写在前面-数据有温度。

科技‘不忘老’，0.01立方米的水让我知道你很好。独居老人在上海市长宁区江苏路街道安装智能水表，实时监测老人用水情况。一旦12小时内用水量小于0.01立方米，街道层面的一网统一管理平台就会收到报警信息，及时通知社区，第一时间检查老人。

社区志愿者李春说：只要用水超过0.01立方米，我就知道老人在家里还不错，我就放心了。

作为一个IT人，我不禁感叹，这才是技术的真正价值。在中国的数据行业，我们做人工智能大数据，炒概念，拉融资，各种各样的学生。10年来，有很多锦上添花的人，也有很多雪中送炭的人。数据要发挥价值，拒绝技术的毒药。只有努力工作，我们才能繁荣国家。所以要注意数据分析的落地！

雪中送炭，炭火有温度，这是数据分析人员的价值要求。数据要有温度，计算不等于计算；融合不等于替代；改变不等于改变旧；只有技术理论家非常擅长建立一个新的乌托邦。我们不想要乌托邦，因为我们热爱现在的生活。我们致力于利用技术的温度和IT的温柔来实现数据。

技术起航已久，应用终将归来。

1.1中国数据分析的应用。

在商业智能的轨道上，新技术源源不断地涌现，如自助分析、数据挖掘、自然语义识别、SaaSBI等技术，不断从实验领域转向商业，技术的推广速度受益于良好的国内环境，在刚刚发布的十四五计划中，在坚持创新驱动发展一章中，促进数字工业化和工业数字化，促进数字经济与实体经济的深度融合，更加重视实体经济数字化的重要性，因此，在过去的五年里，中国开启了一轮数据技术起航，几年过去了，现在是时候谈论结果了，是时候谈论收获了。

1.2时尚产业已经成为复杂、灵活、敏捷的数据分析代表。

在时尚行业，时尚鞋服行业就是一个典型的例子。作为2003年第一批入驻淘宝商家的企业，与数字用户接触时间最长，接触高频变化的人、货、场。这些变化的数据被动地重塑了鞋服行业。16年推出的新零售改革，17年的数字门店，18年的消费者运营和柔性供应链

在过去的20年里，为了应对疫情的黑天鹅事件，我们开始提到数字经济、在线直播粉丝经济、新制造和韧性供应链。我们发现鞋服行业的玩法是时尚酷炫的，时尚鞋服勇于拥抱新技术，但绝不是最落地的。到目前为止，提取和清理企业内部的小数据还是一件让人头疼的事情，以上大多数企业都经历过。

由此可见，落地这个让人又爱又恨，又痛又爽的词，对于当下的企业数字化，有多重要！

技术已经起航很长时间了。我们在云端飞行的时间太长了。宇宙飞船最终将降落。只有将技术转化为能够为企业带来价值的应用程序，我们才能降落。是时候撕开面具，脱下华丽的衣服，回到商业场景中进行整合、嵌入和工具了。技术不是瓶颈。数据分析的首要任务是打破技术吹牛，回到业务环节，合理化技术！

1.3帆软依靠深厚的行业客户，下沉数据分析场景。

应用程序最终会回来。基于时尚行业深厚的客户沉淀，帆软收集了真实的登陆案例，提取了价值场景点，然后将价值场景点连接成一条线。结合数据分析方法，组合成价值场景阵列，希望能帮助您找到数据技术的登陆点。

大胆降落仔细求证。

相信看完这篇文章，大家都意识到了降落的重要性。一些读者迫不及待地给飞船一个突然刹车，直接掉到地上，然后坠毁，这是一个意外。

2.1做好技术和业务人员的适应性。

如何将着陆过程缓和为故事？场景的建立本身就需要故事。有两种方法可以找到这些活生生的故事:

参考授权中的合作方法，我们的信息部门的数据分析师和开发人员被派往故事发生的地方业务链。他们不会讲故事，但希望他们成为故事的一员，碰撞会产生场景火花；

参考Gartner提出的双模IT，从一些业务单元中抽取一批数据分析师团队，与我们的IT开发团队紧密抗争，成为故事的源泉。

人员的适应性已经解决，然后面临第二个问题。有些企业无法提出价值场景，可以讲很多故事。例如，我想分析滞销和面料的准确性，但我不知道怎么做。内部场景需要刺激和激发想法。

2.2场景孵化的例子。

有很多方法可以刺激内部场景的孵化，这里就不赘述了。其中，在乙方公司的帮助下-1场景是一种可行的方法。在服务客户搭建场景的过程中，帆软总结了一套方法。

第一步是根据部门组织工具培训，通过组织业务部门使用培训工具，触及值得突破的业务部门，从而确立场景的切入点。作者参加了最多的培训，并在两天内培训了九个部门。

第二步，基于切入点，根据类似行业企业的内容或明确需求，进行一对一的二次沟通，明确是0-1阶段，架子的重要性远远高于想要全面的合理性碰撞价值可以定义为需求，可以确定场景中包含的指标。

