區(qū)現(xiàn)狀提出相應(yīng)建議：譬如某個(gè)大區(qū)的毛利率較高，但回收率有提升空間，可以通過優(yōu)化促銷策略來提升周轉(zhuǎn)。

三. “數(shù)”欲善其事，必先利其器

“數(shù)據(jù)中臺(tái)從來不是曇花一現(xiàn)或腦門一熱的項(xiàng)目，必須是一個(gè)長期過程。”王歆表示，雅戈?duì)栁磥砣轿迥甑囊?guī)劃，包括了以系統(tǒng)集成為命題、以AI貫穿為主線、以行為數(shù)據(jù)為洞察、以碎片時(shí)間為生產(chǎn)。

在其數(shù)據(jù)源、中臺(tái)和應(yīng)用三層數(shù)據(jù)架構(gòu)中，瓴羊Dataphin和Quick BI分別在數(shù)據(jù)中臺(tái)層和應(yīng)用層發(fā)揮了重要作用，為企業(yè)當(dāng)下整合全域數(shù)據(jù)和未來規(guī)劃提供了安全、穩(wěn)定的保障。

在數(shù)據(jù)應(yīng)用層，雅戈?duì)栰`活、多視角的數(shù)據(jù)門戶正基于Quick BI實(shí)現(xiàn)。作為分析型BI報(bào)表工具，它滿足了企業(yè)各層級(jí)日常獲取數(shù)據(jù)的需求，大大降低了員工使用數(shù)據(jù)的門檻。

而在中臺(tái)層，雅戈?duì)柾ㄟ^Dataphin整合了共16個(gè)系統(tǒng)，900多個(gè)表和400多組指標(biāo)。據(jù)了解，Dataphin的主要優(yōu)勢有三點(diǎn)：

1. 具備低成本存儲(chǔ)、高性能與高穩(wěn)定性等優(yōu)勢。

2. 它是市場上為數(shù)不多的全鏈路產(chǎn)品，相比其余數(shù)據(jù)工具更一體化，可集成云、線下數(shù)據(jù)庫等不同來源的數(shù)據(jù)。而其余工具往往需要靠第三方工具實(shí)現(xiàn)集成。

3. 本就多元龐雜的企業(yè)數(shù)據(jù)，體量還在持續(xù)膨脹——而傳統(tǒng)數(shù)據(jù)工具以單機(jī)式分布為主，難以跟隨數(shù)據(jù)體量變化而增配，而Dataphin采取分布式的數(shù)據(jù)處理方式，可以靈活增配存儲(chǔ)和算力。

這意味著企業(yè)不需要再花費(fèi)大量時(shí)間集成，大大提高了數(shù)據(jù)部門的取數(shù)效率。“好的工具會(huì)節(jié)省很多工作精力。工具趁手，我們所有的心思都可以聚焦在業(yè)務(wù)和數(shù)據(jù)上。”竺顯波表示。