蒐集、分析顧客消費資訊、依照特徵與喜好分群，再以此精準投遞廣告，增加顧客的購買誘因，這些事情不論是在線上電商或線下實體商店，都已是行銷的基本功。然而，與消費者有關的數據可以幫助零售產業的，遠遠不只是行銷。
曾與美國大型零售商沃爾瑪（Walmart）合作、政治大學資訊管理學系副教授莊皓鈞指出，採購、訂價、陳列等營運層面，都能夠藉由數據做出更好、更有效率的決策。
他以服飾業為例，在實體店中，有一些商品擺放的位置，顧客無論如何就是不會經過或拿起來看。他帶領學生與店家協力，透過店內攝影機，分析顧客進店之後的行為與路線，每周都會統計路線死角，調整沒有被觸碰的商品，到店內顧客停留的熱區，找出可以帶動銷售的陳列方式。
行銷數據顯而易見，缺乏整體營運思維
數據應用的面向很廣，可是台灣多數零售業者，仍只運用在行銷上，為什麼？
「支付、收帳的資料，是現在已經 ready（準備）好的數據，」莊皓鈞解釋，消費資訊是零售業一直有在蒐集的數據，對公司來說相對好整理，也能從中推導顧客分群等有用的觀察。此外，公司想要提高利潤，最快速能在財務報表上看見成效的，往往是打折、廣告等行銷手法帶來的績效。
換句話說，跟營運層面較有關係的數據例如採購、存貨，通常不會如此直覺，所以不易察覺。比方說，商品折扣可以從消費數據看到「當下」成績，判斷行銷有沒有效果。但鮮少有業者會再往回思考這個訂價策略，是否可能傷害到其他類型的商品，或是造成消費者疲勞（頻繁的促銷活動，讓消費者失去購物欲望），導致業績快速下滑，這些都是光靠消費資訊，無法歸納的洞見。
因此，企業如果想要追求明顯效益，就不會優先建置難以直接回收效果的系統，而且零售業者不像科技業，本身 IT、研發等人員配置有限，加上已經存在的資訊系統，需要人力維護、升級，都成為阻礙他們布署更多數據系統的原因。
不過，莊皓鈞認為，企業營收成長難免會遇到瓶頸，最終還是要雙管齊下，一方面繼續尋找刺激顧客埋單的關鍵因素，同時從內部著手，改善各種流程，以省下成本。他藉由國外經驗，整理出還有幾個方向：採購、陳列、訂價以及貨量，透過結構化的數據，改善決策品質。
系統化建置資料庫，因應人員異動、產品過期問題
莊皓鈞觀察，零售業過去做與商品有關的決策時，經常仰賴資深經理人「憑經驗」制定計畫。這麼做雖然不至於做出錯誤決策，但是假如資深員工離職、招募新人補位，組織難免會經過一段陣痛期，才可能回到正軌。
此外，生命周期短的產品（例如生鮮食物等），幾乎沒有時間等待消費資訊進來，決定未來還需要採購哪些品項、進貨多少。像是流行產業，會有過季、退潮流的產業，也無法倚靠當季的顧客消費資訊，判斷之後的採購決策，這些都會導致企業的營運成本提高。
因此，組織應該要回歸到「人的經驗」，存取人腦中的知識，彙集之前組織做出不同決定的依據、過程，建立系統性的資料庫，再交由電腦與人工智慧分析並找出最佳化的模式，才有辦法更理性地評估策略。
例如替某些產品增加標籤，包括甜食、受女性歡迎、新技術等，未來即使出現陌生產品或由新人負責，也能快速配對同類型的產品與經驗，並推斷類似的進貨或行銷策略，是否能起同樣效果，「這些事情不是沒有數據，」他說，「只是過去都在人的腦袋裡面。」
至於從陳列來看，就服飾業者等低轉換率的產業來說，進來店裡的人很多、真正提袋的人卻少，光看銷售數據就容易掉進陷阱，錯過潛在的銷售機會而不自知。
對此，莊皓鈞提到，「這就跟電商會看顧客點擊了哪些頁面、逛過哪些商品一樣，」電商通路使用特定數據以優化服務，同樣能套用到實體通路上，而 A／B 測試就是一種有效果的做法。
舉例來說，莊皓鈞和沃爾瑪合作，研究改善賣場貨架陳列能否引發顧客購物的欲望。他們把 60 間分店區隔為兩組：一組會經由每小時銷售的數據，判斷賣場中是不是哪裡商品擺放不整齊或缺貨，系統再提醒員工去整理貨架或補貨，另一組則維持既有營運方式。經過 12 周測試之後，加入預警系統的分店銷售額的確有成長，缺貨情形也有改善。
莊皓鈞解釋，這樣的預警系統，沒有改變實體零售店過往的工作方式，不會增加第一線員工負擔之餘，對組織來說也不需花費過多成本，就可以從數據改善營運品質。
留意數據「雜訊」，避免誤導決策
然而，即使零售業者增加數據的來源，或在實體店增設不同感應器，不代表就一定能經由分析，得出有效的結論。原因在於零售業每天蒐集到的資訊相當多且複雜，幾乎無法避免伴隨而來的「雜訊」，因此不容易確定哪些真的與銷售、營運有關，也可能會把無用資訊誤認為有用。
以電商業者為例，除了購買資訊外，可以看到非常多顧客網路足跡。莊皓鈞曾與平台合作，建立提升回購率的數據分析模型，結果包含顧客跳轉幾次、哪些網頁，或瀏覽哪些類型商品等，就設定 200 多個特徵與變因，最後真正與回購率相關的，卻是「顧客最近一次造訪時間」，與「過去交易的頻率」等傳統指標。
他解釋，其他行為最後都會引導到這兩項表現，加上很多人在網路上不會留下真實資料，像是性別、年齡等，參考價值就會下降，因此愈是新的數據來源，不一定代表愈有效果。
再來，雜訊經常偽裝成有用的訊號，判讀時會找到表面以為正確、實際與獲利或成本無關的變因。例如一間連鎖超市發現，A 產品在天氣冷，或來客數超過 30 位以上時，銷售特別好，因此在每天人潮眾多的時刻，進行特別折扣以吸引顧客；可是同樣策略套用到其他分店時，卻發現人潮不是決定性因素，可能只是當地的特別銷售環境或巧合而已。
莊皓鈞指出，這也凸顯了一個很重要的觀念：
不是把所有的決策都交給數據分析或人工智慧，就可以找到最好的營運模式。
「我相信人的介入還是合理的，」每一次的分析，背後都存在一些假設，或只抽樣特定族群，不可能涵蓋或反映所有現實的情況。
同時，數據分析過程中也難以加入「商業規則」的條件，比方說透過數據解讀發現 A 商品與 B 商品最適合聯賣，但這兩項產品的母公司彼此是競爭對手，不可能一起銷售，這都得仰賴有經驗的採購人員察覺。
他強調，在經常會與顧客接觸的零售產業，數據分析、人工智慧或機器學習等新技術，可以理性、有效計算出「理想」的模式，而人則能藉由經驗與情感，將理想模式調整到能在現實中落實的策略，因此沒有誰取代誰的問題，最合適的關係，就是雙方能互相合作，找出帶動利潤成長的關鍵。
零售業數據應用比想像中廣，從店內陳列到人員交接都有助益
當每個產業都朝「數據導向」前進，零售業也不例外，但如果只是用顧客買了哪些商品的資訊、擬定行銷策略相當可惜，事實上數據能做到的事情更多。
經理人月刊 第 182 期 延伸閱讀 \