第三步，由于乙方作为顾问的身份，可以给出指标的行业预警值，加入数据分析。开头提到的12小时内0.01立方米用水量是典型的初始值。后续业务可以不断调整，但一开始一定要有。

例如，在BI项目开始时，一家女装企业根据部门组织了工具培训，发现商品商业控制部需要在工作日处理大量商品性能数据。有一位全职数据分析师。通过手动excel表处理，她对BI工具非常感兴趣，并且有能力使用它们。因此，我们将她定位为我们关键的关键种子用户。在第二次沟通中，我们发现了分析本季新产品库存缺货的痛点，以前设定的绝对值安全库存策略（根据门店代码的适用性准备货物，平均库存深度为3件），如果少于3件，则触发补货；现在，我们希望根据过去一段时间的移动销售计算相对安全库存，并保持店铺代码完整的要求（最小单色单码库存深度不低于1）。

乙方顾问提出了水位线的行业概念，即货物的库存深度应保持在相对合理的水位内。行业经验值是将过去补货周期内的动态销售量（例如14天）设置为最低库存水位，并将存储历史库存的最大值设置为最高库存水位。如果库存超过，则为多货，如果库存低于，则为缺货。这样，存储库存可以确保补充周期的销售，而不会形成非常规库存积压。

以上示例是基于商业控制部门的场景孵化示例，包括多货缺货场景和安全库存指标。同样的方法也可以应用于其他商品分析场景。

着陆后立即进入快车道。

价值假设和增长假设在《精益创业》中的描述，非常适合场景的小步快跑，进入快车道。

BI落地打造1-2个场景后，不要贪图功绩，场景的数量决定不了价值。前期围绕我们的核心用户进行价值验证，后期围绕BI平台建成的场景，在企业内部进行增长假设验证。

由于时尚行业业务的快速变化，场景的适应周期将非常短，这需要开辟一条场景迭代的快车道。这条快车道还两个假设的验证来引导方向。

3.1快车道验证价值假设，把握方向盘。

经过现场验证，项目负责人的方向盘把握才刚刚开始。

每个场景都有其独特的价值，可以用一句话来概括。通过一个场景来解决多个问题的天才假设是完全站不住脚的。项目负责人应深入了解场景的核心价值点，抛开杂念，消除所有不必要的价值体现。

核心价值点是什么？没有它，一个业务环节将非常困难，甚至无法生存。上面提到的例子——商品缺货的场景，其核心价值点是解决商品库存和销售需求在空间上不匹配的问题，而不是通过数据提高分配和补充的准确性。

好了，我们拿到了核心价值，接下来就要面对新的场景，对于新产品运营的三个阶段：期初、期中、期末各自的目标：

期初，提前上市的目的是快速确定SABC的商品分类，适用于不同店铺；

期中，在供不应求的市场中最大限度地避免缺货；

期末，在差异化需求中寻找最终销售机会；

只有准确把握价值假设，才能为不同阶段的决策行动提供数据分析。

3.2在快车道上验证增长假设，踩刹车。

下一步，我们的技术和业务人员，要对新产品运营的期初、期中、期末做出合理的场景改善。

在期初，我们与商品部门的第一位同事就期初商品分级的策略进行了交流。在最可销售周期（女装为14天）中，我们在不同的商店中找到热销商品。例如，如果a和B店销售良好，而C店销售缓慢，C店的水位将降低，a和B店的水位将上升。到目前为止，这一场景已经得到了改善。此时，商业控制的同事们提出了一个额外的痛点：订单到达造成的尺寸不完整。简而言之，第一次只有S码分配给四家店铺，后期只有M码分配给两家店铺，两家店铺缺少M码。如何确保商店的整个代码？这种需求是否可以添加到现场？此时，项目负责人面临选择。

如果添加到设计中，将面临大量的特殊情况，显然是一个新场景的机会。如果被拒绝，目前的库存缺货可能是不完整的，无法应对不合理的配送过程。作者的建议是拒绝，此时应踩刹车，减少场景的特殊情况，尽快通过剩余的中间、最后的环节。

在中期阶段，畅销资金的合理流动可以通过水位线来解决。增加了两个参考项目：大类比例和颜色比例，即考虑高比例和低比例的原则。

期末阶段，货物库存总量较低时，水位线应分SKC设置，减少店铺SKC数量，确保尺寸齐全。

经过一轮价值假设和场景假设的验证，这个例子变得更接近现实，走上了迭代的快车道。

3.3验证价值假设和增长假设是一种周期性行为。

经过一轮验证，很多BI场景发现推广遇到阻力，无法覆盖更多的业务人员，反馈数据有问题、不如excel好用等。事实上，深层次的原因是无法持续的假设验证来解决他们的深层次需求。因此，有必要验证价值假设和增长假设，然后定期调整场景(1月)，从最小模型开始，稳步前进。